速度使得Caffe成为研究实验和商业部署的完美选择。Caffe可以使用单个Nvidia K40 GPU每天处理超过6000万张图片。对于推理，速度为1毫秒/图，对于学习过程，速度为4毫秒/图，最新版本的库的速度更快。

　　Caffe是基于C++的，可以在各种设备上编译。它是跨平台的，包括一个Windows的端口。Caffe支持C ++、Matlab和Python的编程接口。Caffe拥有一个庞大的用户社区，为自己的深层网络存储库（称为“Model Zoo”）做出贡献。AlexNet和GoogleNet是社区可用的两种流行的用户网络。

　　Caffe是视觉识别的流行深度学习网络。但是，Caffe不支持像TensorFlow，CNTK和Theano那样的细粒度网络层。构建复合层类型必须以低级语言完成。由于其传统的架构，它对常规网络和语言建模的支持，总体上很差。

　　Caffe 2

　　Facebook的贾扬清和他的团队正在研究Caffe 2。在2017年4月18日，Facebook根据BSD许可协议开源了Caffe 2。Caffe 2与Caffe有何不同？ Caffe 2更侧重于模块化和卓越的移动和大规模部署。像TensorFlow一样，Caffe 2将使用C ++ Eigen库来支持ARM架构。

　　Caffe模型可以轻松地转换为具有实用程序脚本的Caffe 2模型。Caffe设计选择使其成为处理视觉类型问题的理想选择。Caffe 2继续强力支持视觉类型问题，但增加了自然语言处理、手写识别，以及时间序列预测的循环神经网络（RNN）和长短期记忆网络（LSTM）。

　　希望Caffe 2在不久的将来会超越Caffe，因为深度学习社区中大众所热捧。

　　CNTK

　　Microsoft Cognitive Toolkit（CNTK）是一种深度神经网络，最初是为了提高语音识别而开发的。CNTK支持RNN和CNN类型的神经模型，使其成为处理图像、手写和语音识别问题的最佳候选。CNTK支持使用Python或C++编程接口的64位Linux和Windows操作系统，并根据MIT许可发布。

　　CNTK与TensorFlow和Theano的组成相似，其网络被指定为向量运算的符号图，如矩阵的加法/乘法或卷积。此外，像TensorFlow和Theano一样，CNTK允许构建网络层的细粒度。构建块（操作）的细粒度允许用户创造新的复合层类型，而不用低级语言实现（如Caffe）。

　　像Caffe一样，CNTK也是基于C++的、具有跨平台的CPU/GPU支持。 CNTK在Azure GPU Lab提供了最高效的分布式计算性能。目前，CNTK对ARM架构的缺乏支持，限制了其在移动设备上的功能。

　　MXNet

　　MXNet（发音为“mix-net”）起源于卡内基梅隆大学和华盛顿大学。MXNet是一个功能齐全，可编程和可扩展的深入学习框架，支持最先进的深入学习模式。 MXNet提供了混合编程模型（命令式和声明式）和大量编程语言的代码（包括Python、C++、R、Scala、Julia、Matlab和Java）的能力。2017年1月30日，MXNet进入Apache基金会，成为Apache的孵化器项目。

　　MXNet支持深度学习架构，如卷积神经网络（CNN）和循环神经网络（RNN），包括长短期记忆网络（LTSM）。该框架为成像、手写、语音识别，预测和自然语言处理提供了出色的功能。有些人称MXNet是世界上最好的图像分类器。

　　MXNet具有强大的技术，包括扩展能力，如GPU并行性和内存镜像、编程器开发速度和可移植性。此外，MXNet与Apache Hadoop YARN（一种通用的，分布式的应用程序管理框架）集成，使MXNet成为TensorFlow的竞争对手。

　　MXNet的区别就是支持生成对抗网络（GAN）模型的唯一深层网络框架。

　　另一个区别是，亚马逊首席技术官 Werner Vogels选择公开支持MXNet：“今天，我们宣布MXNet将成为我们的深入学习框架。”Vogel接着说：“我们计划在现有和即将推出的新服务中使用它“。苹果公司在2016年收购Graphlab / Dato / Turi之后也传闻使用它。

　　Torch