GitHub上最受欢迎的57个深度学习开源项目TensorFlow作为谷歌的第二代机器学习系统，TensorFlow在过去的一年里成为了github上当之无愧的最受欢迎项目。

按照谷歌所说，在某些基准测试中，TensorFlow 的表现比第一代的DistBelief 快了2倍。

TensorFlow 内建深度学习的扩展支持，任何能够用计算流图形来表达的计算，都可以使用TensorFlow。

任何基于梯度的机器学习算法都能够受益于TensorFlow 的自动分化（auto-differentiation）。

通过灵活的Python 接口，要在TensorFlow 中表达想法也会很容易。

CaffeCaffe是一个高效的开源深度学习框架。

由表达式，速度和模块化组成。

Caffe给出了模型的定义、最优化设置以及预训练的权重，方便立即上手。

Caffe能够运行很棒的模型和海量的数据，可以使用Caffe提供的各层类型来定义自己的模型。

Neural styleTorch实现的神经网络算法。

Neural style 是让机器模仿已有画作的绘画风格来把一张图片重新绘制的算法。

deepdream Deep Dream是一款图像识别工具。

一个原本用来将图片分类的AI，让我们看到不一样的世界~在把一张图片喂入之后，选择某一层神经网路（Google 的神经网路有10-30 层）进行重复处理的次数和变形的程度，就能获得一张非常后现代的「画作」。

Keras一款Python实现的深度学习库，包括卷积神经网络、递归神经网络等。

运行在Theano和TensorFlow之上。

Keras是一个极简的、高度模块化的神经网络库，采用Python（Python 2.7-3.5.）开发，能够运行在TensorFlow和Theano任一平台，好项目旨在完成深度学习的快速开发。

RocAlphaGo学生主导的一个独立项目，从新实现了DeepMind在2016 Nature发表的内容，《用深度神经网络和树搜索学习围棋》(Nature 529, 484-489, 28 Jan 2016)。

TensorFlow Models基于TensorFlow开发的模型。

这个库包含了各种机器学习模型在TensorFlow实践。

Neural Doodle运用深度神经网络将涂鸦变为优雅的艺术品，从照片生成无缝纹理，转变图片风格，进行基于实例的提升，等等…还有更多！（语义风格传递的实现）CNTK深度学习工具包。

来自微软公司的CNTK工具包的效率，“比我们所见过的都要疯狂”。

这部分归功于CNTK可借助图形处理单元（GPU）的能力，微软自称是唯一公开“可扩展GPU”功能的公司。

（从单机上的1个、延伸至超算上的多个）在与该公司的网络化GPU系统（称之为Azure GPU Lab）匹配之后，它将能够训练深度神经网络来识别语音，让Cortana 虚拟助理的速度达到以前的十倍。

TensorFlow Examples适合初学者的TensorFlow 教程和代码示例，作者已经做了相关笔记和代码解释。

ConvNet JSConvNetJS 是用JavaScript 实现的神经网络，同时还有基于浏览器的demo。

TorchTorch7 是一个科学计算框架，支持机器学习算法。

易用而且提供高效的算法实现，得益于LuaJIT 和一个底层的C 实现。

OpenFace基于深度学习网络的面部识别。

Openface是一个基于深度神经网络的开源人脸识别系统。

该系统基于谷歌的paper 《FaceNet: A Unified Embedding for Face Recognition and Clustering》。

Openface是卡内基梅隆大学的Brandon Amos 主导的。

MXNet轻巧、便携、灵活的分布式/移动深度学习框架，支持Python, R, Julia, Scala, Go, Javascript等等语言。

MXNet是一款设计为效率和灵活性的深度学习框架。

它允许你混合符号编程和命令式编程，从而最大限度提高效率和生产力。

在其核心是一个动态的依赖调度，它能够自动并行符号和命令的操作。

一个图形优化层，使得符号执行速度快，内存使用高效。

这个库便携，轻量，而且能够扩展到多个GPU和多台机器。

Theano Theano 是一个Python 库，用来定义、优化和模拟数学表达式计算，用于高效的解决多维数组的计算问题。

Leaf是一个开放的机器学习框架，为黑客建立经典，深或混合机器学习应用。

它的灵感来自于TensorFlow Torch, Caffe, Rust 和众多的研究论文，并提出模块化、性能和便携性的深度学习。

Char RNN多层递归神经网络的字符级别语言模型，基于Torch开发。

它实现了多层递归神经网络（RNN，LSTM、和GRU）字符级语言模型的训练/采样。

如果你是Torch/Lua/Neural Nets 新手，那么这对于你去理解它们有很大的帮助。

Neural TalkNeuralTalk是一个Python+numpy项目，用多模式递归神经网络描述图像。

deeplearning4j基于Hadoop 和Spark的Java, Scala & Clojure深度学习工具。

Deeplearning4j（简称DL4J）是为Java和Scala编写的首个商业级开源分布式深度学习库。

DL4J与Hadoop和Spark 集成，为商业环境（而非研究工具目的）所设计。

Skymind 是DL4J的商业支持机构。

Deeplearning4j 技术先进，以即插即用为目标，通过更多预设的使用，避免太多配置，让非研究人员也能够进行快速的原型制作。

DL4J同时可以规模化定制。

DL4J遵循Apache 2.0许可协议，一切以其为基础的衍生作品均属于衍生作品的作者。

TFLearn深度学习库，包括高层次的TensorFlow接口。

它是被设计来在加速试验提供了一个更高级别的API，并且和其他的部分完全兼容。

TensorFlow Playground神经网络模型示例。

TensorFlow Playground是一个神经网络的交互式可视化，这是使用d3.js写的。

OpenAI Gym一种用于开发和比较强化学习算法的工具包。

MagentaMagenta: 音乐和艺术的生成与机器智能。

Google Brain团队的一组研究人员发布了一个项目Project Magenta，其主要目标是利用机器学习创作艺术和谱写曲子。

Project Magenta使用了TensorFlow系统，研究人员在GitHub上开源了他们的模型和工具。

研究人员称，机器生成的音乐已经存在了许多年，但它们在都缺乏长的叙事艺术。

Project Magenta就试图将故事作为机器生成音乐的重要部分。

Google公布了一个DEMO（MP3）表现Magenta项目的成果。

Colornet用神经网络模型给灰度图上色。

Synaptic基于node.js和浏览器的免架构神经网络库。

Neural Talk 2Torch开发的图像简介生成代码，运行在GPU上。

Image Analogies使用神经匹配和融合生成相似图形。

TensorFlow Tutorials，从基础原理到应用。

Lasagne基于Theano训练和构建神经网络的轻型函数库。

PyLearn2基于Theano的机器学习库。

LISA-lab Deep Learning Tutorials深度学习教程笔记和代码。

详情参见wiki页面。

NeonNervana?开发的一款快速、可扩展、易上手的Python深度学习框架。

neon 是Nervana System 的深度学习软件。

根据Facebook一位研究者的基准测试，Nervana的软件比业界知名的深度学习工具性能都要高，包括Facebook自己的Torch7和Nvidia的cuDNN。

Matlab Deep Learning ToolboxMatlab/Octave的深度学习工具箱。

包括深度信念网络、自动编码机、卷积神经网络、卷积自动编码机和vanilla神经网络等。

每种方法都有入门示例。

Deep Learning Flappy Bird使用深度强化学习破解Flappy Bird游戏（深度Q-学习）。

dl-setup在深度学习机上设置软件说明。

Chainer一款灵活的深度学习神经网络框架。

Chainer是深度学习的框架，Chainer在深度学习的理论算法和实际应用之间架起一座桥梁。

它的特点是强大、灵活、直观，被认为是深度学习的灵活框架。

Neural Story Teller看图讲故事的递归神经网络模型。

DIGITS深度学习GPU训练系统。

Deep Jazz基于Keras和Theano生成jazz的深度学习模型！Tiny DNN 仅引用头文件，无依赖且使用C ++ 11 的深度学习框架。

Brainstorm快速、灵活、有趣的神经网络。

dl-docker一个用于深度学习的一体化Docker 镜像。

包含所有流行的DL 框架（TensorFlow，Theano，Torch，Caffe等）。

DarknetC语言版本的开源神经网络。

Theano Tutorials基于Theano 的机器学习入门教程，从线性回归到卷积神经网络。

RNN Music Composition一款生成古典音乐的递归神经网络工具。

Blocks用于构建和训练神经网络模型的Theano框架TDBTensorFlow的交互式、节点调试和可视化的工具。

TensorDebugger (TDB) 是深度学习调试器，使用断点和计算机图形化实时数据流可视化扩展TensorFlow（谷歌的深度学习框架）。

特别的是，TDB 是一个Python 库和一个Jupyter Notebook 扩展的结合，构建Google 的TensorFlow 框架。

Scikit Neural Net深度神经网络入门工具，类似scikit-learn 的分类器和回归模型。

Veles分布式机器学习平台（Python, CUDA, OpenCL）。

VELES 是分布式深度学习应用系统，用户只需要提供参数，剩下的都可以交给VELES。

VELES 使用Python 编写，使用OpenCL 或者CUDA，利用基于Flow 的编程。

它是三星开发的另一个TensorFlow。

Deep Detect基于C++11的深度学习接口和服务器，与Python绑定并支持Caffe。

TensorFlow DeepQ基于Google Tensorflow的深度Q学习演示。

Caffe on Spark基于Spark的Caffe。

雅虎认为，深度学习应该与现有的支持特征工程和传统（非深度）机器学习的数据处理管道在同一个集群中，创建CaffeOnSpark意在使得深度学习训练和测试能被嵌入到Spark应用程序中。