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、paddle等等。
那么面对这些框架，究竟使用哪个呢？
- 其实，这几个框架都有各自的优点和缺点，大家了解后可以根据自己的情况进行选择；现在Keras API都融入tensorflow2.0进去了，因此学tensorflow就行，而paddle是百度推出的，且资料很资源最多，百度也开源了许多优秀的模型，值得推荐。（个人推荐tf、torch、paddle）
1、Tensoflow
TensorFlow由Google智能机器研究部门研发；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。2.0版本又把Keras的相关API都嵌入到tf中，使得其功能更加强大。但由于版本变动过大，因此1.0版本的代码在2.0版本好多都报错，造成版本升级迭代困难。
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，甚至略输入Pytorch。
Tensorflow目前主要在工业级领域处于领先地位。
tensorflow学习教程：https://github.com/aymericdamien/TensorFlow-Examples
2、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，许多学术论文都是用pytorch编写的，因此使用范围更广。
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，版本之间差异也不大，没有升级方面的困难。
Pytorch学习教程：在本公众号菜单栏->AI必备框架学习tab
3、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。
- 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。
keras学习教程：在本公众号菜单栏->AI必备框架学习tab
4、Paddle
飞桨（PaddlePaddle）以百度多年的深度学习技术研究和业务应用为基础，集深度学习核心训练和推理框架、基础模型库、端到端开发套件、丰富的工具组件于一体，是中国首个自主研发、功能完备、开源开放的产业级深度学习平台。国内的可以优先选择paddlepaddle，这是因为百度在大力推广该框架，能提供丰富的算力支持和技术支持，且百度开源了众多模型和应用，是人工智能入门的一个好选择，且能在模型上面进行一系列魔改，强烈推荐！
学习教程及模型库连接：https://gitee.com/paddlepaddle
https://www.paddlepaddle.org.cn/
综上所述：
- 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。
- 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。
- 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。
- PaddlePaddle学术和工业上都可以应用，且有丰富的资料代码库可以参考，代码也较好上手。
