各种编程语言的深度学习库整理大全

大统计数据阿宝非常大的统计数据建模预测互联网平台

中国非常大较盛行的大统计数据建模预测发掘互联网平台，已服务项目一万五千家民营企业顾客，其中主要包括中终端、中天然气、中央政府等大顾客。“大统计数据阿宝”致力协助民营企业处置海量商业价值，让天下人都能统计数据预测。

Python

1.Keras是两个简约、度模组化的数学数学模型库，它的结构设计参照了Torch，用Python词汇撰写，全力支持初始化GPU和CPU强化后的Theano演算。

2.Pylearn2是两个软件系统大批广度自学常用数学模型和体能训练演算法的库，如乱数势能上升等。它的机能库都是如前所述Theano其内。

3.Lasagne是两个构筑和体能训练数学数学模型的轻量PCB库，如前所述Theano。它遵从简约化、制度化、模组化、小型化和良善化的准则。

4.Blocks也是两个如前所述Theano的协助构筑数学数学模型的架构。

5. Chainer在广度自学的方式论演算法和前述应用领域间搭起一处公路桥。它的特征是强悍、灵巧、简单，被认为是广度自学的灵巧架构。

6. deepnet是如前所述GPU的广度自学演算法C#，采用Python词汇合作开发，同时实现了THF1数学数学模型（FNN）、受到限制麦克斯韦机（RBM）、广度意志互联网（DBN）、自编解码器（AE）、广度麦克斯韦机（DBM）和传递表达式数学数学模型（CNN）等演算法。

7. Hebel也是广度自学和数学数学模型的两个Python库，它透过pyCUDA掌控全力支持CUDA的GPU快速。它同时实现了最重要的四类数学数学模型数学模型，提供更多了多种不同转化成表达式和数学模型训练方式，比如momentum、Nesterov momentum、dropout、和early stopping等方式。

8. CXXNET是两个如前所述MShadow合作开发的快速、简约的分布式广度自学架构。它是两个轻量、易扩展的C++/CUDA数学数学模型工具箱，提供更多友好的Python/Matlab接口来进行体能训练和预测。

9. DeepPy是如前所述NumPy的广度自学架构。

10. DeepLearning是两个用C++和Python共同合作开发的广度自学C#。

11. Neon是Nervana System 的广度自学架构，采用Python合作开发。

Matlab

1. ConvNet传递表达式数学数学模型是一类广度自学分类演算法，它可以从原始统计数据中自主自学有用的特征，透过调节权重值来同时实现。

2. DeepLearnToolBox是用于广度自学的Matlab/Octave工具箱，它包含广度意志互联网（DBN）、栈式自编解码器（stacked AE）、传递表达式数学数学模型（CNN）等演算法。

3. cuda-convet是一套传递表达式数学数学模型（CNN）代码，也适用于THF1数学数学模型，采用C++/CUDA进行演算。它能对任意广度的多层数学数学模型建模。只要是有向无环图的互联网结构都可以。体能训练过程采用反向传播演算法（BP演算法）。

4. MatConvNet是两个面向计算机视觉应用领域的传递表达式数学数学模型（CNN）Matlab工具箱。它简单高效，能够运行和自学最先进的机器自学演算法。

CPP

1. eblearn是开源的机器自学C++PCB库，由Yann LeCun主导的纽约大学机器自学实验室合作开发。它用如前所述能量的数学模型同时实现传递表达式数学数学模型，并提供更多建模交互界面（GUI）、示例以及示范教程。

2.SINGA是Apache软件基金会全力支持的两个项目，它的结构设计目标是在现有系统上提供更多通用的分布式数学模型体能训练演算法。

3. NVIDIA DIGITS是用于合作开发、体能训练和建模广度数学数学模型的一套新系统。它把广度自学的强悍机能用浏览器界面呈现出来，使得统计数据科学家和研究员可以实时地建模数学数学模型行为，快速地结构设计出最适合统计数据的广度数学数学模型。

4. Intel® Deep Learning Framework提供更多了Intel®平台快速广度传递表达式数学数学模型的两个统一互联网平台。

Java

1. N-Dimensional Arrays for Java (ND4J)是JVM互联网平台的科学计算C#。它主要用于产品中，也就是说表达式的结构设计需求是演算速度快、存储空间最省。

2. Deeplearning4j 是第一款商业级别的开源分布式广度自学类库，用Java和Scala撰写。它的结构设计目的是为了在商业环境下采用，而不是作为一款研究工具。

3. Encog是一个机器自学的高级架构，涵盖全力支持向量机、人工数学数学模型、遗传编程、贝叶斯互联网、隐马可夫数学模型等，也全力支持遗传演算法。

JavaScript

1. Convnet.js由JavaScript撰写，是两个完全在浏览器内完成体能训练广度自学数学模型（主要是数学数学模型）的PCB库。不需要其它软件，不需要编译器，不需要安装包，不需要GPU，甚至不费吹灰之力。

Lua

1. Torch是一款广泛适用于各式各样机器自学演算法的科学计算架构。它采用容易，用快速的脚本词汇LuaJit合作开发，底层是C/CUDA同时实现。Torch如前所述Lua编程词汇。

Julia

1. Mocha是Julia的广度自学架构，受C++架构Caffe的启发。Mocha中通用乱数势能求解程序和通用模块的高效同时实现，可以用来体能训练广度/浅层（传递表达式）数学数学模型，可以透过（栈式）自编解码器配合非监督式预体能训练（可选）完成。它的优势特性主要包括模组化结构、提供更多上层接口，可能还有速度、兼容性等更多特性。