近几年，随着深度学习指数级发展，深度学习的框架使用在人工智能领域也起着举足轻重的作用，这其中包括Tensoflow、Pytorch、Keras、Caffe等等

​ 那么面对这些框架，究竟使用哪个呢？

​ 答：其实，这几个框架都有各自的优点，大家了解后可以根据自己的情况进行选择；下面我们就来看看吧！！（本文纯属是唠唠嗑的，想直接知道自己适合使用哪种框架的，可以直接滑倒文末看结论 ）

Tensoflow

​ TensorFlow由Google智能机器研究部门Google Brain团队研发的；TensorFlow编程接口支持Python和C++。随着1.0版本的公布，相继支持了Java、Go、R和Haskell API的alpha版本。

​ 在2017年，Tensorflow独占鳌头，处于深度学习框架的领先地位；但截至目前已经和Pytorch不争上下。

​ Tensorflow目前主要在工业级领域处于领先地位。

Pytorch

​ Pytorch目前是由Facebook人工智能学院提供支持服务的。

​ Pytorch目前主要在学术研究方向领域处于领先地位。

​ 其优点在于：PyTorch可以使用强大的GPU加速的Tensor计算（比如：Numpy的使用）以及可以构建带有autograd的深度神经网络。

​ 同时，PyTorch 的代码很简洁、易于使用、支持计算过程中的动态图而且内存使用很高效。

​ PyTorch vs TensorFlow总结

  1. TensorFlow 和 PyTorch 实现显示出相同的准确性。但是，TensorFlow 的训练时间要长得多，但内存使用量要低一些。
  2. PyTorch 允许比 TensorFlow 更快的原型设计，但如果神经网络中需要自定义功能，TensorFlow 可能是更好的选择。
  3. TensorFlow 将神经网络视为静态对象；如果你想改变你的模型的行为，你必须从头开始。使用 PyTorch，可以在运行时动态调整神经网络，从而更容易优化模型。
  4. 开发人员的调试。使用 TensorFlow 进行有效调试需要一个特殊的调试器工具，该工具使您能够检查网络节点在每个步骤中是如何进行计算的。可以使用许多广泛可用的 Python 调试工具之一来调试 PyTorch。
  5. PyTorch 和 TensorFlow 都提供了加速模型开发和减少样板代码量的方法。然而，PyTorch 和 TensorFlow 的核心区别在于 PyTorch 更加“pythonic”并且基于面向对象的方法。同时，TensorFlow 提供了更多可供选择的选项，因此总体上具有更高的灵活性。

Keras

​ Keras是基于Tensorflow用纯python编写的深度学习框架，也就是说它是在Tensorflow的基础上再次集成的；所以，他的代码会更加简洁方便，适于初学者；但因为它是在Tensorflow的框架上再次封装的，那么运行速度肯定就没有Tensorflow快了。

​ 其主要优点在于：

​ 用户友好。Keras可以说是专为人类的API；Keras遵循减少认知困难的最佳实践：Keras提供一致而简洁的API， 能够极大减少一般应用下用户的工作量。所以，当Pytorc和Tensoflow的框架代码看不懂的时候，试试Keras也是未尝不可的。

​ 易扩展性。添加新的网络层等是非常容易的，只需要仿照现有的模块编写新的类或函数，然后使用model.add()即可。创建新模块的便利性使得Keras更适合于先进的研究工作。

综上

  1. Tensorflow更倾向于工业应用领域，适合深度学习和人工智能领域的开发者进行使用，具有强大的移植性。
  2. Pytorch更倾向于科研领域，语法相对简便，利用动态图计算，开发周期通常会比Tensorflow短一些。
  3. Keras因为是在Tensorflow的基础上再次封装的，所以运行速度肯定是没有Tensorflow快的；但其代码更容易理解，容易上手，用户友好性较强。

​ 目前Keras框架已经被集成到Tensorflow里了，在TensorFlow 2.0及其之后的版本中，Keras已经成为TensorFlow的默认高级API，使得用户可以更加方便地使用Keras构建、训练和评估深度学习模型。