在Python 3.6.3版本下选择合适的人工智能开发框架，需要考虑多个因素，包括你的项目需求、个人熟悉度以及框架的社区支持等。以下是一些流行的Python人工智能框架及其特点，可以帮助你做出选择。
1. TensorFlow
TensorFlow是由Google开发的开源机器学习框架，它支持多种编程语言，其中Python是最受欢迎的。TensorFlow适用于复杂的深度学习任务，如神经网络、卷积神经网络（CNN）和递归神经网络（RNN）。
特点：
- 强大的GPU加速支持。
- 广泛的社区和文档支持。
- 可以用于构建和训练复杂的模型。
- 支持多种编程语言。
使用场景：
- 需要高性能计算和大规模数据处理的项目。
- 深度学习项目，特别是需要复杂模型的项目。
2. PyTorch
PyTorch是由Facebook开发的开源机器学习库，它提供了动态计算图，使得模型的构建和调试更加直观。
特点：
- 直观的动态计算图。
- 易于调试和实验。
- 强大的社区和文档支持。
- 适用于研究型项目。
使用场景：
- 研究型项目，特别是需要快速原型设计和实验的项目。
- 对于深度学习模型的快速迭代和可视化。
3. Keras
Keras是一个高级神经网络API，可以运行在TensorFlow、CNTK或Theano后端上。它以用户友好和模块化著称。
特点：
- 高层API，易于使用。
- 可以快速构建和测试模型。
- 广泛的社区和文档支持。
- 支持多种类型的网络，包括卷积网络和循环网络。
使用场景：
- 快速原型设计和实验。
- 对于不需要太多自定义操作的项目。
4. scikit-learn
scikit-learn是一个开源机器学习库，它提供了多种机器学习算法的实现，包括分类、回归、聚类和降维。
特点：
- 提供了多种预训练的机器学习算法。
- 适合快速原型设计和实验。
- 广泛的社区和文档支持。
- 非常适合初学者。
使用场景：
- 需要进行快速原型设计和实验的项目。
- 需要使用多种机器学习算法的项目。
选择框架的考虑因素
- 项目需求：明确你的项目需要什么类型的人工智能技术，例如深度学习、机器学习还是数据挖掘。
- 个人熟悉度：选择你熟悉的框架可以更快地开始项目。
- 社区支持：一个活跃的社区可以提供丰富的资源、教程和问题解答。
- 文档和教程：良好的文档和教程可以帮助你更快地学习和使用框架。
- 性能：如果你的项目需要高性能计算，那么需要考虑框架的执行速度和内存使用。
在选择框架时，建议你根据自己的具体需求进行权衡，并考虑未来可能的变化。通常，对于初学者来说，scikit-learn是一个很好的起点，而对于深度学习项目，TensorFlow和PyTorch可能是更好的选择。