深度学习是一种基于数据表示的机器学习方法。作为当前最受欢迎的话题，谷歌，Facebook，微软和其他巨头已经对深度学习进行了一系列研究，并一直支持开源深度学习框架的构建。 。在过去的一年中，在这些巨头的祝福下，深度学习框架发生了巨大的变化：新框架诞生了，旧框架逐渐退出了历史舞台，并且框架与框架之间的联系变得越来越紧密距离越近，生态就越适合开放。今年，编辑还关注这些发展和变化。以下每个主题都引起开发人员彼此讨论：Facebook开源PyTorch，成为TensorFlow，Theano的强大敌人，完成了其历史使命，并退出了ONNX。该平台诞生了，试图推动CNTK的开放开发生态，Keras，MXNet迎来了重大更新，微软和亚马逊推出了Gluon深度学习库，英特尔推出了针对移动终端的增强型学习框架Coach，Caffe2和TensorFlow Lite均已开源编辑者统计了上述针对读者的机器学习框架之间的主要发展和变化。 Facebook开源了PyTorch，并动荡地占领了开发人员社区。 2017年初，Facebook基于机器学习和科学计算工具Torch-PyTorch发布了一个新的Python语言机器学习工具包。 PyTorch实际上是NumPy的替代品。它支持GPU，并具有可用于构建和训练深度神经网络的更高级功能。一旦发布，便受到了广泛的关注和讨论。经过近一年的发展，PyTorch已成为从业人员最重要的研发工具之一。当PyTorch于年初发布时，Facebook表示：“有望在一定程度上补充或替换现有的Python数学库（例如NumPy）。”目前，PyTorch的使用越来越广泛，这种预测已成为现实。在许多开发人员看来，PyTorch是TensorFlow的非常好的替代品。以下是PyTorch的主要优点：它位于Python的生态系统中，这是用于机器学习的第一语言，允许开发人员访问各种Python库和软件。因此，Python开发人员可以以熟悉的样式编写代码，而无需外部C语言或C ++库的包装，并可以使用其专用语言。无需从头开始重建整个网络。它提供了一种改进现有神经网络的更快方法。使用动态计算图结构代替大多数开源框架，例如TensorFlow，Caffe，CNTK，Theano等使用的静态计算图。PyTorch中用于数据加载的API设计良好。该接口在数据集，采样器和数据加载器中明确定义。数据加载器接收数据集和采样器，并根据采样器的时间表在数据集上生成迭代器。加载并行数据就像将num_workers语句传递给数据加载器一样简单。使用自定义GPU内存分配器。这允许开发人员的深度学习模型具有“最大存储性能”。并训练比以前更大的深度神经网络。 GitHub地址：https：//github.com/pytorch/pytorch#pTensorFlow引入了动态图机制＃e＃TensorFlow遇到了强大的敌人，引入了动态图机制以及许多其他更新。 TensorFlow是Google于2015年底推出的深度学习框架。在过去的两年中，它在开发人员社区中享有很高的声誉，现已成为最常用的深度学习框架。它功能齐全，社区良好，使用率稳定，领先。随着诸如PyTorch之类的框架的出现，TensorFlow因其令人困惑的文档和界面，繁琐的使用以及其他缺点而受到广泛的批评。在2017年，开发团队继续为TensorFlow引入新功能：TensorFlow 1.0于年初发布，以实现对Keras的全面支持;在年底，引入了Eager ExecuTIon动态图机制，以使开发更轻松，更直观。以下是TensorFlow的优点，每个人都广受赞誉：TensorFlow的Saver对象易于使用，并提供了更多用于检查点的选项。在序列化中，TensorFlow的主要优点是可以将整个图形保存为协议缓冲区。这包括参数和操作。此外，可以用其他受支持的语言（C ++，Java）加载图形。这对于调度执行以下操作的堆栈至关重要