TensorFlow是Google开发的一款开源软件库，专为深度学习或人工神经网络而设计。TensorFlow允许你可以使用流程图创建神经网络和计算模型。它是可用于深度学习的最好维护和最为流行的开源库之一。TensorFlow框架可以使用C++也可以使用Python。你可以使用TensorBoard进行简单的可视化并查看计算流水线。其灵活的架构允许你轻松部署在不同类型的设备上。不利的一面是，TensorFlow没有符号循环，不支持分布式学习。此外，它还不支持Windows。

出生地：Google
特点：计算图、分布式训练效果强、底层C构建速度快，生态强大
主要调包语言：Python、C/C++、JS
评价：对标PyTorch、学术界没市场了、部署更加的方便
入门推荐：建议做工程的小伙伴入门，学术界真的马上被PyTorch垄断

2.PyTorch

PyTorch是脸书的框架，前身是Torch，支持动态图，而且提供了Python接口。是一个以Python优先的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络。Python是现在学术界的霸主，对于想要做学术的同学绝对首推(重点)。

出生地：FaceBook
特点：生态强大、入门爽歪歪、代码量少(重点)
主要调包语言：Python、C/C++
评价：入门很快、速度有点慢、部署很垃圾、学术界的霸主
入门推荐：想要做学术的童鞋绝对首选，几乎现在顶会论文的代码都是这个框架写的，不过想要做部署的还是看看TensorFLow或者PaddlePaddle吧。

3.PaddlePaddle

百度推出的深度学习框架，算是国人最火的深度学习框架了。跟新了2.0的高级API与动态图后，Paddle更加的强大。百度有很多PaddlePaddle的教程，对于初学者来说还是相当不错的。PaddlePaddle有很多便捷的工具，比如detection、cv、nlp、GAN的工具包，也有专门的可视化工具(远离tensorboard的支配)。

出生地：百度
特点：计算图动态图都支持、有高级API、速度快、部署方便、有专门的平台
主要调包语言：Python、C/C++、JS
入门推荐：如果没有卡那就非常适合，如果算力不缺，建议先看看PyTorch，当然也可以PaddlePaddle。

4.Keras

Keras可以当成一种高级API，它的后端可以是Theano和tensorFlow(可以想成把TF的很多打包了)。由于是高级API非常的方便，非常适合科研人员上手。

作者：Google AI 研究人员 Francois Chollet
特点：生态强大、入门爽歪歪、代码量少(重点)
主要调包语言：Python、C/C++、JS
评价：太适合入门了、速度有点慢、版本得匹配后端框架的版本
入门推荐：强推入门首选，但是后续一定要看看算法的底层是怎样工作的。

5.Caffe/Caffe2

Caffe是顶级高校UCB的贾扬清博士开发的，主要是适用于深度学习在计算机视觉的应用。使用Caffe做算法代码量很少，经常就是修修改改就能用，神经网络模型的管理非常的方便，而且算是比较早的部署在各种落地场景中。Caffe2可以理解为一个新版本的Caffe，但是有很多不同，Caffe2后来并入了PyTorch。该工具支持Ubuntu，Mac OS X和Windows等操作系统。

作者：UCB 贾扬清博士
特点：计算图、部署方便、训练方便、cuDnn与MKL均支持
主要调包语言：Python、Matlab脚本、C++
评价：卷积人的大爱、环境不好配置、感觉偏底层、Caffe2还是PyTorch
入门推荐：不是很建议，真的想了解可以先入门PyTorch

6.MXNet

MXNet 是一个社区维护起来的深度学习框架，后来被亚马逊看上了。有类似于 Theano 和 TensorFlow 的计算图，也有灵活的动态图，摒弃有高级接口方便调用。MXNet的底层为C构建，优化的很好，很多推理框架都能直接转换，非常方便。

出生地：社区
特点：计算图动态图都支持、有高级API、速度快、部署方便
主要调包语言：Python、C/C++、JS(js用的相对少)
评价：一定意义上是国人的框架、小团体整的社区维护、文档少生态不行
入门推荐：一般。

7.Theano

Theano是07年左右开发的一个多维数组的计算库，支持GPU计算，当时很多人当成“支持GPU的Numpy”，底层优化的非常好，支持导出C的脚本。

出生地：蒙特利尔大学
特点：计算图、Python+Numpy、源于学术界
主要调包语言：Python
评价：很臃肿、不支持分布式、被后面的TensorFlow打击的很大
入门推荐：绝对不建议，真的要用的话，先学习别的框架再看Github就行了

8.Torch

Torch是一款针对ML算法且又简单易用的开源计算框架。该工具提供了高效的GPU支持，N维数组，数值优化例程，线性代数例程以及用于索引、切片和置换的例程。基于Lua的脚本语言，该工具带有大量预先训练好的模型。这款灵活高效的ML研究工具支持诸如Linux，Android，Mac OS X，iOS和Windows等主流平台。

9.CNTK

Microsoft Cognitive Toolkit是具有C#/C++/Python接口支持的最快的深度学习框架之一。此款开源框架带有强大的C++ API，比TensorFlow更快、更准确。该工具还支持内置数据读取器的分布式学习。它支持诸如前馈，CNN，RNN，LSTM和序列到序列等算法。该工具支持Windows和Linux。

出生地：微软
特点：非常严谨、语音上有一些优势、难度有点高
调包语言：C++、Python
评价：语音上不错呀、微软推不下去了、感觉不如TensorFlow、有点复古
入门推荐：不建议，看看就好。

10.ONNX

ONNX是一种针对机器学习所设计的开放式的文件格式，用于存储训练好的模型。它使得不同的人工智能框架（如Pytorch, MXNet）可以采用相同格式存储模型数据并交互。用大白话说就是是一个中间件，比如你PyTorch的模型想转换别的，就得通过ONNX，现在有的框架可以直接转，但是在没有专门支持的时候，ONNX就非常重要了，万物先转ONNX，ONNX再转万物。ONNX本身也有自己的模型库以及很多开源的算子，所以用起来门槛不是那么高。

出生地：有点多，很多大厂一起整的
特点：万能转换
主要调包语言：Python、C/C++
入门推荐：感觉不用刻意去学习，用到了再看就可以的

三、深度学习移动端推理框架

一些框架是面向算力有限的设备上做模型部署的，比如嵌入式设备、机器人或者移动设备上。

1.TensorRT

TensorRT是NVIDIA公司推出的面向GPU算力的推理框架，在服务端和嵌入式设备上都有非常好的效果，但是底层不开源。TensorRT的合作方非常的多，主流的框架都支持。如果有GPU的话，传统的算子可以用CUDA，深度学习搞成TensorRT。

出生地：NVIDIA
特点：自产自销NVIDIA不多解释，框架支持很多，生态很棒，稳定性高
主要调包语言：Python、C/C++
推荐平台：NVIDIA Jetson系列的嵌入式、NVIDIA的GPU(一条龙)
支持模型：TensorFlow1.x、TensorFlow2.x、PyTorch、ONNX、PaddlePaddle、MXNet、Caffe、Theano，Torch，Lasagne，Blocks。
入门推荐：非常适合入门，毕竟直接在自己的GPU上做测试就行。

2.TF-Lite

TF-Lite是谷歌针对移动端的推理框架，非常的强大。强大的原因在于Keras、TensorFlow的模型都能使用，而且有专门的TPU和安卓平台，这种一条龙的服务让TensorFlow在部署方面还在称霸。TF-Lite如果用Keras、TensorFlow的模型去转换一般来说都是脚本直接开搞，自己重构的部分相对少很多。

出生地：Google
特点：一条龙的服务专属平台
主要调包语言：Python、C/C++、Java
支持模型：Keras、TensorFlow、ONNX
推荐平台：几乎所有的ARM处理器和微控制器(树莓派，甚至单片机)、TPU专享
入门推荐：TFboys(TensorFlow使用者)的必备，毕竟一条龙，还有机会了解TPU，非常贴心。

3.OpenVINO

OpenVINO是Intel的推理框架，一个超级强的推理部署工具。工具包中提供了很多便利的工具，例如OpenVINO提供了深度学习推理套件(DLDT)，该套件可以将各种开源框架训练好的模型进行线上部署，除此之外，还包含了图片处理工具包OpenCV，视频处理工具包Media SDK。如果是针对Intel的加速棒或者工控机上部署真的是非常不错的。

出生地：Intel
特点：面向Intel设备的加速，便捷使用，安装和SDK很方便
主要调包语言：C/C++、Python
支持模型：TensorFlow、PyTorch、ONNX、MXNet、PaddlePaddle
推荐平台：自己的电脑、Intel神经网络加速棒、Intel的FPGA
入门推荐：作为入门的不啊还是不错的，只是落地场景有点少，毕竟现在是边缘设备的时代

因为工业上工控机多但是深度学习模型用的还是少，很多都是传统的算法，很多落地场景中上Intel的处理器并不占优势。

4.CoreML

CoreML是苹果公司推出针对ios以及macOS系统部署的机器学习平台，底层不开源。在苹果设备上，CoreML的速度是最快的，但是也只能用于苹果的设备上。现在开发apple app主要是Swift，受到Swift出的特性，真的是各种语言各种粘，很好入门。

出生地：Apple
特点：面向苹果设备，专业设备上速度第一，稳定、入门简单
主要调包语言：C/C++、Python、Obj-C、Swift
支持模型：TensorFlow、ONNX、PyTorch、ONNX、MXNet、Caffe
推荐平台：iMac、MacBook、iPhone、iPad、AppleWatch
入门推荐：针对Apple的开发者，业余选手得买个MBP

5.NCNN

NCNN是腾讯推出的推理框架，一定意义上是之前使用非常广的一个推理框架，社区做的也非常棒。NCNN的速度是超过TFLite的，但是有点麻烦的是之前得经常自己用C去复现一些算子(框架起步都这样)，现在因为使用的人数很多，因此算子很多。NCNN对于X86、GPU均有支持，在嵌入式、手机上的表现非常好。

出生地：腾讯优图实验室
特点：面向移动端的加速、手机处理器的加速单元支持很棒
主要调包语言：C/C++、Python
支持模型：TensorFlow、ONNX、PyTorch、ONNX、MXNet、DarkNet、Caffe
推荐平台：安卓/苹果手机、ARM处理器设备
入门推荐：对于嵌入式或者APP开发有经验的同学绝对首推的

6.MNN

MNN是阿里巴巴推出的移动端框架，现在也支持模型训练，支持OpenCL，OpenGL，Vulkan和Metal等。同样的设备，MNN的部署速度是非常快的，树莓派3B上cpu的加速是NCNN速度的3被以上，而且文档非常的全，代码整洁清晰，非常适合开发者使用。

出生地：阿里巴巴多部门合作
特点：面向移动端的加速、应该是现在速度之最
主要调包语言：C/C++、Python
支持模型：TensorFlow、ONNX、PyTorch、MXNet、NCNN、Caffe、TF-Lite
推荐平台：安卓/苹果手机、ARM处理器设备
入门推荐：首推的部署推理框架，绝对的好用，在苹果设备上的速度也很棒。MNN框架感觉比NCNN稳定一些，而且源码非常整洁，研究底层也是非常方便。

7.Tenigne

Tenigne-Lite是OpenAILab推出的边缘端推理部署框架，OpenCV官方在嵌入式上的部署首推Tenigne-Lite。现在对于RISC-V、CUDA、TensorRT、NPU的支持非常不错。Tengine是现在来说感觉安装环境中bug最少的框架，几乎安按照文档走不会出问题的。

出生地：OpenAILab
特点：面向移动端的加速、速度和MNN不相上下、对于嵌入式的支持非常好
主要调包语言：C/C++、Python
支持模型：TensorFlow、ONNX、DarkNet、MXNet、NCNN、Caffe、TF-Lite、NCNN
推荐平台：安卓手机、ARM处理器设备、RISC-V
入门推荐：嵌入式开发的小伙伴还等什么，干就完了

Tengine-Lite是个朝气蓬勃的框架，虽然出的时间并没有其他框架早，但是框架性能、易用性还是非常适合嵌入式玩家的。

8.NNIE

NNIE 即 Neural Network Inference Engine，是海思 SVP 开发框架中的处理单元之一，主要针对深度学习卷积神经网络加速处理的硬件单元，可用于图片分类、目标检测等 AI 应用场景。

支持现有大部分公开的卷积神经网络模型，如 AlexNet、VGG16、ResNet18、ResNet50、GoogLeNet 等分类网络，Faster R-CNN、YOLO、SSD、RFCN 等检测目标网络，以及 FCN 、SegNet 等分割场景网络。目前 NNIE 配套软件及工具链仅支持以 Caffe 框架，使用其他框架的网络模型需要转化为 Caffe 框架下的模型。

华为海思NNIE非常强大，之前移动端真的快霸主，但是现在受制约芯片停产。

9.RKNN

Rockchip提供RKNN-Toolkit开发套件进行模型转换、推理运行和性能评估。

模型转换：支持 Caffe、Tensorflow、TensorFlow Lite、ONNX、Darknet 模型，支持RKNN 模型导入导出，后续能够在硬件平台上加载使用。
模型推理：能够在 PC 上模拟运行模型并获取推理结果，也可以在指定硬件平台RK3399Pro Linux上运行模型并获取推理结果。
性能评估：能够在 PC 上模拟运行并获取模型总耗时及每一层的耗时信息，也可以通过联机调试的方式在指定硬件平台 RK3399Pro Linux上运行模型，并获取模型在硬件上运行时的总时间和每一层的耗时信息。

四、卷积神经网络 – CNN

https://easyai.tech/ai-definition/cnn/#zuoyong

CNN 的基本原理：

卷积层 – 主要作用是保留图片的特征
池化层 – 主要作用是把数据降维，可以有效的避免过拟合
全连接层 – 根据不同任务输出我们想要的结果

CNN 的实际应用：

图像分类、检索
目标检测
目标分割（语义分割、实例分割、全景分割）
人脸识别
骨骼识别

Object detection: speed and accuracy comparison (Faster R-CNN, R-FCN, SSD, FPN, RetinaNet and YOLOv3)

1.目标检测模型

判断是图片里面有什么，分别在哪里。

https://github.com/hoya012/deep_learning_object_detection

image

模型性能对比表

Detector	VOC07 (mAP@IoU=0.5)	VOC12 (mAP@IoU=0.5)	COCO (mAP@IoU=0.5:0.95)	Published In
R-CNN	58.5	-	-	CVPR'14
SPP-Net	59.2	-	-	ECCV'14
MR-CNN	78.2 (07+12)	73.9 (07+12)	-	ICCV'15
Fast R-CNN	70.0 (07+12)	68.4 (07++12)	19.7	ICCV'15
Faster R-CNN	73.2 (07+12)	70.4 (07++12)	21.9	NIPS'15
YOLO v1	66.4 (07+12)	57.9 (07++12)	-	CVPR'16
G-CNN	66.8	66.4 (07+12)	-	CVPR'16
AZNet	70.4	-	22.3	CVPR'16
ION	80.1	77.9	33.1	CVPR'16
HyperNet	76.3 (07+12)	71.4 (07++12)	-	CVPR'16
OHEM	78.9 (07+12)	76.3 (07++12)	22.4	CVPR'16
MPN	-	-	33.2	BMVC'16
SSD	76.8 (07+12)	74.9 (07++12)	31.2	ECCV'16
GBDNet	77.2 (07+12)	-	27.0	ECCV'16
CPF	76.4 (07+12)	72.6 (07++12)	-	ECCV'16
R-FCN	79.5 (07+12)	77.6 (07++12)	29.9	NIPS'16
DeepID-Net	69.0	-	-	PAMI'16
NoC	71.6 (07+12)	68.8 (07+12)	27.2	TPAMI'16
DSSD	81.5 (07+12)	80.0 (07++12)	33.2	arXiv'17
TDM	-	-	37.3	CVPR'17
FPN	-	-	36.2	CVPR'17
YOLO v2	78.6 (07+12)	73.4 (07++12)	-	CVPR'17
RON	77.6 (07+12)	75.4 (07++12)	27.4	CVPR'17
DeNet	77.1 (07+12)	73.9 (07++12)	33.8	ICCV'17
CoupleNet	82.7 (07+12)	80.4 (07++12)	34.4	ICCV'17
RetinaNet	-	-	39.1	ICCV'17
DSOD	77.7 (07+12)	76.3 (07++12)	-	ICCV'17
SMN	70.0	-	-	ICCV'17
Light-Head R-CNN	-	-	41.5	arXiv'17
YOLO v3	-	-	33.0	arXiv'18
SIN	76.0 (07+12)	73.1 (07++12)	23.2	CVPR'18
STDN	80.9 (07+12)	-	-	CVPR'18
RefineDet	83.8 (07+12)	83.5 (07++12)	41.8	CVPR'18
SNIP	-	-	45.7	CVPR'18
Relation-Network	-	-	32.5	CVPR'18
Cascade R-CNN	-	-	42.8	CVPR'18
MLKP	80.6 (07+12)	77.2 (07++12)	28.6	CVPR'18
Fitness-NMS	-	-	41.8	CVPR'18
RFBNet	82.2 (07+12)	-	-	ECCV'18
CornerNet	-	-	42.1	ECCV'18
PFPNet	84.1 (07+12)	83.7 (07++12)	39.4	ECCV'18
Pelee	70.9 (07+12)	-	-	NIPS'18
HKRM	78.8 (07+12)	-	37.8	NIPS'18
M2Det	-	-	44.2	AAAI'19
R-DAD	81.2 (07++12)	82.0 (07++12)	43.1	AAAI'19
ScratchDet	84.1 (07++12)	83.6 (07++12)	39.1	CVPR'19
Libra R-CNN	-	-	43.0	CVPR'19
Reasoning-RCNN	82.5 (07++12)	-	43.2	CVPR'19
FSAF	-	-	44.6	CVPR'19
AmoebaNet + NAS-FPN	-	-	47.0	CVPR'19
Cascade-RetinaNet	-	-	41.1	CVPR'19
HTC	-	-	47.2	CVPR'19
TridentNet	-	-	48.4	ICCV'19
DAFS	85.3 (07+12)	83.1 (07++12)	40.5	ICCV'19
Auto-FPN	81.8 (07++12)	-	40.5	ICCV'19
FCOS	-	-	44.7	ICCV'19
FreeAnchor	-	-	44.8	NeurIPS'19
DetNAS	81.5 (07++12)	-	42.0	NeurIPS'19
NATS	-	-	42.0	NeurIPS'19
AmoebaNet + NAS-FPN + AA	-	-	50.7	arXiv'19
SpineNet	-	-	52.1	arXiv'19
CBNet	-	-	53.3	AAAI'20
EfficientDet	-	-	52.6	CVPR'20
DetectoRS	-	-	54.7	arXiv'20

2.图像分类模型

图像分类是对图像判断出所属的分类，比如在学习分类中数据集有人（person）、羊（sheep）、狗（dog）和猫（cat）四种。

https://github.com/weiaicunzai/awesome-image-classification

ConvNet	ImageNet top1 acc	ImageNet top5 acc	Published In
Vgg	76.3	93.2	ICLR2015
GoogleNet	-	93.33	CVPR2015
PReLU-nets	-	95.06	ICCV2015
ResNet	-	96.43	CVPR2015
PreActResNet	79.9	95.2	CVPR2016
Inceptionv3	82.8	96.42	CVPR2016
Inceptionv4	82.3	96.2	AAAI2016
Inception-ResNet-v2	82.4	96.3	AAAI2016
Inceptionv4 + Inception-ResNet-v2	83.5	96.92	AAAI2016
RiR	-	-	ICLR Workshop2016
Stochastic Depth ResNet	78.02	-	ECCV2016
WRN	78.1	94.21	BMVC2016
SqueezeNet	60.4	82.5	arXiv2017(rejected by ICLR2017)
GeNet	72.13	90.26	ICCV2017
MetaQNN	-	-	ICLR2017
PyramidNet	80.8	95.3	CVPR2017
DenseNet	79.2	94.71	ECCV2017
FractalNet	75.8	92.61	ICLR2017
ResNext	-	96.97	CVPR2017
IGCV1	73.05	91.08	ICCV2017
Residual Attention Network	80.5	95.2	CVPR2017
Xception	79	94.5	CVPR2017
MobileNet	70.6	-	arXiv2017
PolyNet	82.64	96.55	CVPR2017
DPN	79	94.5	NIPS2017
Block-QNN	77.4	93.54	CVPR2018
CRU-Net	79.7	94.7	IJCAI2018
ShuffleNet	75.3	-	CVPR2018
CondenseNet	73.8	91.7	CVPR2018
NasNet	82.7	96.2	CVPR2018
MobileNetV2	74.7	-	CVPR2018
IGCV2	70.07	-	CVPR2018
hier	79.7	94.8	ICLR2018
PNasNet	82.9	96.2	ECCV2018
AmoebaNet	83.9	96.6	arXiv2018
SENet	-	97.749	CVPR2018
ShuffleNetV2	81.44	-	ECCV2018
IGCV3	72.2	-	BMVC2018
MnasNet	76.13	92.85	CVPR2018
SKNet	80.60	-	CVPR2019
DARTS	73.3	91.3	ICLR2019
ProxylessNAS	75.1	92.5	ICLR2019
MobileNetV3	75.2	-	arXiv2019
Res2Net	79.2	94.37	arXiv2019
EfficientNet	84.3	97.0	ICML2019

3.语义分割模型

语义分割（semantic segmentation）就是需要区分到图中每一点像素点，而不仅仅是矩形框框住了。但是同一物体的不同实例不需要单独分割出来。对下图左，标注为人，羊，狗，草地。而不需要羊1，羊2，羊3，羊4，羊5等。

FCN
SegNet
U-Net
Dilated Convolutions
DeepLab (v1 & v2)
RefineNet
PSPNet
Large Kernel Matters
DeepLab v3

主流深度学习框架及神经网络模型汇总 - 简书