人工智能编程实训平台，定位于全面提升人工智能工程实践能力，可同时服务于学生的编程实践与教师的科技计算需求。它提供了“开箱即用”的人工智能与深度学习实验环境，包括虚拟桌面与jupyter类在线工具等实验环境镜像，镜像内置了实验所需的各类软件与支撑材料。通过实验环境，支持代码执行时动态调用gpu资源，实现多人访问模式下的资源合理共享。同时针对教师在科研项目执行时的大算力需求，平台通过深度学习框架，支持集成多项gpu资源进行大规模并行计算。
深度学习框架模块包含目前主流的深度学习的学习库，如caffe，cntk，tensorflow，theano and torch，以及许多其他的深度学习的应用。
图 2-1 深度学习框架
caffe由加州大学伯克利的phd贾扬清开发，全称convolutional architecture for fast feature embedding，是一个清晰而高效的开源深度学习框架，目前由伯克利视觉学中心（berkeley vision and learning center，bvlc）进行维护。caffe是纯粹的c /cuda架构，支持命令行、python和matlab接口；可以在cpu和gpu直接无缝切换。
tensorflow是一款开源的数学计算软件，使用数据流图（data flow graph）的形式进行计算。图中的节点代表数学运算，而图中的线条表示多维数据数组（tensor）之间的交互。tensorflow灵活的架构可以部署在一个或多个cpu、gpu的台式以及服务器中，或者使用单一的api应用在移动设备中。
torch是一个有大量机器学习算法支持的科学计算框架，其诞生已经有十年之久，但是真正起势得益于facebook开源了大量torch的深度学习模块和扩展。torch另外一个特殊之处是采用了编程语言lua（该语言曾被用来开发视频游戏）。
theano是2008年诞生于蒙特利尔理工学院，theano派生出了大量深度学习python软件包，最著名的包括blocks和keras。theano的核心是一个数学表达式的编译器，它知道如何获取你的结构。并使之成为一个使用numpy、高效本地库的高效代码，如blas和本地代码（c ）在cpu或gpu上尽可能快地运行。它是为深度学习中处理大型神经网络算法所需的计算而专门设计的，是这类库的首创之一，被认为是深度学习研究和开发的行业标准。
出自cxxnet、minerva、purine等项目的开发者之手，主要用c 编写。mxnet强调提高内存使用的效率，甚至能在智能手机上运行诸如图像识别等任务。