3.10 其他深度学习框架
除了流行的深度学习框架TensorFlow和Keras，常见的深度学习框架还有PyTorch、TFLearn、Chainer、Theano等，这些都是深受欢迎的深度学习框架。
3.10.1 PyTorch
PyTorch与Python相融合，具有强大的GPU支持的张量计算和动态神经网络的框架，是使用GPU和CPU优化的深度学习张量库。PyTorch主页：https://github.com/pytorch/，如图3-62所示。
图3-62 PyTorch主页
PyTorch主要包含下列组件。
（1）Torch组件：包含了多维张量的数据结构以及基于其上的多种数学操作。另外，它也提供了多种工具，其中一些可以更有效地对张量和任意类型进行序列化，类似于NumPy。
（2）torch.autograd组件：提供了类和函数，用来对任意标量函数进行求导。
（3）torch.nn组件：与autograd紧密集成的神经网络库。
（4）torch.utils组件：数据装载、数据训练等应用工具。
3.10.2 TFLearn
TFLearn是一个建立在TensorFlow上的模块化、透明的深度学习库。它比TensorFlow提供了更高层次的API，从而使用户能够更加快速地进行实验。TFLearn主页：http://tflearn.org，如图3-63所示。
图3-63 TFLearn主页
TFLearn的pip安装命令为pip install tflearn，安装TFLearn前需要先安装TensorFow，如图3-64所示。
图3-64 TFLearn的pip安装
TFLearn支持大部分深度学习模型，例如Convolutions、LSTM、BiRNN、BatchNorm、PReLU、Residual networks、Generative networks等，未来还将支持最新的深度学习技术。TFLearn的特征如下。
（1）更高层次的深度神经网络API，且易于使用。
（2）通过内建神经网络模块快速模块化原型实现。
（3）对TensorFow完全透明。
（4）更方便的图形可视化。
3.10.3 Chainer
Chainer是一个专门为高效研究和开发深度学习算法而设计的开源框架，Chainer使复杂神经网络变得简单，具有如下特点。
（1）基于Python语言，允许在运行时检查和定制Python中的所有代码。
（2）Chainer采用Define by Run的方案，可以动态调整网络的参数，训练时“实时”构建计算图。
（3）由于Chainer是一个基于Python的独立的深度学习框架，由纯Python语言实现，可以完全地定制化。
（4）Chainer支持目前广泛使用的神经网络CNN、RNN、RL等，也可以自定义神经网络的结构。
（5）支持多GPU的并行运算。
Chainer主页：https://chainer.org，如图3-65所示。
图3-65 Chainer主页
Chainer的pip安装命令为pip install chainer，如图3-66所示。
图3-66 Chainer的pip安装
训练结构是Chainer中的重要部分，主要功能是建立神经网络训练数据，如图3-67所示。
图3-67 Chainer的训练结构
Chainer支持常见的训练数据集和验证数据集的接口，数据集包括三部分：数据集、迭代器和批处理转换函数。下面是使用mnist数据集的实例，代码如下。
运行结果如图3-68所示。
图3-68 Chainer的mnist数据集实例
3.10.4 Theano
Theano是一个擅长处理多维数组的Python库（类似于NumPy），专门用于定义、优化、求值数学表达式，优点是效率高，适用于多维数组。与其他深度学习库结合起来，Theano十分适合数据探索，也特别适合做机器学习，能执行深度学习中大规模神经网络算法的运算，高效运行于GPU或CPU。Theano主页：https://github.com/Theano/Theano。
Theano的pip安装命令为pip install Theano，如图3-69所示。
图3-69 Theano的pip安装