除了 PyTorch 和 TensorFlow 这两大主流框架，深度学习领域还有一个活跃的“第二梯队”，它们或是由科技巨头为自家生态量身打造，或是在特定领域（如分布式计算）有独到创新。下面为你介绍几个当前流行且各具特色的框架。
一、🚀 JAX：高维计算的“新贵”
是什么：JAX 由 Google 开发，但定位并非 TensorFlow 的替代品，而是一个高性能的数值计算库。它结合了 Autograd（自动微分）和 XLA（加速线性代数编译器），可以视为“GPU/TPU 加速的 NumPy 2.0”。
为什么：JAX 的核心哲学是函数式编程。代码被设计为纯函数，这带来了极致的可组合性和可复现性，尤其适合科研中的复杂数学变换。它的vmap（自动向量化）、pmap（自动并行化）等函数变换让并行变得异常简单。
怎样做：开发者用类似 NumPy 的 API 写函数，然后通过jax.grad()自动求导，或通过jax.jit()交给 XLA 编译为高效机器码。它常与 Flax（官方神经网络库）或 Haiku 搭配，构建完整的训练流程。
二、🌿 昇思MindSpore：华为AI生态的“基石”
是什么：昇思MindSpore 是华为开源的全场景AI框架，与昇腾（Ascend）硬件深度协同设计。
为什么：其最大特点是原生的端-边-云全场景协同能力。一次开发的模型可通过框架自动优化，部署到手机、边缘设备或大规模集群。2.8版本推出的 HyperShard 声明式并行编程，大幅降低了分布式开发的难度。对于使用昇腾硬件的开发者，它是性能和生态支持的首选。
怎样做：MindSpore 支持动态图和静态图模式。开发者可以通过Model高阶API 快速训练，或用nn.Cell构建灵活模型。它提供了丰富的模型仓库和自动化并行工具，将分布式细节封装起来。
三、⚡ OneFlow：分布式训练效率“专家”
是什么：OneFlow 是国内团队开发的新一代开源框架，主打极致的分布式训练效率。
为什么：它独创的SBP（Split, Broadcast, Partial-sum）张量抽象，能让数据并行、模型并行等策略的配置变得异常简单，甚至能自动寻找最优并行方案。其静态图与动态图统一的“全局控制流”设计，兼顾了开发效率和运行性能。
怎样做：OneFlow 的 API 高度类似 PyTorch，学习成本低。其核心优势在于编译时，能自动分析计算图并插入最优的通信、内存管理操作，开发者几乎无需手动管理分布式细节。
四、🐬 飞桨PaddlePaddle：国产工业应用的“先锋”
是什么：飞桨（PaddlePaddle）是百度研发的产业级深度学习平台，在中文自然语言处理和工业部署领域积累深厚。
为什么：飞桨不仅仅是一个框架，更是一个完整的生态，包括开发套件、模型库、开发工具链和部署平台。它对中文场景的优化、丰富的预训练模型（如文心系列）和零门槛的EasyDL开发平台，使其在国内产业界应用广泛。
怎样做：飞桨同时支持动态图和静态图开发。其 API 体系清晰，提供了高层封装和底层操作两种模式。在部署侧，它提供了一系列工具，可轻松将模型压缩并部署到服务器、移动端或边缘设备。
五、💡 其他值得关注的框架与工具
除了上述几个，这个领域还有一些定位更聚焦的工具：
Apache MXNet：AWS 曾主推的框架，虽热度下降，但其高效的内存管理和多语言绑定（Gluon API）仍有借鉴意义。
Caffe / Caffe2：卷积神经网络时代的王者，为现代框架奠定了基础，目前已基本被 PyTorch 继承。
Fastai：基于 PyTorch 构建，通过高层抽象让深度学习变得极其简洁，是快速上手的绝佳选择。
ONNX：严格来说是一种开放的模型交换格式，它允许你在不同框架间自由转换模型，是“反锁定”的关键工具。
