技術／比較案例，依第 7.9 節。
比較以圖形處理器（Graphics Processing Unit, GPU）支援的深度學習框架、高階應用程式介面（Application Programming Interface, API），以及原書中的處理量示例。
深度學習的擴張不只靠演算法，也依賴 GPU、統一運算裝置架構（Compute Unified Device Architecture, CUDA）與軟體函式庫。原書逐一介紹 Torch、Caffe、TensorFlow、Theano、Keras。
| 框架／API | 原書重點 |
|---|---|
| Torch | LuaJIT；張量、線性代數、神經網路／最佳化；支援 GPU |
| Caffe | C++ 函式庫；架構／求解器 .prototxt；特別強調影像處理 |
| TensorFlow | Google Brain；DistBelief 2011 → TensorFlow 2015；中央處理器（Central Processing Unit, CPU）／GPU／張量處理器（Tensor Processing Unit, TPU） |
| Theano | 2007；Python；在 CPU／GPU 上處理符號式張量運算式 |
| Keras | Python 高階 API；原書描述其可在 Theano／TensorFlow 上執行 |
| 原書效能示例 | 原書數值 |
|---|---|
| Caffe 使用單一 NVIDIA K40 GPU | 每天超過 6,000 萬張影像；約每張 1 毫秒 |
| TPU 每瓦效能 | 原書報告為當時 CPU／GPU 的 30–80 倍 |
| Google Photos TPU 示例 | 每天超過 1 億張影像；約每張 0.86 毫秒 |
比較程式語言／API 層級、支援硬體、視覺化、模型建構便利性、進階操作彈性與原書引用的處理量；Keras 代表高階易用性，較低階框架則保留更多進階設定。
每天 1 億張相對每天 6,000 萬張的原始影像數量比例 > 1.67 倍；但兩者硬體、框架、工作負載不同，不能把這個比例當成公平基準測試。
工具選擇不應只看單一處理量數字。原書示例是特定年代、硬體與工作負載的展示；實際選擇還需考慮技能、部署、支援操作與可維護性。
根據原書框架特性與引用的處理量示例做比較；必須標明這些是原書時點的示例，不可更新或宣稱目前最快的框架。
問題： 為何不能直接以每天 1 億張與 6,000 萬張影像判斷 TensorFlow／TPU 一定優於 Caffe／K40？
參考解答： 因硬體、任務、實作與衡量情境不同；這不是受控制的基準測試。