为什么用TensorFlow
常用深度学习框架•深度学习框架
•TensorFlow
•PyTorch
•Keras
•MXNet
•Torch
•Caffe
•Theano
•Deeplearning4j
•BigDL
主要接口语言
•Python
•TensorFlow、PyTorch、Keras、MXNet、Theano、BigDL •C++
•Caffe
•Java/Scala
•Deeplearning4j
•BigDL
•MXNet
•Lua
•Torch
框架现状
•目前主流框架：
•TensorFlow
•PyTorch
•Keras
•MXNet
•Caffe: Caffe的使用主要是编写配置文件，如果需要自定义操作需要用C++写扩展层。

对于科研来说，框架的灵活性较弱。

但对于开发来说，在桌面程序中嵌入Caffe较为方便。

•历史主流框架：
•Torch: 由于Lua科学计算生态圈较弱，现用Torch人较少，而用PyTorch的人较多。

•Theano: 已停止维护
•冷门框架：
•Deeplearning4j
•BigDL
为什么用TensorFlow
•主流框架：
•需要大量使用现有的库，例如对于视觉任务，经常需要使用预训练的几百层的神经网络，自己实现的开发和计算成本太高。

因此需要使用具有较多轮子的主流框架。

•过滤结果：TensorFlow、PyTorch、Keras、MXNet、Caffe
•Python接口:
•科研场景需要强大的科学计算生态圈支撑，如灵活的矩阵运算库、易用的数据可视化工具，因此具有Python接口的深度学习框架具有相对的优势。

Java、Lua等语言在这方面相对薄弱。

•过滤结果：TensorFlow、PyTorch、Keras、MXNet
•可扩展性：
•主要依据框架的抽象程度。

Keras其实是在TensorFlow等框架上做的一个封装，提供了易用的接口，但由于接口较为高层，因此深度定制较难。

•过滤结果：TensorFlow、PyTorch、MXNet
•健全的文档：
•MXNet在文档上较为欠缺
•过滤结果：TensorFlow、PyTorch
•官方支持：
•TensorFlow官方提供了很多高层框架，如TensorFlow Slim(包含多种常用网络）、Tensorflow Serving、TensorFlow Lite。

相对而言，PyTorch官方提供的资源相对较弱。

•过滤结果：TensorFlow
总结
•TensorFlow是Google开发的用Python API编写，通过C/C++引擎加速的深度学习框架。

具有很多优点：
•✓具备不局限于深度学习的多种用途，还有支持强化学习和其他算法的工具；
•✓跨平台运行能力强；
•✓支持自动求导；
•✓同时支持动态图和静态图；
•✓支持多GPU并行和多机并行（分布式）；
•✓官方支持好；
•✓社区提供的组件多；
•✓第三方资料多；。