• openmmlab框架

     底层基于pytorch 进行开发，支持训练部署一体化，有一个专门的算法库，叫做mmdeploy，训练好的模型用mmdeploy部署，转成各种各样硬件厂商支持的格式，如图所示：

 

•  计算机视觉的三大任务

  

• 机器学习

（一）特征提取

     （二）分类器 

•  深度学习

（一）神经元

 （二）多层感知机

（三）输出概率 

       

• 训练

（一）损失函数

 （二）寻找损失函数最低点

 （三）反向传播更新参数

 （四）优化器

（五）训练总体流程 

（六）举例：图像分类任务 

 

       图像分类是根据图像的语义信息对不同类别图像进行区分，是计算机视觉的核心，是物体检测、图像分割、物体跟踪、行为分析、人脸识别等其他高层次视觉任务的基础。 图像分类在许多领域都有着广泛的应用按照被提出的时间顺序，涵盖如下卷积神经网络：

1. LeNet：Yan LeCun等人于1998年第一次将卷积神经网络应用到图像分类任务上，在手写数字识别任务上取得了巨大成功。
2. AlexNet：Alex Krizhevsky等人在2012年提出了AlexNet, 并应用在大尺寸图片数据集ImageNet上，获得了2012年ImageNet比赛冠军(ImageNet Large Scale Visual Recognition Challenge，ILSVRC）。
3. VGG：Simonyan和Zisserman于2014年提出了VGG网络结构，是当前最流行的卷积神经网络之一，由于其结构简单、应用性极强而深受广大研究者欢迎。
4. GoogLeNet：Christian Szegedy等人在2014提出了GoogLeNet，并取得了2014年ImageNet比赛冠军。
5. ResNet：Kaiming He等人在2015年提出了ResNet，通过引入残差模块加深网络层数，在ImagNet数据集上的错误率降低到3.6%，超越了人眼识别水平。ResNet的设计思想深刻地影响了后来的深度神经网络的设计。