译者：赵屹华
书名门牌号：http://www.teglor.com/b/deep-learning-libraries-language-cm569/
Python
1. Theano是两个pythonC#，用字符串矢量来表述和排序微积分函数。它使在Python自然环境下撰写广度自学演算法显得单纯。在它此基础其内还构筑了很多C#。
a.Keras是两个简约、度模组化的微积分微积分模型库，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。
b.Pylearn2是两个软件系统大批广度自学常用微积分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。
c.Lasagne是两个构筑和体能训练微积分微积分模型的轻量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。
d.Blocks也是两个如前所述Theano的协助构筑微积分微积分模型的架构。
2. Caffe是广度学习的架构，它注重于代码的表达形式、演算速度以及模组化程度。它是由伯克利视觉和自学中心（Berkeley Vision and Learning Center, BVLC）以及社区成员共同开发。谷歌的DeepDream项目就是如前所述Caffe架构完成。这个架构是使用BSD许可证的C++库，并提供了Python初始化接口。
3. nolearn囊括了大批的现有微积分微积分模型函数库的PCB和抽象接口、大名鼎鼎的Lasagne以及一些机器自学的常用模块。
4. Genism也是两个用Python撰写的广度自学小工具，采用高效的演算法来处理大规模文本数据。
5. Chainer在广度自学的理论演算法和实际应用之间架起一座桥梁。它的特点是强大、灵活、直观，被认为是广度自学的灵活架构。
6. deepnet是如前所述GPU的广度自学演算法函数库，使用Python词汇开发，实现了前馈微积分微积分模型（FNN）、受限玻尔兹曼机（RBM）、广度信念网络（DBN）、自编码器（AE）、广度玻尔兹曼机（DBM）和卷积微积分微积分模型（CNN）等演算法。
7. Hebel也是广度自学和微积分微积分模型的两个Python库，它通过pyCUDA控制全力支持CUDA的GPU加速。它实现了最重要的几类微积分微积分模型微积分模型，提供了多种激活函数和微积分模型体能训练方法，例如momentum、Nesterov momentum、dropout、和early stopping等方法。
8. CXXNET是两个如前所述MShadow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微积分微积分模型工具箱，提供友好的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共同开发的广度自学函数库。
11. Neon是Nervana System 的广度自学架构，使用Python开发。
相关链接：从Theano到Lasagne：如前所述Python的广度自学的架构和库
Matlab
1. ConvNet 卷积微积分微积分模型是一类广度自学分类演算法，它可以从原始数据中自主自学有用的特征，通过调节权重值来实现。
2. DeepLearnToolBox是用于广度自学的Matlab/Octave工具箱，它包含广度信念网络（DBN）、栈式自编码器（stacked AE）、卷积微积分微积分模型（CNN）等演算法。
3. cuda-convet是一套卷积微积分微积分模型（CNN）代码，也适用于前馈微积分微积分模型，使用C++/CUDA进行演算。它能对任意广度的多层微积分微积分模型建模。只要是有向无环图的网络结构都可以。体能训练过程采用反向传播演算法（BP演算法）。
4. MatConvNet是两个面向排序机视觉应用的卷积微积分微积分模型（CNN）Matlab工具箱。它单纯高效，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开发。它用如前所述能量的微积分模型实现卷积微积分微积分模型，并提供可视化交互界面（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通用的分布式微积分模型体能训练演算法。
3. NVIDIA DIGITS是用于开发、体能训练和可视化广度微积分微积分模型的一套新系统。它把广度自学的强大机能用浏览器界面呈现出来，使数据科学家和研究员可以实时地可视化微积分微积分模型行为，快速地结构设计出最适合数据的广度微积分微积分模型。
4. Intel® Deep Learning Framework提供了Intel®平台加速广度卷积微积分微积分模型的两个统一平台。
Java
1. N-Dimensional Arrays for Java (ND4J) 是JVM平台的科学排序函数库。它主要用于产品中，也就是说函数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C#，用Java和Scala撰写。它的结构设计目的是为了在商业自然环境下使用，而不是作为一款研究工具。
3. Encog是两个机器自学的高级架构，涵盖全力支持矢量机、人工微积分微积分模型、遗传编程、贝叶斯网络、隐马可夫微积分模型等，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微积分模型（主要是微积分微积分模型）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排序架构。它使用容易，用快速的脚本词汇LuaJit开发，底层是C/CUDA实现。Torch基于LuaC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实现，可以用来体能训练广度/浅层（卷积）微积分微积分模型，可以通过（栈式）自编码器配合非监督式预体能训练（可选）完成。它的优势特性包括模组化结构、提供上层接口，可能还有速度、兼容性等更多特性。
Lisp
1. Lush(Lisp Universal Shell)是一种面向对象的C词汇，面向对大规模数值和图形应用感兴趣的广大研究员、实验员和工程师们。它拥有机器自学的函数库，其中包含丰富的广度自学库。
Haskell
1. DNNGraph是Haskell用于广度微积分微积分模型微积分模型生成的领域特定词汇（DSL）。
.NET
1. Accord.NET是完全用C#撰写的.NET机器自学架构，包括音频和图像处理的C#。它是产品级的完整架构，用于排序机视觉、排序机音频、信号处理和统计应用领域。
R
1. darch包可以用来生成多层微积分微积分模型（广度结构）。体能训练的方法包括了对比散度的预体能训练和众所周知的体能训练演算法（如反向传播法或共轭势能法）的细调。
2. deepnet实现了很多广度自学架构和微积分微积分模型演算法，包括反向传播(BP)、受限玻尔兹曼机(RBM)、广度信念网络(DBP)、广度自编码器(Deep autoencoder)等等。
交流分享、谢谢全力支持！
<如果你觉得本文还不错，对你的自学带来了些许协助，请帮
