《表1 主流深度学习框架对比分析》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《深度学习在图像识别中的应用研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

2006年，Hinton[12]等人提出深度学习的概念，它是含多隐藏层、多感知器的一种网络结构，能更抽象、更深层次描述物体的属性和特征。由于深度学习算法是高纬矩阵运算，之前由于计算机性能的缺陷，运算能力弱，运算速度慢，无法完成大规模运算，深度学习的发展遇到了瓶颈[13]。随着计算机性能的不断提升，针对高性能运算的硬件不断完善，在一定程度上提高了计算机的运算能力和运算速度，现有的高性能计算机可以完成深度学习中大规模的矩阵运算。因此，深度学习在这段时间内得到了快速发展，针对深度学习的各种算法模型不断提出，并且顺利运用到商业之中。例如:在国内，以百度为代表的无人驾驶汽车研发成功，其中将以深度学习为基础的计算机视觉、听觉等识别技术应用到“百度无人驾驶汽车”系统研发中，通过一系列的测试，最终，百度无人车亮相央视春晚，并且在珠港澳大桥上完成无人驾驶首跑。另一方面以阿里巴巴为代表的图像搜索识别技术取得了很好的成绩，在此技术之上研制出一系列的商业产品，如:基于图像搜索的“拍立淘”等。除此之外，商汤科技在智能视频、身份验证、移动互联网等方面全部运用大量的深度学习技术。在国外，Google、Microsoft、Facebook等公司将深度学习技术作为公司发展的重要技术之一，甚至针对深度学习技术研发了一系列的深度学习框架，如:Goolgle公司研发的Tensorflow，Microsoft公司研发的CNTK，Facebook公司研发的Torch，Fchollet公司研发的Keras，DMLC研发的MXNet以及BLVC（Berkeley Vision and Learning Center）和社区贡献者共同研发的Caffe等，这些深度技术框架主要应用于图像识别分类、手写字识别、语音识别、预测、自然语言处理等方面。正是由于上述深度学习框架的提出与应用，促进了深度学习技术的快速发展。其主流深度学习框架的对比分析如表1所示。