如果您正在开始新的机器学习或深度学习项目，您可能会对选择哪个框架感到困惑。正如我们将要讨论的那样，这两种项目都有几个不错的选择。

机器学习框架和深度学习框架之间存在差异。本质上，机器学习框架涵盖了用于分类，回归，聚类，异常检测和数据准备的各种学习方法，并且可以包括或不包括神经网络方法。

深度学习或深度神经网络框架涵盖了具有许多隐藏层的各种神经网络拓扑。Keras，MXNet，PyTorch和TensorFlow是深度学习的框架。Scikit-learn和Spark MLlib是机器学习框架。(单击以前的任何链接以阅读我对产品的独立评论。)

通常，深度神经网络计算在GPU(特别是Nvidia CUDA通用GPU)，TPU或FPGA 上运行得更快，而不是在CPU上运行。通常，更简单的机器学习方法不会受益于GPU。

虽然你可以在一个或多个CPU上训练深度神经网络，但训练往往很慢，而且我说的不是秒或分钟。需要训练的神经元和层越多，可用于训练的数据越多，所需的时间就越长。当Google Brain团队在2016年为新版Google翻译培训其语言翻译模型时，他们会在多个GPU上一次运行一周的培训课程。如果没有GPU，每个模型培训实验都需要数月时间。