在单GPU下，所有这些工具集都调用cuDNN,因此只要外层的计算或者内存分配差异不大其性能表现都差不多。

Caffe:

1）主流工业级深度学习工具，具有出色的卷积神经网络实现。在计算机视觉领域Caffe仍然是最流行的工具包，他有很多扩展，但是由于

一些遗留的架构问题，它对递归网络和语言建模的支持很差。此外，在caffe种图层需要使用C++定义，而网络则使用protobuf定义。

2）caffe支持pycaffe接口，但这仅仅是用来辅助命令行接口的，而即便是是使用pycaffe也必须使用Protobuf.

3）基于C++，因此可以在多种是设备上编译，具有跨平台性，在部署方面是最佳选择。

4）性能简单快速

5）算平均水准，痛点在于需要使用C++定义图层，而模型需要使用protobuf定义。如果想支持CPU和GPU，用户还必须实现额外的函数如，Forward_gpu和Backward_gpu;

对于自定义的层类型，还必须为其分配一个int类型的ID,并将其添加到proto文件中。

 

CNTK:

1）目前已经发展成为一个通用的、平台独立的深度学习系统。

2)没有python或者其他高级语言的接口。

3）与Caffe一样，也是基于C++并且是跨平台的，部署非常简单，但它不支持ARM构架，这限制了其在移动设备上的能力。

4）性能简单快速

 

TensorFlow:

1）是一个理想的RNN（递归网络神经）API和实现，TensorFlow使用向量运算的符号图方法，使得新网络的指定变得相当容易，但TensorFlow

并不支持双向RNN和3D卷积，同时公共版本的图定义也不支持循环和条件控制，这使得RNN的实现并不理想，因为必须要使用Python循环且

无法进行图编译优化。

2）支持python和c++接口。

3）由于它使用了Eigen而不是BLAS类库，所以能够基于ARM架构编译和优化。用户可以将训练好的模型部署到多种设备上面，不需要实现单独的

模型解码器或者加载python/LuaJIT解释器。他的模型可以部署到Windows设备上。

4）架构清晰，采用模块化设计，支持多种前端和执行平台

Theano:

1）支持大部分的先进网络，现在很多研究想法都源于Theano，他引领了符号图在编程网络中使用的趋势，Theano的符号API支持循环控制，让

RNN实现更加容易且高效。

2）支持python接口

3）缺少底层接口，并且其python解释器也很低效，对工业用户而言缺少吸引力。跨平台，模型能够部署到Windows环境上。

4）架构变态，整个代码库都是Python的，就来你C/cuda代码也要被打包为Python字符串，这使得它难以导航、调试、重构和维护。

 

Torch:

1）对卷积网络的支持非常好。TensorFlow和Theano中时域卷积可以通过conv2d来实现，但这样做有点取巧；

2）在luaJIT上运行，与c++\c#以及JAVA比较，速度相当快，性能更好，但是Lua不是主流的语言。

3）需要LuaJIT的支持，集成方面难度大，使得他的吸引力不如Caffe\CNTK\TensorFlow等直接支持C++框架。

 

Caffe、CNTK、TensorFlow和Theano都在所有的系统上运行，而Torch不支持Windows。