作為計算模型來說，深度學習中的絕大部分基本理論早已沉澱成了固化的計算子產品、函數或者算法包。就計算模型本身來說，架構之間的差别不會太大，也不可能太大，除非這個領域的理論層面得到了極大的突破，而且這個突破還是不同方向且掌握在個别組織手裡的。而現在架構之間的差别主要出現在這幾個地方。
第一，性能方面。
這一屬性主要由底層的實作語言決定，底層運作比較快的仍舊是實作的語言。理論上說，運作速度最快的仍舊是C或C++一類，離着CPU指令近一些語言效率高一些。
筆者用過Torch、TensorFlow、Chainer、Caffe等多種架構，雖然沒有經過系統地壓測和對比以及時下流行的跑分測試，但仍然有個比較感性的感覺——相同情況下Torch運作的速度略快一些，而TensorFlow老實說确實不能算快的甚至是這幾款裡面比較慢的。不過筆者從來不覺得這是什麼大問題，這種效率的差距僅僅是零點幾倍或者一點幾倍，而真正在工程實作方面的差距大多來自樣本數量、網絡設計等方面，這些方面的差距可能都是一兩個數量級的（差10倍或者100倍），是以這種效率不是最重要的參考标志。
第二，社群活躍度。
這些開源的項目雖然多，但是社群活躍與否是個非常重要的因素，甚至幾乎是首選的因素。活躍的社群意味着有更多的人正在使用這樣一個項目，會有更多的人貢獻代碼，送出Bug，遇到錯誤你也很容易找到前人踩坑留下的墊坑石。因而做起項目來風險也相對比較小，學習起來進步也會快一些。
第三，語言。
這幾乎是最不重要的一個方面，因為不管什麼語言，實作的架構大多都會支援Python的“驅動”，或者我們稱接口。當然也有很多比較執拗的架構隻提供人家自己原生的接口，例如Torch隻支援Lua腳本，CNTK隻支援C++等。
說它不重要是因為，在這樣一個應用場景中網絡建立的邏輯比較有限，是以涉及的文法内容也非常有限，學習成本也不高，反正從邏輯和模型層面是沒有差别的。
應該說TensorFlow在這些方面做得還都是令人滿意的。首先它有着非常活躍的社群：www.tensorflow.org，首頁的日均PV有40到50萬之多。這對于一個小衆化的技術網站已經是個不得了的數字了。
它的英文社群比中文社群活躍得多，而且在Stackoverflow上的問題讨論也非常多，目前有8000多個被跟帖的文章，每天都會有不少新帖出來，是以在成功的路上你不會孤單。
語言嘛，Python肯定是首選，筆者大多是使用Python 2.7+ TensorFlow的方式來工作的，很友善。
性能就像我剛才所說的，雖然感覺上并不快，但是滿足目前的工作已經足夠了。而且這種數量級的效率提升是無法通過更換一個架構來實作的。
總體來說TensorFlow應該是所有深度學習架構中比較适合用來進行工程應用的。