1.各种深度学习框架的底层实现都是使用 C/C++ 或其他高效编程语言来提高计算性能，从而加速深度学习模型的训练和推理。
例如，TensorFlow 和 Theano 的底层代码主要用 C++ 实现，同时还包括 CUDA 和 cuDNN 等开源库以支持 GPU 计算；PyTorch 的底层代码也采用了 C++ 实现，并且可以利用 CUDA 和 cuDNN 在 GPU 上加速计算；PaddlePaddle 则使用 C++ 和 CUDA 编写了底层计算库。
虽然这些框架的 API 接口通常是使用 Python 编写的，但是框架内部部分核心代码仍然需要使用更高效的编程语言来进行计算，并通过 Python 与用户交互。
2.百度的 PaddlePaddle 是开源的。
3.与深度学习框架类似，许多机器学习框架也使用 C++ 等高效编程语言实现其底层代码以提高运行性能。
例如，Theano 是一个用于深度学习和各种机器学习算法的计算库，底层代码基于 C++ 实现；Scikit-learn 是一个常用的机器学习工具包，部分核心算法（如 k-means）也是使用 C++ 实现的；Spark MLlib 是 Apache Spark 的分布式机器学习库，其底层也使用了大量的 Java 和 Scala 代码以支持分布式计算。
当然，并不是所有的机器学习框架都需要使用 C++ 或其他高效编程语言实现其底层代码。一些更加轻量级的机器学习库，如 Scikit-learn，可能采用了 Python 的原生数据类型和运算符实现了其大部分功能。
4.Transformer、GPT、Bert 等属于自然语言处理领域的前沿技术，它们都是基于深度学习框架或机器学习框架实现的。

例如，Transformer 是由 Google 提出的一种用于处理序列数据的模型结构，在许多自然语言处理任务中取得了很好的效果，其底层实现是基于 TensorFlow 和 PyTorch 这样的深度学习框架的。
GPT （Generative Pre-trained Transformer）是 OpenAI 开发的一种基于 Transformer 架构的自然语言处理模型，在大规模无监督数据上进行预训练后，能够在多个下游自然语言处理任务中取得最先进的效果。GPT-3 模型就是使用了极大规模的参数和数据集，被认为是目前最强的人工智能模型之一，而其底层实现同样是基于 PyTorch 和其他深度学习框架的。
Bert（Bidirectional Encoder Representations from Transformers）是 Google 开发的一种语言表示模型，可以用于文本分类、命名实体识别、问答任务等自然语言处理问题，在泛化能力方面也具有非常优秀的表现。其底层实现同样基于 TensorFlow。
强化学习也可以使用深度学习框架实现，例如深度 Q 网络（Deep Q-Network，DQN）算法就是使用深度神经网络进行近似 Q 值函数的训练。在实际应用中，强化学习算法也需要与其他技术结合使用，例如分布式计算、异步更新等，这些都可以借助深度学习框架或机器学习框架来实现。