1、Torch7團隊開源PyTorch
2017年1月，Torch7 團隊開源了 PyTorch。據官網介紹，PyTorch 是一個 Python 優先的深度學習框架，能夠在強大的 GPU 加速基礎上實現張量和動態神經網路。PyTorch 是一個 Python 軟體包，其提供了兩種高層面的功能：1、使用強大的 GPU 加速的 Tensor 計算（類似 numpy）；2、構建於基於 tape 的 autograd 系統的深度神經網路。如有需要，你也可以複用你最喜歡的 Python 軟體包（如 numpy、scipy 和 Cython）來擴充套件 PyTorch。目前這個版本是早期的 Beta 版，很快就會加入更多的功能。
2016 年 9 月，百度開源了深度學習框架 PaddlePaddle。2017年2月，百度又宣佈實現了這一框架和叢集管理系統（cluster management system）Kubernetes 的相容，從而使 PaddlePaddle 成為了迄今為止唯一一個官方支援 Kubernetes 的框架。據百度研究官網介紹，這種相容性將使得開發者可以很方便地在全球所有主要的雲服務提供商（包括百度雲和企業內部的叢集（on-premise clusters））上訓練大型的模型。該專案是由百度和 CoreOS 聯合開發的；CoreOS 是 Kubernetes 的主要貢獻者之一。
2017年4月，DeepMind 釋出了 Sonnet，一個在 TensorFlow 之上用於構建複雜神經網路的開源庫。這是繼 DeepMind Lab 後，這家谷歌旗下的公司的又一次開源舉措。Sonnet 的開源意味著 DeepMind 構建的模型可以更輕鬆地與所有開發者共享。Sonnet 專為 TensorFlow 設計，因此它不會阻止你訪問 Tensor 和 variable_scope 這樣的底層細節。用 Sonnet 編寫的模型可以與原始 TensorFlow 程式碼，及其他高階庫中的程式碼自由融合。Sonnet 的釋出不是一次性的，它將持續更新 Github 以使其符合 DeepMind 的內部版本。
2017年4月，在今年的 F8 開發者大會上，Facebook 正式宣佈開源其全新深度學習框架 Caffe2。據 Caffe2 官方部落格介紹， Caffe2 是一個輕量級的、模組化的深度學習框架，並且在強調了便攜性的同時保持了可擴充套件性和效能。該框架可以用在 iOS、Android 和樹莓派上訓練和部署模型；而且 Facebook 已經與英偉達、高通、英特爾、亞馬遜和微軟等公司展開了合作來實現對移動端的最佳化。
2017年6月，微軟在其官方部落格上撰文宣佈全面開源 Microsoft Cognitive Toolkit 2.0，該版本版本包含了 beta 版本以來的數百個新功能，簡化了深度學習流程，可在更廣泛的人工智慧生態系統之中實現無縫整合；此外它還支援 Keras、Java API、英偉達最新版本的深度學習 SDK 和高階 GPU 架構（比如英偉達 Volta）。在開發「Microsoft Cognitive Toolkit」（也被稱作 CNTK）中扮演重要角色的合夥人工程經理（partner engineering manager）Chris Basoglu 說：「該工具包的 2.0 完整版本現已全面發行。」其有五大重要更新：1、支援 Keras；2、極快的 Halide 二進位制捲曲；3、支援 Java API；4、新的 NuGet 軟體包集；5、多漏洞修復。
2017年6月，在 Chainer 2.0.0 測試版推出近三個月之後，Chainer 釋出了 v2.0.0正式版。Chainer 是一個靈活的神經網路框架，它的一個主要目標就是展現靈活性，允許我們用簡單直觀的方式編寫出複雜的架構。Chainer 使用「透過執行定義（Define-by-Run）」的方式，即透過即時正向運算定義網路。更準確地說，Chainer 儲存計算歷史，而不是程式設計邏輯。這一方式可以幫助我們充分發揮 Python 中程式設計邏輯的力量。例如，Chainer 不需要任何技巧就可以將條件和迴圈加入網路定義中。透過執行定義的方式就是 Chainer 的核心理念。由於邏輯更接近於網路處理過程，這種方式讓編寫多 GPU 並行運算的最佳化方法變得簡單。
在去年 12 月 18 日的騰訊大資料技術峰會暨 KDD China 技術峰會上，騰訊大資料宣佈推出了面向機器學習的「第三代高效能計算平臺」——Angel，並表示將於 2017 年開放其原始碼。現在，2017 年已經大約過去了一半，Angel 1.0.0 也終於在 GitHub 完全釋出。據介紹，Angel 是騰訊大資料部門釋出的「第三代計算平臺」，是由騰訊大資料與香港科技大學、北京大學聯合使用 Java 和 Scala 語言開發的面向機器學習的高效能分散式計算框架。它採用了引數伺服器架構，解決了上一代框架的擴充套件性問題，支援資料並行及模型並行的計算模式，能支援十億級別維度的模型訓練。
1、Torch7團隊開源PyTorch
2017年1月，Torch7 團隊開源了 PyTorch。據官網介紹，PyTorch 是一個 Python 優先的深度學習框架，能夠在強大的 GPU 加速基礎上實現張量和動態神經網路。PyTorch 是一個 Python 軟體包，其提供了兩種高層面的功能：1、使用強大的 GPU 加速的 Tensor 計算（類似 numpy）；2、構建於基於 tape 的 autograd 系統的深度神經網路。如有需要，你也可以複用你最喜歡的 Python 軟體包（如 numpy、scipy 和 Cython）來擴充套件 PyTorch。目前這個版本是早期的 Beta 版，很快就會加入更多的功能。
2、百度PaddlePaddle官方支援Kubernetes2016 年 9 月，百度開源了深度學習框架 PaddlePaddle。2017年2月，百度又宣佈實現了這一框架和叢集管理系統（cluster management system）Kubernetes 的相容，從而使 PaddlePaddle 成為了迄今為止唯一一個官方支援 Kubernetes 的框架。據百度研究官網介紹，這種相容性將使得開發者可以很方便地在全球所有主要的雲服務提供商（包括百度雲和企業內部的叢集（on-premise clusters））上訓練大型的模型。該專案是由百度和 CoreOS 聯合開發的；CoreOS 是 Kubernetes 的主要貢獻者之一。
3、DeepMind開源神經網路框架Sonnet2017年4月，DeepMind 釋出了 Sonnet，一個在 TensorFlow 之上用於構建複雜神經網路的開源庫。這是繼 DeepMind Lab 後，這家谷歌旗下的公司的又一次開源舉措。Sonnet 的開源意味著 DeepMind 構建的模型可以更輕鬆地與所有開發者共享。Sonnet 專為 TensorFlow 設計，因此它不會阻止你訪問 Tensor 和 variable_scope 這樣的底層細節。用 Sonnet 編寫的模型可以與原始 TensorFlow 程式碼，及其他高階庫中的程式碼自由融合。Sonnet 的釋出不是一次性的，它將持續更新 Github 以使其符合 DeepMind 的內部版本。
4、Facebook宣佈開源Caffe22017年4月，在今年的 F8 開發者大會上，Facebook 正式宣佈開源其全新深度學習框架 Caffe2。據 Caffe2 官方部落格介紹， Caffe2 是一個輕量級的、模組化的深度學習框架，並且在強調了便攜性的同時保持了可擴充套件性和效能。該框架可以用在 iOS、Android 和樹莓派上訓練和部署模型；而且 Facebook 已經與英偉達、高通、英特爾、亞馬遜和微軟等公司展開了合作來實現對移動端的最佳化。
5、微軟發行 Cognitive Toolkit 2.0 完整版2017年6月，微軟在其官方部落格上撰文宣佈全面開源 Microsoft Cognitive Toolkit 2.0，該版本版本包含了 beta 版本以來的數百個新功能，簡化了深度學習流程，可在更廣泛的人工智慧生態系統之中實現無縫整合；此外它還支援 Keras、Java API、英偉達最新版本的深度學習 SDK 和高階 GPU 架構（比如英偉達 Volta）。在開發「Microsoft Cognitive Toolkit」（也被稱作 CNTK）中扮演重要角色的合夥人工程經理（partner engineering manager）Chris Basoglu 說：「該工具包的 2.0 完整版本現已全面發行。」其有五大重要更新：1、支援 Keras；2、極快的 Halide 二進位制捲曲；3、支援 Java API；4、新的 NuGet 軟體包集；5、多漏洞修復。
6、神經網路框架Chainer釋出2.0正式版2017年6月，在 Chainer 2.0.0 測試版推出近三個月之後，Chainer 釋出了 v2.0.0正式版。Chainer 是一個靈活的神經網路框架，它的一個主要目標就是展現靈活性，允許我們用簡單直觀的方式編寫出複雜的架構。Chainer 使用「透過執行定義（Define-by-Run）」的方式，即透過即時正向運算定義網路。更準確地說，Chainer 儲存計算歷史，而不是程式設計邏輯。這一方式可以幫助我們充分發揮 Python 中程式設計邏輯的力量。例如，Chainer 不需要任何技巧就可以將條件和迴圈加入網路定義中。透過執行定義的方式就是 Chainer 的核心理念。由於邏輯更接近於網路處理過程，這種方式讓編寫多 GPU 並行運算的最佳化方法變得簡單。
7、騰訊機器學習計算平臺Angel 1.0正式版釋出在去年 12 月 18 日的騰訊大資料技術峰會暨 KDD China 技術峰會上，騰訊大資料宣佈推出了面向機器學習的「第三代高效能計算平臺」——Angel，並表示將於 2017 年開放其原始碼。現在，2017 年已經大約過去了一半，Angel 1.0.0 也終於在 GitHub 完全釋出。據介紹，Angel 是騰訊大資料部門釋出的「第三代計算平臺」，是由騰訊大資料與香港科技大學、北京大學聯合使用 Java 和 Scala 語言開發的面向機器學習的高效能分散式計算框架。它採用了引數伺服器架構，解決了上一代框架的擴充套件性問題，支援資料並行及模型並行的計算模式，能支援十億級別維度的模型訓練。