在本章中，我們將深度學習與不同的圖書館和框架聯絡起來。
如果想開始編碼一個深度神經網路，最好有一個想法，了解不同的框架，如:Theano，TensorFlow，Keras，PyTorch等是如何工作的。
Theano是一個python庫，它提供了一套用於構建在我們的機器上快速訓練的深層網路的功能。
Theano由加拿大蒙特利爾大學在Yoshua Bengio領導下發展成為一位深度網路的先鋒。
Theano可定義和評估數學表示式，其中矩陣是矩形陣列。
從技術上講，神經網路和輸入資料都可以表示為矩陣，所有標準網路操作都可以重新定義為矩陣運算。 這很重要，因為電腦可以非常快速地執行矩陣操作。
我們可以並行處理多個矩陣值，如果我們用這個底層結構構建一個神經網路，可以使用一台帶有GPU的機器在合理的時間視窗內訓練巨大的網路。
但是，如果使用Theano，必須從頭開始建立深層網路。 該庫不提供用於建立特定型別的深層網路的完整功能。
相反，必須編碼深層網路的每個方面，如模型，圖層，啟用，訓練方法和任何特殊的方法來停止過度擬合。
然而，好訊息是Theano允許在向量化函式的頂層實現構建，為我們提供高度優化的解決方案。
還有許多其他庫擴充套件了Theano的功能。 TensorFlow和Keras可以與Theano一起用作後端。
谷歌TensorFlow是一個Python庫。 這個庫是構建商業級深度學習應用程式的絕佳選擇。
TensorFlow從另一個庫:DistBelief V2誕生，它是Google Brain Project的一部分。 該庫旨在擴充套件機器學習的可移植性，使研究模型可以應用於商業級應用。
與Theano庫非常相似，TensorFlow基於計算圖，其中節點表示持久資料或數學運算，邊表示節點之間的資料流，即多維陣列或張量; 因此得名TensorFlow
一個操作或一組操作的輸出作為輸入被饋送到下一個。
儘管TensorFlow是為神經網路設計的，但對於可以將計算模型化為資料流圖的其他網路來說，它非常適用。
TensorFlow還使用了Theano的幾個特性，如常見和子表示式消除，自動分化，共用和符號變數。
可以使用TensorFlow(折積網，自動編碼器，RNTN，RNN，RBM，DBM/MLP等)構建不同型別的深網。
但是，在TensorFlow中不支援超引數組態。對於此功能，我們可以使用Keras。
Keras是一個功能強大且易於使用的Python庫，用於開發和評估深度學習模型。
它具有簡約的設計，可以逐層建立網路; 訓練它，並執行它。
它包裝了高效的數值計算庫Theano和TensorFlow，並允許我們用幾行簡短的程式碼定義和訓練神經網路模型。
它是一個高階神經網路API，有助於廣泛使用深度學習和人工智慧。 它執行在包括TensorFlow，Theano等許多底層庫上面。 Keras碼是可移植的; 可以在Keras中使用Theano或TensorFlow作為後端而不需要對程式碼進行任何更改來實現神經網路。