八大機器學習框架的對比：

(1) TensorFlow：深度學習最流行的庫之一，是谷歌在深刻總結了其 前身 DistBelief 的經驗教訓上形成的；它不僅便攜、高效、可擴 展，還能再不同計算機上運行:小到智能手機，大到計算機集群都 能；它是一款輕量級的軟件，可以立刻生成你的訓練模型，也能 重新實現它；TensorFlow 擁抱創新，有強大的社區、企業支持， 因此它廣泛用於從個人到企業、從初創公司到大公司等不同群體。

(2) Caffe: 卷積神經網絡框架，專註於卷積神經網絡和圖像處理，是用 C ++語言寫成的。

(3) Chainer: 一個強大、靈活、直觀的機器學習 Python軟件庫，能 夠在一臺機器上利用多個 GPU，是由深度學習創業公司 Preferred Networks 開發；Chainer 的設計基於 define by run 原 則，也就是說，該網絡在運行中動態定義，而不是在啟動時定 義。

(4) CNTK: 微軟研究人員開發的用於深度神經網絡和多GPU 加速技 術的完整開源工具包。微軟稱 CNTK在語音和圖像識別方面，比 谷歌的 TensorFlow 等其它深度學習開源工具包更有優勢。

(5) Deeplearning4j: 專註於神經網絡的 Java 庫，可擴展並集成 Spark，Hadoop 和其他基於 Java 的分布式集成軟件。

(6) Nervana Neo: 是一個高效的 Python 機器學習庫，它能夠在單個 機器上使用多個 GPU。

(7) Theano: 是一個用 Python 編寫的極其靈活的 Python 機器學習 庫，用它定義復雜的模型相當容易，因此它在研究中極其流行。

(8) Torch: 是一個專註於 GPU 實現的機器學習庫，得到了幾個大公 司的研究團隊的支持。

TensorFlow 的優勢：

（1）可用性

TensorFlow 工作流程相對容易，API 穩定，兼容性好，並且 TensorFlow 與 Numpy 完美結合，這使大多數精通 Python 數據科學家很容易上手。與其他一些庫不同，TensorFlow 不需要任 何編譯時間， 這允許你可以更快地叠代想法。在TensorFlow 之上 已經建立了多個高級 API，例如Keras 和 SkFlow，這給用戶使用TensorFlow 帶來了極大的好處

（2）靈活性

TensorFlow 能夠在各種類型的機器上運行，從超級計算機到嵌入式系統。它的分布式架構使大量數據集的模型訓練不需要太多的時 間。TensorFlow 可以同時在多個 CPU，GPU 或者兩者混合運行。

（3）效率

自 TensorFlow 第一次發布以來，開發團隊花費了大量的時間和努力 來改進TensorFlow 的大部分的實現代碼。 隨著越來越多的開發人 員努力，TensorFlow 的效率不斷提高。

（4）支持

TensorFlow 由谷歌提供支持，谷歌投入了大量精力開發 TensorFlow，它希望 TensorFlow 成為機器學習研究人員和開發人員的通用語言。此外，谷歌在自己的日常工作中也使用 TensorFlow，並且持續對其提供支持，在 TensorFlow 周圍形成了 一個強大的社區。谷歌已經在 TensorFlow 上發布了多個預先訓練好的機器學習模型，他們可以自由使用。

八大機器學習框架對比及Tensorflow的優勢