PaddlePaddle是百度主推的开源机器学习平台。它是Parallel Asynchronous Distributed Deep Learning的简称，从名字上也能看出来它的良苦用心，在于多机并行GPU加速。主要用于产品的实施落地。它从一开始就针对的是工业界的痛点，用来快速的解决问题。
而Tensorflow则主要是科研算法的研究。
在models上，PaddlePaddle在模型库 models（https://github.com/PaddlePaddle/models）上和Tensorflow在模型库models（https://github.com/tensorflow/models）都有许多预训练好的模型。
https://blog.csdn.net/u012469528/article/details/79290773
https://ai.baidu.com/easydl/lite
PaddlePaddle做目标检测：https://www.paddlepaddle.org.cn/tutorials/projectdetail/432866
目标检测发展历程
在上一节中我们学习了图像分类处理基本流程，先使用卷积神经网络提取图像特征，然后再用这些特征预测分类概率，根据训练样本标签建立起分类损失函数，开启端到端的训练，如 图2 所示。
但对于目标检测问题，按照 图2 的流程则行不通。因为在图像分类任务中，对整张图提取特征的过程中没能体现出不同目标之间的区别，最终也就没法分别标示出每个物体所在的位置。
为了解决这个问题，结合图片分类任务取得的成功经验，我们可以将目标检测任务进行拆分。假设我们现在有某种方式可以在输入图片上生成一系列可能包含物体的区域，这些区域称为候选区域，在一张图上可以生成很多个候选区域。然后对每个候选区域，可以把它单独当成一幅图像来看待，使用图像分类模型对它进行分类，看它属于哪个类别或者背景（即不包含任何物体的类别）。
上一节我们学过如何解决图像分类任务，使用卷积神经网络对一幅图像进行分类不再是一件困难的事情。那么，现在问题的关键就是如何产生候选区域？比如我们可以使用穷举法来产生候选区域，如图3所示。
