框架发展历程

Google - TensorFlow

1. 优点
   （1）最流行的深度学习框架，社区强大
   （2）功能强大
   （3）在生产模型和可扩展性方面比较好，适合生产环境
   （4）使用 TensorBoard 可视化训练
   （5）通过 TensorFlow serving 容易实现生产部署

2. 缺点
   （1）过于复杂的系统设计
   （2）频繁变动的接口，向后兼容性不好
   （3）接口设计过于晦涩难懂，有图、会话、命名空间等诸多抽象概念难以理解
   （4）文档混乱脱节
   （5）学习成本，开发成本高
   （6）静态图

Google - Keras

1. 缺点
   （1）过度封装导致丧失灵活性，运行缓慢
   （2）基于第三方框架，更像深度学习接口而不是深度学习框架
   （3）主要是在调用接口，获取底层的数据信息时过于困难，很难学习到深度学习的内容
2. 优点
   （1）高层神经网络API，最易上手
   （2）为支持快速实验而生，能够把想法迅速转换为结果
   （3）提供了一致而简洁的API， 极大地减少用户的工作量，避免用户重复造轮子

BVLC - Caffe/Caffe2

1. 缺点
   （1）文档不够完善
   （2）因为设计，缺少灵活性，不同于Keras太多的封装
   （3）扩展难、依赖众多环境难以配置、应用局限
   （4）不适合非图像任务

2. 优点
   （1）清晰、高效的深度学习框架，核心语言是C++
   （2）易用性、简洁明了的源码、快速的原型设计
   （3）性能优异，几乎全平台支持（Caffe2），适合生产环境

Facebook - PyTorch

1. 缺点
   （1）可视化需要第三方
   （2）生产部署需要 API 服务器

2. 优点
   （1）简洁优雅且高效快速，易用
   （2）活跃的社区，完整的文档，循序渐进的指南
   （3）动态图

DMLC - MXNet

1. 缺点
   （1）文档略混乱

2. 优点
   （1）超强的分布式支持，明显的内存、显存优化
   （2）语言支持最多，适合AWS云平台使用
   （3）分布式环境下，明显优于其他框架的扩展性能