Theano https://github.com/Theano/Theano
描述: Theano 是一个python库, 允许你定义, 优化并且有效地评估涉及到多维数组的数学表达式. 它与GPUs一起工作, 并且在符号微分方面表现优秀.
文档: http://deeplearning.net/software/theano/
概述: Theano是数值计算的主力, 它支持了许多我们列表当中的其他的深度学习框架. Theano由 frederic bastien 创建, 这是蒙特利尔大学机器学习研究所背后的一个非常优秀的研究团队. 它的API水平较低, 并且为了写出效率高的Theano, 你需要对隐藏在其他框架幕后的算法相当的熟悉. 如果你有首丰富的学术机器学习知识, 正在寻找你的模型的精细的控制方法, 或者想要实现一个新奇的或者不同寻常的模型, Theano是你的首选库. 总而言之, 为了灵活性, Theano牺牲了易用性.
优点: 灵活, 正确使用时的高性能
缺点: 较高的学习难度, 低水平的API, 编译复杂的符号图可能很慢Lasagne https://github.com/Lasagne/Lasagne
描述：在Theano上建立和训练神经网络的轻量级库
文档：http://lasagne.readthedocs.org/
概述：因为Theano致力于成为符号数学中最先且最好的库，Lasagne提供了在Theano 顶部的抽象，这使得它更适合于深度学习。它主要由当前DeepMind研究科学家Sander Dieleman编写并维护。Lasagne并非是根据符号变量之间的函数关系来指定网络模型，而 是允许用户在层级思考，为用户提供了例如「Conv2DLayer」和「DropoutLayer」的构建 块。Lasagne在牺牲了很少的灵活性的同时，提供了丰富的公共组件来帮助图层定义、图 层初始化、模型正则化、模型监控和模型训练。
优点：仍旧非常灵活, 比Theano更局级的抽象, 文档和代码中包含了各种Pasta Puns
缺点：社区小Blocks https://github.com/mila-udem/blocks
描述：用于构建和训练神经网络的Theano框架
文档：http://blocks.reackhedocs.io/en/latest/
概述：与Lasagne类似，Blocks是在Theano顶部添加一个抽象层使深度学习模型比编写 原始的Theano更清晰、更简单、定义更加标准化。它是由蒙特利尔大学机器学习研究所 (MILA)编写，其中一些人为搭建Theano和第一个神经网络定义的高级接口（已经淘汰 的PyLearn2)贡献了自己的_份力量。比起Lasagne，Blocks灵活一点，代价是入门台阶较高，想要高效的使用它有不小的难度。除此之外，Blocks对递归神经网络架构 (recurrent neural network architectures)有很好的支持，所以如果你有兴趣探索这种 类型的模型，它值得一看。除了 TensorFlow，对于许多我们已经部署在indico产品中的 API，Blocks是其首选库。
优点：仍旧非常灵活, 比Theano更高级的抽象, 易于测试
缺点：较高的学习难度, 更小的社区TensorFlow https://github.com/tensorflow/tensorflow
描述：使用数据流图进行数值计算的的开源软件库
文档：https://www.tensorflow.org/api_docs/python/
概述：TensorFlow是较低级别的符号库（比如Theano)和较高级别的网络规范库（比如 Blocks和Lasagne)的混合。即使它是Python深度学习库集合的最新成员，在Google Brain团队支持下，它可能已经是最大的活跃社区了。它支持在多GPUs上运行深度学习模 型，为高效的数据流水线提供使用程序，并具有用于模型的检查，可视化和序列化的内置 模块。最近，TensorFlow团队决定支持Keras (我们列表中下一个深度学习库）。虽然 TensorFlow有着自己的缺点，但是社区似乎同意这一决定，社区的庞大规模和项目背后巨 大的动力意味着学习TensorFlow是一次安全的赌注。因此，TensorFlow是我们今天在 indico选择的深度学习库。
优点：由软件巨头Google支持, 非常大的社区, 低级和高级接口网络训练, 比基于Theano配置更快的模型编译, 完全地多GPU支持
缺点: 虽然Tensorflow正在追赶，但是最初在许多基准上比基于Theano的慢, RNN支持仍不如TheanoKeras https://github.com/fchollet/keras
描述：Python的深度学习库。支持Convnets、递归神经网络等。在Theano或者TensorFlow 上运行。
文档：https://keras.io/
概述：Keras也许是水平最高，对用户最友好的库了。由FrancisChollet (Goog丨eBrain团队中的另一个成员）编写和维护。它允许用户选择其所构建的模型是在Theano上或是在TensorFlow上的符号图上执行。Keras的用户界面受启发于Torch，所以如果你以前有过使用Lua语言的机器学习经验，Keras绝对值得一看。由于部分非常优秀的文档和其相对易用性，Keras的社区非常大并且非常活跃。最近，TensorFlow团队宣布计划与Keras —起支持内置，所以很快Keras将是TensorFlow项目的一个分组。
优点：可供选择的Theano或者TensorFlow后端, 直观、高级别的端口, 更易学习
缺点：不太灵活，比其他选择更规范MXNet https://github.com/dmlc/mxnet
描述：MXNet是一个旨在提高效率和灵活性的深度学习框架.
文档：http://mxnet.io/api/python/index.html#python-api-reference
概述：MXNet是亚马逊（Amazon)选择的深度学习库，并且也许是最优秀的库。它拥有类似于Theano和TensorFlow的数据流图，为多GPU配置提供了良好的配置，有着类似于Lasagne和Blocks更高级别的模型构建块，并且可以在你可以想象的任何硬件上运行(包括手机）。对Python的支持只是其冰山一角 : MXNet同样提供了对R、Julia、C++、Scala、Matlab，和Java的接口。如果你正在寻找最佳的性能，选择MXNet吧，但是你必须愿意处理与之相对的一些MXNet的怪癖。
优点：速度的标杆, 非常灵活
缺点：最小的社区, 比Theano更困难的学习难度PyTorch
链接：https://github.com/pytorch/pytorch
描述：Python中的张量（Tensors)和动态神经网络，有着强大的GPU加速。
文档：http://pytorch.org/docs/
概述：刚刚放出一段时间，PyTorch就已经是我们Python深度学习框架列表中的一个新的成员了。它是从Lua的Torch库到Python的松散端口，由于它由Facebook的人工智能研究团队（ ArtificiaUntelligence Research team (FAIR))支持且因为它用于处理动态计算图（Theano，TensorFlow或者其他衍生品没有的特性，编译者注：现在TensorFlow好像支持动态计算图），它变得非常的有名。PyTorch在Python深度学习生态系统将扮演怎样的角色还不得而知，但所有的迹象都表明，PyTorch是我们列表中其他框架的一个非常棒的选择。
优点：来自Facebook组织的支持, 完全地对动态图的支持, 高级和低级API的混合
缺点：比其他选择, PyTorch 还不太成熟(用他们自己的话说: 我们正处于早期测试版本, 期待一些冒险.), 除了官方文档外, 只有限的参考文献/资源.