当讨论CUDA、cuDNN、深度学习框架、pytorch、tensorflow、keras这些概念的时候，我们讨论的是与GPU加速深度学习相关的技术和工具。

1. CUDA（Compute Unified Device Architecture）： CUDA是由NVIDIA开发的一种并行计算平台和编程模型，旨在利用GPU（图形处理单元）进行通用目的的高性能计算。它允许开发人员利用GPU的大规模并行计算能力来加速各种计算任务，包括深度学习。CUDA提供了一组编程接口，允许开发人员在C、C++、Python等编程语言中编写并行代码，并通过GPU加速执行。

2. cuDNN（CUDA Deep Neural Network library）： cuDNN是NVIDIA提供的深度学习加速库，专门为深度神经网络设计。它包含了一系列高效的GPU加速的深度学习基本操作，如卷积、池化、归一化等。cuDNN旨在优化深度学习模型的训练和推断过程，通过利用GPU的计算能力来提高性能。cuDNN的主要接口是用C语言编写的，因此最常见的方式是通过C/C++来调用cuDNN库。不过，cuDNN也提供了一些绑定（bindings）或接口，使得其他编程语言也能够调用它。

3. 深度学习框架： 深度学习框架是一种软件工具，用于简化和加速深度学习模型的开发、训练和部署过程。这些框架提供了高级API和工具，使开发人员能够更轻松地构建和训练神经网络模型。一些常见的深度学习框架包括TensorFlow、PyTorch、Keras、Caffe等。这些框架通常会与CUDA和cuDNN等GPU加速技术集成，以便在GPU上高效地运行深度学习任务。

4. PyTorch： PyTorch是一个基于Python的深度学习框架，由Facebook的研究团队开发。它的设计哲学强调动态计算图，使得模型的构建和调试更加直观灵活。PyTorch具有广泛的社区支持和丰富的功能，可以用于构建各种深度学习模型，包括卷积神经网络、循环神经网络等。PyTorch与CUDA和cuDNN紧密集成，允许用户在GPU上高效地训练和执行深度学习模型。

5. Keras：Keras是一个高级的神经网络API，最初由François Chollet开发，用于快速构建、训练和部署神经网络模型。它的设计目标是简洁、易用，适合快速原型开发和初学者。Keras最初是独立的，并且支持多个深度学习后端，包括Theano、CNTK和TensorFlow。从TensorFlow 2.0版本开始，Keras成为TensorFlow的默认高级API。这意味着你可以在TensorFlow中直接使用Keras的API来构建和训练神经网络模型，无需额外的安装和配置。

6. Tensorflow：TensorFlow是由Google Brain团队于2015年开源发布的深度学习框架，它适用于高效利用分布式计算资源的机器学习框架，以支持大规模的训练和推断任务。

如何想要设计新的深度学习框架，在着手构建新框架之前需要咨询研究现有的深度学习框架，如TensorFlow、PyTorch、Keras等。了解它们的架构、设计思想和功能，这可以为你提供宝贵的启发，帮助你避免重复造轮子。

tensorflow与pytorch的一些重点差异

动态计算图 vs 静态计算图：

• TensorFlow：TensorFlow 1.x使用静态计算图，需要在构建阶段先定义计算图的结构，然后再进行计算。TensorFlow 2.x引入了更具动态性的特性，使其更接近动态计算图的风格。
• PyTorch：PyTorch使用动态计算图，计算图在运行时动态生成，允许更灵活地处理动态结构和条件。

调试和可读性：

• TensorFlow：在TensorFlow 1.x中，由于静态计算图的设计，调试过程可能相对复杂。TensorFlow 2.x和Keras在调试和可读性方面有所改进。
• PyTorch：动态计算图使得在PyTorch中调试模型和查看中间结果更加容易。

分布式计算：

• TensorFlow：TensorFlow在分布式计算方面具有丰富的功能，可以有效地利用多台机器进行大规模训练。
• PyTorch：PyTorch也支持分布式计算，但在一些方面可能没有TensorFlow那么全面。