第二节 创新进展

随着深度学习框架研究开发过程中的要求和需求不断增加，开发快速、高效的深度学习框架已经成为国际权威科研机构及团队的追求目标。

一方面，科研领域研究工具型深度学习框架层出不穷，大大推动了深度学习框架研究的进程。比如，2018年贾扬清及其团队开发的Caffe 及Caffe2、普林斯顿大学视觉工作组的Marvin、斯坦福大学的ConvNetJS、卡内基梅隆大学研发的DyNet 等，内嵌先进、完善的卷积神经网络模型。

另一方面，具有商业前景的深度学习框架不断涌现，在学术界和产业界都具有深远影响。比如，蒙特利尔理工大学研发的Theano，易用高效且运行稳定，是Keras、Lasagne、Blocks等框架的基础，更是脸书等互联网公司大量应用的基础。此外，部分创业公司也研发了性能优越的服务型深度学习框架。SkyMind公司开发的集成Hadoop和Spark 的商业级框架DL4J及Nervana System公司开发的具有领先运行速度优势的Neon等，在提供框架的同时，还提供第三方商业支持服务。

深度学习平台还被应用于支持超大规模的量子计算。2019年6月，谷歌发布了用于执行张量网络计算的开源库Tensor Network，其使用谷歌开源机器学习框架TensorFlow作为底层工具，提高了张量网络计算的可行性和计算效率，使张量网络计算在GPU上的计算效率提高了100倍。张量网络计算最早被应用于量子物理、量子化学中，此次谷歌Tensor Network 开源库的发布不仅为量子领域学科研究者提供了强大的计算机工具，也给张量网络在机器学习中的应用提供了可行性和硬件加速方法。