1. Theano是一個python類庫，用數組向量來定義和計算數學表達式。它使得在Python環境下編寫深度學習算法變得簡單。在它基礎之上還搭建了許多類庫。
1.Keras是一個簡潔、高度模塊化的神經網絡庫，它的設計參考了Torch，用Python語言編寫，支持調用GPU和CPU優化後的Theano運算。
2.Pylearn2是一個集成大量深度學習常見模型和訓練算法的庫，如隨機梯度下降等。它的功能庫都是基於Theano之上。
3.Lasagne是一個搭建和訓練神經網絡的輕量級封裝庫，基於Theano。它遵循簡潔化、透明化、模塊化、實用化和專一化的原則。
4.Blocks也是一個基於Theano的幫助搭建神經網絡的框架。
2. Caffe是深度學習的框架，它注重於代碼的表達形式、運算速度以及模塊化程度。它是由伯克利視覺和學習中心（Berkeley Vision and Learning Center, BVLC）以及社區成員共同開發。谷歌的DeepDream項目就是基於Caffe框架完成。這個框架是使用BSD許可證的C++庫，並提供了Python調用接口。
3. nolearn囊括了大量的現有神經網絡函數庫的封裝和抽象接口、大名鼎鼎的Lasagne以及一些機器學習的常用模塊。
4. Genism也是一個用Python編寫的深度學習小工具，採用高效的算法來處理大規模文本數據。
5. Chainer在深度學習的理論算法和實際應用之間架起一座橋梁。它的特點是強大、靈活、直觀，被認為是深度學習的靈活框架。
6. deepnet是基於GPU的深度學習算法函數庫，使用Python語言開發，實現了前饋神經網絡（FNN）、受限玻爾茲曼機（RBM）、深度信念網絡（DBN）、自編碼器（AE）、深度玻爾茲曼機（DBM）和卷積神經網絡（CNN）等算法。
7. Hebel也是深度學習和神經網絡的一個Python庫，它通過pyCUDA控制支持CUDA的GPU加速。它實現了最重要的幾類神經網絡模型，提供了多種激活函數和模型訓練方法，例如momentum、Nesterov momentum、dropout、和early stopping等方法。
8. CXXNET是一個基於MShadow開發的快速、簡潔的分布式深度學習框架。它是一個輕量級、易擴展的C++/CUDA神經網絡工具箱，提供友好的Python/Matlab接口來進行訓練和預測。
9. DeepPy是基於NumPy的深度學習框架。
10. DeepLearning是一個用C++和Python共同開發的深度學習函數庫。
11. Neon是Nervana System 的深度學習框架，使用Python開發。
相關連結：從Theano到Lasagne：基於Python的深度學習的框架和庫
1. ConvNet 卷積神經網絡是一類深度學習分類算法，它可以從原始數據中自主學習有用的特徵，通過調節權重值來實現。
2. DeepLearnToolBox是用於深度學習的Matlab/Octave工具箱，它包含深度信念網絡（DBN）、棧式自編碼器（stacked AE）、卷積神經網絡（CNN）等算法。
3. cuda-convet是一套卷積神經網絡（CNN）代碼，也適用於前饋神經網絡，使用C++/CUDA進行運算。它能對任意深度的多層神經網絡建模。只要是有向無環圖的網絡結構都可以。訓練過程採用反向傳播算法（BP算法）。
4. MatConvNet是一個面向計算機視覺應用的卷積神經網絡（CNN）Matlab工具箱。它簡單高效，能夠運行和學習最先進的機器學習算法。
1. eblearn是開源的機器學習C++封裝庫，由Yann LeCun主導的紐約大學機器學習實驗室開發。它用基於能量的模型實現卷積神經網絡，並提供可視化交互界面（GUI）、示例以及示範教程。
2. SINGA是Apache軟體基金會支持的一個項目，它的設計目標是在現有系統上提供通用的分布式模型訓練算法。
3. NVIDIA DIGITS是用於開發、訓練和可視化深度神經網絡的一套新系統。它把深度學習的強大功能用瀏覽器界面呈現出來，使得數據科學家和研究員可以實時地可視化神經網絡行為，快速地設計出最適合數據的深度神經網絡。
4. Intel® Deep Learning Framework提供了Intel®平臺加速深度卷積神經網絡的一個統一平臺。
1. N-Dimensional Arrays for Java (ND4J) 是JVM平臺的科學計算函數庫。它主要用於產品中，也就是說函數的設計需求是運算速度快、存儲空間最省。
2. Deeplearning4j 是第一款商業級別的開源分布式深度學習類庫，用Java和Scala編寫。它的設計目的是為了在商業環境下使用，而不是作為一款研究工具。
3. Encog是一個機器學習的高級框架，涵蓋支持向量機、人工神經網絡、遺傳編程、貝葉斯網絡、隱馬可夫模型等，也支持遺傳算法。
1. Convnet.js 由JavaScript編寫，是一個完全在瀏覽器內完成訓練深度學習模型（主要是神經網絡）的封裝庫。不需要其它軟體，不需要編譯器，不需要安裝包，不需要GPU，甚至不費吹灰之力。
1. Torch是一款廣泛適用於各種機器學習算法的科學計算框架。它使用容易，用快速的腳本語言LuaJit開發，底層是C/CUDA實現。Torch基於Lua程式語言。
1. Mocha是Julia的深度學習框架，受C++框架Caffe的啟發。Mocha中通用隨機梯度求解程序和通用模塊的高效實現，可以用來訓練深度/淺層（卷積）神經網絡，可以通過（棧式）自編碼器配合非監督式預訓練（可選）完成。它的優勢特性包括模塊化結構、提供上層接口，可能還有速度、兼容性等更多特性。
1. Lush(Lisp Universal Shell)是一種面向對象的程式語言，面向對大規模數值和圖形應用感興趣的廣大研究員、實驗員和工程師們。它擁有機器學習的函數庫，其中包含豐富的深度學習庫。
1. DNNGraph是Haskell用於深度神經網絡模型生成的領域特定語言（DSL）。
1. Accord.NET 是完全用C#編寫的.NET機器學習框架，包括音頻和圖像處理的類庫。它是產品級的完整框架，用於計算機視覺、計算機音頻、信號處理和統計應用領域。
1. darch包可以用來生成多層神經網絡（深度結構）。訓練的方法包括了對比散度的預訓練和眾所周知的訓練算法（如反向傳播法或共軛梯度法）的細調。
2. deepnet實現了許多深度學習框架和神經網絡算法，包括反向傳播(BP)、受限玻爾茲曼機(RBM)、深度信念網絡(DBP)、深度自編碼器(Deep autoencoder)等等。
原文連結：Deep Learning Libraries by Language（譯者/趙屹華 審核/劉帝偉、朱正貴、李子健 責編/周建丁）
譯者簡介：趙屹華，計算廣告工程師@搜狗，前生物醫學工程師，關注推薦算法、機器學習領域。
本文為CSDN編譯整理，未經允許不得轉載，如需轉載請聯繫market#csdn.net(#換成@)