ニューラルネットワークの学習は、簡単に言ってしまうと行列演算であり、ニューロンの定義（活性化関数とその導関数と入力数）やニューロンの接続構成（ネットワーク）が定義されると、演算処理自体は自動実行できる。こうしたことから、あらかじめディープラーニングに必要なプログラムを組み合わせて、外部から定義や一定形式の学習データを与えることで、ニューラルネットワークを動かすことが可能だ。このために作られた一群のソフトウエアは「ディープラーニングフレームワーク」（Deep learning Framework）と呼ばれる。
図1●ディープラーニングフレームワークとは、ニューラルネットワークをモデルとして定義、学習データの形式などを定め、各種のユーティリティ機能などを組みあわせたもの
[画像のクリックで拡大表示]
ディープラーニングフレームワークでは、ニューラルネットワークの定義を「モデル」などと呼ぶ。「モデル」では、ニューロンの定義やその接続だけでなく、一群のニューロンをまとめた「層」などを定義でき、簡単にニューラルネットワークを定義できる。また多くの場合、モデルと学習済みのニューラルネットワークを組み合わせて配布可能にしたり、動作中の状態や各種パラメーターなどをグラフ化したりするツールなどが組み込まれている。
学習を自動化する場合、学習データのデータ構造や正解情報の与え方を一定の「学習データ形式」とし、世間に流通しているさまざまな汎用データ形式（画像や音声、テキストなど）を自身の学習データ形式に変換するツールなどを含むこともある。
また最近は、複数のディープラーニングフレームワークがあり、その中には他のフレームワークが保存、出力できるデータを取り込めるような機能を持つものもある。
現時点では、複数のディープラーニングフレームワークが登場している（表1）。ほとんどがオープンソースとして提供されており、インターネット経由で入手可能だ。
表1●主なディープラーニングフレームワーク
| 名称 | 情報ページ |
|---|---|
| Amazon Machine Learning | https://aws.amazon.com/jp/machine-learning/ |
| Caffe | http://caffe.berkeleyvision.org/ |
| Chainer | http://chainer.org/ |
| The Microsoft Cognitive Toolkit （旧Computational Network Toolkit） | https://www.microsoft.com/en-us/research/product/cognitive-toolkit/ |
| cuda-convnet | https://code.google.com/p/cuda-convnet/ |
| deeplearning4j | https://deeplearning4j.org/index.html |
| deepy | http://deepy.readthedocs.io/en/latest/#welcome-to-deepy |
| EBlearn | http://eblearn.sourceforge.net/ |
| H2O | http://www.h2o.ai/download/ |
| Keras | https://keras.io/ja/ |
| Lasagne | https://lasagne.readthedocs.io/en/latest/# |
| PredictionIO | http://predictionio.incubator.apache.org/ |
| PyBrain | http://pybrain.org/ |
| TensorFlow | https://www.tensorflow.org/ |
| Theano | http://deeplearning.net/software/theano/# |
| torch | http://torch.ch/ |
