本文整理了 GitHub 上最流行的 57 款深度学习项目（按 stars 排名）。最后更新：2016.08.09
1.TensorFlow
使用数据流图计算可扩展机器学习问题
TensorFlow 是谷歌的第二代机器学习系统，按照谷歌所说，在某些基准测试中，TensorFlow 的表现比第一代的 DistBelief 快了2倍。
TensorFlow 内建深度学习的扩展支持，任何能够用计算流图形来表达的计算，都可以使用 TensorFlow。任何基于梯度的机器学习算法都能够受益于 TensorFlow 的自动分 化（auto-differentiation）。通过灵活的 Python 接口，要在 TensorFlow 中表达想法也会很容易。
2.Caffe
Stars：11799
Caffe是一个高效的开源深度学习框架。由表达式，速度和模块化组成。
3.Neural style
Stars：10148
Torch实现的神经网络算法。
Neural style 是让机器模仿已有画作的绘画风格来把一张图片重新绘制的算法。
4.deepdream
Stars：9042
Deep Dream，一款图像识别工具
5.Keras
Stars：7502
一款Python实现的深度学习库，包括卷积神经网络、递归神经网络等。运行在Theano和TensorFlow之上。
Keras是一个极简的、高度模块化的神经网络库，采用Python（Python 2.7-3.5.）开发，能够运行在TensorFlow和Theano任一平台，好项目旨在完成深度学习的快速开发。
6.RocAlphaGo
Stars：7170
学生主导的一个独立项目，从新实现了 DeepMind在2016 Nature发表的内容， 《用深度神经网络和树搜索学习围棋》 (Nature 529, 484-489, 28 Jan 2016).
7.TensorFlow Models
Stars：6671
基于TensorFlow开发的模型
8.Neural Doodle
Stars：6275
运用深度神经网络将涂鸦变为优雅的艺术品，从照片生成无缝纹理，转变图片风格，进行基于实例的提升，等等…还有更多！（语义风格传递的实现）
9.CNTK
Stars：5957
深度学习工具包 。来自微软公司的CNTK工具包的效率，“比我们所见过的都要疯狂”。 这部分归功于CNTK可借助图形处理单元（GPU）的能力，微软自称是唯一公开“可扩展GPU”功能的公司。（从单机上的1个、延伸至超算上的多个） 在与该公司的网络化GPU系统（称之为Azure GPU Lab）匹配之后，它将能够训练深度神经网络来识别语音，让Cortana虚拟助理的速度达到以前的十倍。
10.TensorFlow Examples
Stars：5872
适合初学者的 TensorFlow 教程和代码示例，做了相关笔记和代码解释。
11.ConvNet JS
Stars：5231
ConvNetJS 是用 JavaScript 实现的神经网络，同时还有基于浏览器的 demo。
12.Torch
Stars：5133
Torch7，深度学习库。
Torch7 是一个科学计算框架，支持机器学习算法。易用而且提供高效的算法实现，得益于 LuaJIT 和一个底层的 C 实现。
13.OpenFace
Stars：4855
基于深度学习网络的面部识别。
14.MXNet
Stars：4685
轻巧、便携、灵活的分布式/移动深度学习框架，支持Python, R, Julia, Scala, Go, Javascript等等语言。
MXNet是一款设计为效率和灵活性的深度学习框架。它允许你混合符号编程和命令式编程，从而最大限度提高效率和生产力。在其核心是一个动态的依赖调度，它能够自动并行符号和命令的操作。一个图形优化层，使得符号执行速度快，内存使用高效。这个库便携，轻量，而且能够扩展到多个GPU和多台机器。
15.Theano
Stars：4286
Theano 是一个 Python 库，用来定义、优化和模拟数学表达式计算，用于高效的解决多维数组的计算问题。
16.Leaf
Stars：4281
黑客的开源机器智能框架。