深度学习神经网络正步入成熟，而深度学习框架目前众多，大都可以在图像识别、手写识别、视频识别、语音识别、目标识别和自然语言处理等诸多领域大显身手。
深度学习框架平台占据人工智能产业生态的核心地位，具有统领产业进步节奏、带动终端场景与云端服务协同发展的重要作用，处于承上启下的关键地位，其意义媲美移动互联网操作系统。随着深度学习框架的不断演进，以深度学习为代表的人工智能将大放异彩。
那么，现在都有哪些框架呢，我们来盘点一下。
01
Theano
Theano最初诞生于蒙特利尔大学 LISA 实验室，于2008年开始开发，是第一个有较大影响力的Python深度学习框架。由于Theano已经停止开发，不建议作为研究工具继续学习。
02
TensorFlow
TensorFlow在很大程度上可以看作Theano的后继者，不仅因为它们有很大一批共同的开发者，而且它们还拥有相近的设计理念，都是基于计算图实现自动微分系统。但是由于其频繁变动的接口、接口设计过于晦涩难懂、文档混乱脱节。不完美但最流行的深度学习框架，社区强大，适合生产环境。
03
Keras
严格意义上讲，Keras并不能称为一个深度学习框架，它更像一个深度学习接口，它构建于第三方框架之上。Keras的缺点很明显：过度封装导致丧失灵活性。入门最简单，但是不够灵活，使用受限。
04
Caffe/Caffe2
Caffe的优点是简洁快速，缺点是缺少灵活性。不同于Keras因为太多的封装导致灵活性丧失，Caffe灵活性的缺失主要是因为它的设计。文档不够完善，但性能优异，几乎全平台支持（Caffe2），适合生产环境。
05
MXNet
MXNet最初由一群学生开发，缺乏商业应用，极大地限制了MXNet的使用。文档略混乱，但分布式性能强大，语言支持最多，适合AWS云平台使用。
06
CNTK
CNTK的性能比Caffe、Theano、TensoFlow等主流工具都要强。社区不够活跃，但是性能突出，擅长语音方面的相关研究。
此外，还有许多专门针对移动设备开发的框架，如CoreML、MDL，这些框架纯粹为部署而诞生，不具有通用性，也不适合作为研究工具。
这些框架各有优缺点，但是大多流行度和关注度不够，或者局限于一定的领域。从上，我们可以看出，并没有一个完美的深度神经网络，能够解决你的所有业务问题。
深度学习框架发展到今天，有些功能已经变成常规需求了，譬如易用、高效、完备（算子、模型、配套工具链、文档、案例），一个新的框架在这些方面应该没有明显的短板。一个后出现的框架要追求成功，仅仅没有短板还不够，还必须有长板，独门功法，有超越于其它框架的地方，或者其它框架根本做不到，或者很难做到，只有这样，才有可能先从细分市场切开一个小口，进而站稳脚本。
