（一）CaffeCaffe是一個清晰而高效的深度學習框架，也是一個被廣泛使用的開源深度學習框架，在Tensorflow出現(xiàn)之前一直是深度學習領域Github star最多的項目。Caffe的主要優(yōu)勢為：容易上手，網絡結構都是以配置文件形式定義，不需要用代碼設計網絡。訓練速度快，組件模塊化，可以方便拓展到新的模型和學習任務上。但是Caffe最開始設計時的目標只針對于圖像，沒有考慮文本、語音或者時間序列的數(shù)據(jù)，因此Caffe對卷積神經網絡的支持非常好，但是對于時間序列RNN，LSTM等支持的不是特別充分。caffe工程的models文件夾中常用的網絡模型比較多，比如Lenet、AlexNet、ZFNet、VGGNet、GoogleNet、ResNet等。（二） Tensorflow1、概念介紹TensorFlow是一個使用數(shù)據(jù)流圖進行數(shù)值計算的開源軟件庫。圖中的節(jié)點表示數(shù)學運算，而圖邊表示在它們之間傳遞的多維數(shù)據(jù)陣列（又稱張量）。靈活的體系結構允許你使用單個API將計算部署到桌面、服務器或移動設備中的一個或多個CPU或GPU。（三） Keras1、概念介紹Keras由純Python編寫而成并基于Tensorflow、Theano以及CNTK后端，相當于Tensorflow、Theano、 CNTK的上層接口，號稱10行代碼搭建神經網絡，具有操作簡單、上手容易、文檔資料豐富、環(huán)境配置容易等優(yōu)點，簡化了神經網絡構建代碼編寫的難度。目前封裝有全連接網絡、卷積神經網絡、RNN和LSTM等算法。Keras有兩種類型的模型，序貫模型（Sequential）和函數(shù)式模型（Model），函數(shù)式模型應用更為廣泛，序貫模型是函數(shù)式模型的一種特殊情況。1)序貫模型（Sequential):單輸入單輸出，一條路通到底，層與層之間只有相鄰關系，沒有跨層連接。這種模型編譯速度快，操作也比較簡單2)函數(shù)式模型（Model）：多輸入多輸出，層與層之間任意連接。這種模型編譯速度慢。