深度学习是 AI 和机器学习的一个分支，其使用多层人工神经网络精准完成物体检测、语音识别、语言翻译等任务。深度学习与传统机器学习技术的区别在于，前者可以自动从图像、视频或文本等数据中学习表征，无需引入手写代码规则或人类的领域知识。其高度灵活的架构可以直接从原始数据中学习，获得更多数据后，其预测准确度也将随之提升。AI 领域近期的许多突破创新都应归功于深度学习，例如 Google DeepMind 的 AlphaGo、自动驾驶汽车、智能语音助手等。（NVIDIA）

《主流的三大深度学习框架》一文简要介绍了TensorFlow、PyTorch 和 MXNet，不过，由于 TensorFlow 和Pytorch 占据了深度学习的半壁江山，本文再再综述一下。

Google TensorFlow

TensorFlow 是一个开源软件库，用于各种感知和语言理解任务的机器学习，目前 TensorFlow 被众多团队用于研究和生产许多Google商业产品，如语音识别、Gmail、Google 相册和搜索。

从2010年开始，谷歌的深度学习与人工智能科研项目团队谷歌大脑（Google Brain）创建 DistBelief 作为他们的第一代专有的机器学习系统。TensorFlow 是谷歌大脑的第二代机器学习系统。

可以在 Ubuntu、Windows、macOS 和 Raspberry Pi 系统安装 TensorFlow 官方软件包，对于 Ubuntu 和 Windows，需要安装支持 CUDA® 的显卡，才能实现 GPU 支持。或者在浏览器中使用 Colaboratory 而无需安装，Google Colab 是一个 Jupyter 笔记本环境，且完全在云端运行。

Facebook PyTorch

PyTorch 是一个开源的Python机器学习库，基于Torch，底层由C++实现，应用于人工智能领域，如自然语言处理。它最初由Facebook的人工智能研究团队开发，并且被用于Uber的概率编程软件Pyro。

PyTorch主要有两大特征：类似于NumPy的张量计算，可使用GPU加速；基于带自动微分系统的深度神经网络。PyTorch包括torch.nn、torch.optim等子模块。

在安装方面，官方推荐 Anaconda 软件包管理器，会安装所有依赖项。

以 PyTorch 为主

Papers with Code 是创建包含机器学习论文、代码、数据集等的免费开放资源。趋势图绘制了使用 PyTorch、TensorFlow 或其他框架的汇总数据，使用 PyTorch 的论文稳步增长。

深度学习与显卡

CUDA（Compute Unified Device Architecture）是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。

计算行业正在从只使用CPU的“中央处理”向CPU与GPU并用的“协同处理”发展。为打造这一全新的计算典范，NVIDIA™（英伟达™）发明了CUDA（Compute Unified Device Architecture，统一计算设备架构）这一编程模型，是想在应用程序中充分利用CPU和GPU各自的优点。

想要深入学习 Tensorflow 或者 Pytorch，一块GPU是少不了的。上图 TensorFlow 的安装流程也适用于 Pytorch。

因此，用于深度学习的计算机，多会建议配置多 CUDA 的显卡。