开放式神经网络交换 (ONNX) 是一种允许开发者在框架之间迁移模型的深度学习模型格式。ONNX 支持在大多数主流框架之间进行模型迁移。当深度学习应用程序已经完成了训练并可以部署时， TensorRT 软件会对NVIDIA GPU 上的高性能推理模型进行优化。TensorRT 与 TensorFlow 和 MATLAB 高度集成，并且支持导入 ONNX 格式的深度学习模型。

以下列举了一些热门的深度学习框架，以及多家公司和研究人员如何构建用于医疗、灾难预测和细胞生物学的GPU加速应用程序的案例。

Apache MXNet 是由 Apache Software Foundation 于 2015 年创建的深度学习框架。一家位于西雅图的初创公司——Magic AI， 正在利用深度学习模型来监控马匹的健康状况，该模型基于 MXNet 构建，并运行于 NVIDIA GPU 上。该神经网络可以逐帧分析马厩内的监控视频，当出现意外状况，例如：马匹即将分娩，马匹表现出绞痛症状或陌生人进入马厩时，该神经网络会向马场主发送警报。

开发者可以将模型迁移到 ONNX 进行推理，然后使用 NVIDIA TensorRT 进行优化和部署。

Caffe 深度学习框架于2014 年诞生在加州大学伯克利分校，并催生了 NVCaffe 等分支以及类似于 Facebook 的 Caffe2（现与 PyTorch 合并）的新型框架。肺癌是全球最常见的癌症，半数被诊断为肺癌的患者会在一年内死亡。借助深度学习和 NVIDIA GPU，位于圣路易斯的初创公司 Innovation DX利用胸部 X 光扫描对肺癌进行早期筛查。他们的早期检测工具由神经网络和 Caffe 框架提供支持，可以使肺癌患者的存活率提高两倍。

Chainer 诞生于 2015 年，由日本风险投资公司Preferred Networks开发。利用这款基于 Python 的框架，Preferred Networks与工业自动化巨头 FANUC 携手合作，共同参加了 2016 年的亚马逊分拣货物挑战赛 (Amazon Picking Challenge)。挑战赛的内容是让自主机器人分拣并放置物品。Preferred Networks 和 FANUC 在比赛中使用了卷积神经网络和用于笔记本电脑的NVIDIA GeForce GTX 870M GPU，并最终取得了第二名的好成绩。

Keras 是一个可以在多个框架上运行的界面，使用高级Python API ，它可以在诸如MXNet、TensorFlow、Theano 和 Microsoft Cognitive Toolkit等不同框架之上运行。Keras 由研究人员 FrançoisChollet 于 2014 年创建，旨在让统一且抽象的 API 变得易于使用。一个韩国研究团队使用 Keras 来提高飓风预测的速度和准确性。他们使用 TensorFlow 上的 Keras 构建了深度学习模型，并在 NVIDIA GPU 上运行，可以提前几个小时预测风暴的路径和降水量。由于这些神经网络能够提前预测风暴，因此他们可以在飓风来袭之前向当地居民发出警告，争取更多的疏散时间。

MATLAB 允许熟悉其软件的工程师使用 MATLAB 代码来开发深度学习工具。借助MATLAB 和NVIDIA GPU，阿尔伯塔大学的研究人员致力于帮助患者避免不必要的前列腺癌活检。该团队的深度学习模型对细胞外囊泡的生物标志物数据进行分析，从而预判是否存在癌细胞。

这款由微软公司于2014年推出的深度学习框架，起初被命名为CNTK, 其主要为微软自己的AI模型（如 Cortana）提供支持。借助NVIDIA Tesla GPU和 Microsoft Cognitive Toolkit，医疗科技公司 IRIS 专注于预防糖尿病视网膜病变或糖尿病引起的失明，此类疾病只能通过眼科检查才能发现，患者很难自行判断。而IRIS 的神经网络可通过分析视网膜图像，告知患者是否需要到专业医师处就诊。

PyTorch 的前身是 Torch，一种基于编程语言 Lua 的热门深度学习框架，该框架于 2011 年推出。随后，2017 年，Facebook 推出了 PyTorch，后者继承了 Torch 的功能并可以在 Python 中实施。艾伦细胞科学研究所 (Allen Institute of Cell Science) 的研究人员利用 PyTorch 开发出了首个可预测人体活细胞的3D 模型，该模型由 NVIDIA DGX 工作站和 TITAN Xp GPU 提供支持，能够让科学家在虚拟环境中以数字方式实现细胞的可视化并操纵细胞行为。这款利用卷积神经网络构建的细胞模型可以替代昂贵的荧光显微镜观测，让科学家能够以一种前所未有的方式理解和预测细胞活动。

TensorFlow 是 Google 于 2015 年创建的深度学习框架。德克萨斯大学 MD 安德森癌症中心的研究人员正在使用 TensorFlow 开发高精度放射治疗技术。放射科医师通常会检查癌症患者的扫描图像，以判断在不损害正常组织的情况下应该使用多少辐射量来进行肿瘤靶向治疗。借助 NVIDIA Tesla GPU，研究人员开发了可学习并模仿医生工作模式的深度学习模型，来识别放射目标区域。