深度学习初步介绍

今天开始介绍深度学习了，其实现在比较牛的SEnet还有Mask R-cnn等网络的理解，都是建立在一些基本架构上，如果你对于一些基本的网络以及其原理特别清楚的话，看新的网络往往都是一眼就能学会的，甚至能自己简单预测一些网络的发展趋势。

废话不多说了，现在先简单的介绍一些深度学习的基本概念，这次主要想介绍两个概念，一个是深度学习框架，一个是深度学习模型。深度学习框架是深度学习运行的基本环境，例如我们的Pytorch，深度学习模型是我们用来解决问题的工具。如果你以前没有接触过这个概念，可能会懵懵的，我做个简单的比较吧，深度学习框架可以理解为一座房子，深度学习模型则是我们使用的家具，我们使用家具完成某个目的的时候我们在什么房子下都可以，比如我们可以在楼房使用椅子，也可以在砖瓦房使用椅子。框架对我们而言只是一个基础环境，最重要的是我们选择的深度学习模型，再做一个比较，框架类似于操作系统，模型类似于各种软件，比如linux下的qq和windows下的qq。

常见的深度学习框架有哪些呢，虽然网上有很多十大框架之类的，但是我个人认为，一个人的精力有限，还是专注一个或者几个框架比较好，我个人推荐的主要如下：

1.如果是工业以及公司方面，TensorFlow肯定是首选，Caffe框架也升级了现在是Caffe2了，也是很不错的框架，同时可以尝试一下Pytorch框架，这个框架真的很不错。

2.如果是科研方面，肯定是Pytorch排第一，同时Caffe2也是个不错的选择。

其实我个人更倾向于不管工作还是科研都选择Pytorch框架，我研究生的时候有一个师弟，对深度学习很感兴趣的师弟，他参加过一个比赛，现在应该快到最终决赛了，听他说识别图像分类的功能中，同样的设定，Pytorch要比TensorFlow高1%左右，这是个很大的差距了，当然我也只是听说，而且也可能只是对于个别案例Pytorch要比TensorFlow高1%，但是也表现出了Pytorch的性能优越。

常见的深度学习模型有哪些呢，首先看有几个大的方面，主要是分类，分割，目标检测，其实都是预测，分类方面比如LeNet-5,AlexNet等，分割方面如U-Net，目标检测如YOLO 等，以后会慢慢介绍并且附上程序以及相关的结果图。