在本章中，我們將把深入學習與不同的庫和框架聯繫起來。

Deep learning and Theano

如果我們想開始編碼一個深層神經網絡，最好我們有一個不同的框架，比如Theano、TensorFlow、Keras、PyTorch等，是如何工作的。

Theano是python庫，它提供了一組函數，用於構建在我們的機器上快速訓練的深層網絡。

Theano是在加拿大蒙特婁大學（University of Montreal）由一位深度網絡先驅Yoshua Bengio領導下開發的。

它允許我們定義和計算帶有向量和矩陣的數學表達式，這些向量和矩陣是數字的矩形陣列。

從技術上講，神經網絡和輸入數據都可以表示爲矩陣，所有標準的網絡操作都可以重新定義爲矩陣操作。這一點很重要，因爲計算機可以很快地執行矩陣運算。

我們可以並行處理多個矩陣值，如果我們用這種底層結構構建一個神經網絡，我們就可以用一台帶有GPU的機器在一個合理的時間窗內訓練龐大的網絡。

然而，如果我們使用天網，我們必須從頭開始建立深網。庫沒有提供創建特定類型的deep net的完整功能。

相反，我們必須對深網的各個方面進行編碼，比如模型、層、激活、訓練方法和任何防止過度擬合的特殊方法。

不過，好消息是，Theano允許在矢量化函數之上構建我們的實現，從而爲我們提供一個高度優化的解決方案。

還有許多其他庫擴展了ano的功能。TensorFlow和Keras可以與ano一起用作後端。

Deep Learning with TensorFlow

Googles TensorFlow是一個python庫。該圖書館是建設商業級深度學習應用的絕佳選擇。

TensorFlow源於另一個圖書館DistFeedge V2，它是Google Brain項目的一部分。該庫旨在擴展機器學習的可移植性，以便研究模型可以應用於商業級應用。

與Theano庫非常相似，tensor flow是基於計算圖的，其中一個節點表示持久數據或數學運算，而邊表示節點之間的數據流，這是一個多維數組或tensor;因此，TensorFlow的名稱是

一個操作或一組操作的輸出作爲下一個操作的輸入。

儘管TensorFlow是爲神經網絡設計的，但它也適用於其他可以將計算建模爲數據流圖的網絡。

TensorFlow還使用了一些來自Theano的特性，如公共和子表達式消除、自微分、共享和符號變量。

利用卷積網、自動編碼器、RNTN、RNN、RBM、DBM/MLP等張量流可以構造不同類型的深網。

但是，TensorFlow中不支持超參數配置。對於此功能，我們可以使用Keras。

Deep Learning and Keras

Keras是一個強大的易於使用的Python庫，用於開發和評估深度學習模型。

它有一個極簡的設計，允許我們建立一個網絡一層一層，訓練它，並運行它。

它封裝了高效的數值計算庫Theano和TensorFlow，允許我們用幾行代碼定義和訓練神經網絡模型。

它是一個高級的神經網絡API，有助於深度學習和人工智慧的廣泛應用。它運行在許多較低級別的庫之上，包括TensorFlow、Theano等。Keras代碼是可移植的;我們可以在Keras中實現一個神經網絡，使用ano或TensorFlow作爲後端，代碼沒有任何變化。