深度学习框架是旨在简化构建、训练和部署神经网络过程的软件库或工具集。这些框架为常见任务提供预构建组件，例如定义层、优化模型参数和处理数据流水线。通过抽象底层数学运算（如矩阵乘法或梯度计算），它们使开发人员能够专注于设计网络架构和实验模型，而不是重复发明基础代码。示例包括 TensorFlow、PyTorch 和 Keras，每个都提供针对不同用例量身定制的独特 API 和工作流。
深度学习框架的关键特性包括自动微分、硬件加速和模块化设计。自动微分消除了在反向传播过程中手动计算梯度的需要，这对于高效训练模型至关重要。例如，PyTorch 使用动态计算图实时跟踪操作，从而更易于调试。框架还会优化代码以在 GPU 或 TPU 上运行，显著加快训练速度。例如，TensorFlow 会编译静态计算图，以便在专用硬件上高效执行。此外，框架通常包含用于数据加载、可视化（如 TensorBoard）以及与预处理库集成的实用工具，从而无需依赖外部工具即可实现端到端工作流。
实际用例突显了框架如何减少开发时间。构建图像分类器的开发人员可以使用 Keras（基于 TensorFlow 的高级 API）快速堆叠卷积层和池化层，使用 Adam 等优化器编译模型，并在支持 GPU 的云基础设施上训练。PyTorch 的灵活性受到研究环境的青睐，其中可以交互式地原型化 transformers 等模型。除了训练之外，框架还通过 TensorFlow Serving 或 ONNX Runtime 等工具支持将模型部署到生产环境。例如，在 PyTorch 中训练的模型可以导出为 ONNX 格式并部署在移动设备上。这些生态系统与社区驱动的库（例如用于 NLP 的 Hugging Face）相结合，使得框架对于扩展深度学习项目不可或缺。