雖然 Caffe 在視頻識別領域是一個流行的深度學習網絡，但是 Caffe 卻不能像 TensorFlow、CNTK 和 Theano 那樣支持細粒度網絡層。構建復雜的層類型必須以低級語言完成。由于其遺留架構，Caffe 對循環網絡和語言建模的支持總體上很薄弱。

Caffe2

目前，賈揚清和他在 Facebook 的團隊正在開發新一代框架 Caffe2。今年 4 月 18 日，Facebook 開源了 Caffe2。Caffe 2 與 Caffe 的區別是什么？Caffe2 更注重模塊化，在移動端、大規模部署上表現卓越。如同 TensorFlow，Caffe2 使用 C++ Eigen 庫，支持 ARM 架構。

用一個實用腳本，Caffe 上的模型可輕易地被轉變到 Caffe2 上。Caffe 設計的選擇使得它處理視覺類型的難題時很完美。Caffe2 延續了它對視覺類問題的支持，且增加了對自然語言處理、手寫識別、時序預測有幫助的 RNN 和 LSTM 支持。

期待不久之后能看到 Caffe 2 超越 Caffe，就像它宣稱的那樣在深度學習社區流行。

在本周三英偉達推出 Volta 架構的第一塊加速卡 Tesla V100 后，Caffe 的開發者第一時間展示了 Tesla V100 在 Caffe2 上運行 ResNet-50 的評測。數據顯示在新框架和新硬件的配合下，模型每秒鐘可以處理 4100 張圖片。

CNTK

微軟的 CNTK（Microsoft Cognitive Toolkit）最初是面向語音識別的框架。CNTK 支持 RNN 和 CNN 類型的網絡模型，從而在處理圖像、手寫字體和語音識別問題上，它是很好的選擇。使用 Python 或 C++ 編程接口，CNTK 支持 64 位的 Linux 和 Windows 系統，在 MIT 許可證下發布。

與 TensorFlow 和 Theano 同樣，CNTK 使用向量運算符的符號圖（symbolic graph）網絡，支持如矩陣加/乘或卷積等向量操作。此外，像 TensorFlow 和 Theano 一樣，CNTK 有豐富的細粒度的網絡層構建。構建塊（操作）的細粒度使用戶不需要使用低層次的語言（如 Caffe）就能創建新的復雜的層類型。

CNTK 也像 Caffe 一樣基于 C++ 架構，支持跨平臺的 CPU/GPU 部署。CNTK 在 Azure GPU Lab 上顯示出最高效的分布式計算性能。目前，CNTK 不支持 ARM 架構，這限制了其在移動設備上的功能。

MXNet

MXNet（發音為 mix-net）起源于卡內基梅隆大學和華盛頓大學的實驗室。MXNet 是一個全功能、可編程和可擴展的深度學習框架，支持最先進的深度學習模型。MXNet 支持混合編程模型（命令式和聲明式編程）和多種編程語言的代碼（包括 Python、C++、R、Scala、Julia、Matlab 和 JavaScript）。2017 年 1 月 30 日，MXNet 被列入 Apache Incubator 開源項目。

MXNet 支持深度學習架構，如卷積神經網絡（CNN）、循環神經網絡（RNN）和其包含的長短時間記憶網絡（LTSM）。該框架為圖像、手寫文字和語音的識別和預測以及自然語言處理提供了出色的工具。有些人稱 MXNet 是世界上最好的圖像分類器。

MXNet 具有可擴展的強大技術能力，如 GPU 并行和內存鏡像、快速編程器開發和可移植性。此外，MXNet 與 Apache Hadoop YARN（一種通用分布式應用程序管理框架）集成，使 MXNet 成為 TensorFlow 有力的競爭對手。

MXNet 不僅僅只是深度網絡框架，它的區別在于支持生成對抗網絡（GAN）模型。該模型啟發自實驗經濟學方法的納什均衡。

Torch

Torch 由 Facebook 的 Ronan Collobert 和 Soumith Chintala，Twitter 的 Clement Farabet（現任職于英偉達），以及 Google DeepMind 的 Koray Kavukcuoglu 共同開發。很多科技巨頭（如 Facebook、Twitter 和英偉達）都使用定制版的 Torch 用于人工智能研究，這大大促進了 Torch 的開發。Torch 是 BSD 3 協議下的開源項目。然而，隨著 Facebook 對 Caffe 2 的研究，以及其對移動設備的支持，Caffe 2 正成為主要的深度學習框架。

Torch 的編程語言為 Lua。Lua 不是主流語言，在開發人員沒有熟練掌握 Lua 之前，使用 Torch 很難提高開發的整體生產力。

Torch 缺乏 TensorFlow 的分布式應用程序管理框架，也缺乏 MXNet 和 Deeplearning4J 對 YARN 的支持。缺乏多種編程語言的 API 也限制了開發人員。

PyTorch

PyTorch 由 Adam Paszke、Sam Gross 與 Soumith Chintala 等人牽頭開發，其成員來自 Facebook FAIR 和其他多家實驗室。它是一種 Python 優先的深度學習框架，在今年 1 月被開源，提供了兩種高層面的功能：

使用強大的 GPU 加速的 Tensor 計算（類似 numpy）

構建于基于 tape 的 autograd 系統的深度神經網絡