深度学习框架：GPU
Deep Learning Frameworks
深度学习框架通过高级编程接口为设计、训练和验证深度神经网络提供了构建块。广泛使用的深度学习框架如MXNet、PyTorch、TensorFlow等依赖于GPU加速库如cuDNN、NCCL和DALI来提供高性能的多GPU加速训练。
开发人员、研究人员和数据科学家可以通过深度学习示例轻松访问NVIDIA优化的深度学习框架容器，这些容器针对NVIDIA gpu进行性能调整和测试。这样就不需要管理包和依赖项，也不需要从源代码构建深入的学习框架。访问NVIDIA NGC了解更多信息并开始使用。
以下是支持的流行深度学习框架列表，包括开始学习所需的学习资源。
一．PyTorch
PyTorch是一个Python包，提供了两个高级特性：
具有强GPU加速度的张量计算（如numpy）
基于带基自蔓延系统的深层神经网络
可以重用最喜欢的Python包，如numpy、scipy和Cython，以便在需要时扩展PyTorch。
模型部署：
对于训练模型的高性能推理部署，请导出到ONNX格式，并使用NVIDIA TensorRT推理加速器进行优化和部署。
二．MXNet
MXNet是一个为提高效率和灵活性而设计的深度学习框架。允许混合符号编程和命令式编程的风格，以最大限度地提高效率和生产力。
的核心是一个动态依赖调度程序，可以动态地自动并行化符号和命令操作。上面的一个图形优化层使符号执行速度更快，内存效率更高。这个库是可移植的和轻量级的，可以扩展到多个gpu和多台机器。
模型部署：
对于MXNet训练模型的高性能推理部署，请导出到ONNX格式，并使用NVIDIA TensorRT推理加速器进行优化和部署。
三．TensorFlow
TensorFlow是一个开放源码的软件库，用于使用数据流图进行数值计算。图中的节点表示数学运算，而图边表示在之间流动的多维数据数组（张量）。这种灵活的架构允许将计算部署到桌面、服务器或移动设备中的一个或多个CPU或GPU，而无需重写代码。为了可视化TensorFlow结果，TensorFlow提供了TensorBoard，一套可视化工具。
模型部署：
对于TensorFlow训练模型的高性能推理部署，可以：
使用TensorFlow TensorRT集成优化TensorFlow内的模型并使用TensorFlow部署
导出TensorFlow模型，并使用NVIDIA TensorRT内置的TensorFlow模型导入器导入、优化和部署。
四．NVIDIA Caffe
Caffe是由伯克利视觉和学习中心（BVLC）和社区贡献者开发的。NVIDIA Caffe，也称为NVCaffe，是NVIDIA维护的BVLC Caffe分支，专为NVIDIA GPU（特别是在多GPU配置中）调整。
模型部署：
对于Caffe训练模型的高性能推理部署，使用NVIDIA TensorRT的内置Caffe模型导入器导入、优化和部署。
五．MATLAB
MATLAB使工程师、科学家和领域专家更容易进行深入学习。借助于管理和标记大型数据集的工具和功能，MATLAB还提供了用于机器学习、神经网络、计算机视觉和自动驾驶的专用工具箱。只需几行代码，MATLAB就可以创建和可视化模型，并将模型部署到服务器和嵌入式设备上，而无需成为专家。MATLAB还允许用户从MATLAB代码中自动生成用于深度学习和视觉应用的高性能CUDA代码。
模型部署：
为了实现基于MATLAB训练模型的高性能推理部署，利用MATLAB GPU编码器自动生成TensorRT优化的推理引擎。
六．Chainer
Chainer是一个基于Python的以灵活性为目标的深度学习框架。提供了基于define by run方法（也称为动态计算图）的自动区分api，以及用于构建和训练神经网络的面向对象高级api。支持CUDA和cuDNN使用CuPy进行高性能训练和推理。
模型部署：
对于链训练模型的高性能推理部署，请导出到ONNX格式，并使用NVIDIA TensorRT推理加速器进行优化和部署。
七．PaddlePaddle
PaddlePaddle为加载数据和指定模型结构提供了直观而灵活的界面。支持CNN，RNN，多种变体，并易于配置复杂的deep模型。
还提供极其优化的操作、内存回收和网络通信。桨叶可以方便地扩展异构计算资源和存储，加快训练过程。