1.深度学习网络模型
（1）DNN(Deep Neural Network,深度神经网络)
（2）RNN(Recurrent Neural Network,循环神经网络)
（3）CNN(Convolution Neural Network,卷积神经网络)
主要应用于：语音识别，机器翻译，生成图像描述；
主要你应用于：图像分类，检索；目标检测；目标分割；人脸识别；
2.现在主流的深度学习框架
（1）Google的开源框架TensorFlow:使用C++语言开发的开源数学计算软件，使用数据流图的形式进行计算。并且现在TensorFlow还集成了Keras框架,搭建框架效率较高；
（2）Caffe框架：由贾扬清开发的，Convolutional Architecturefor Fast Feature Embedding，是一个清晰而高效的开源深度学习框架。
（3）Theano:Theano的核心是一个数学表达式的编译器，它知道如何获取你的结构，并使之成为一个使用numpy、高效本地库的高效代码，如BLAS和本地代码(C++)在CPU或GPU上尽可能快地运行.
（4）MXNet:MXNet的主要作者是李沐，如今成了亚马逊的官方框架，有着非常好的分布式支持，而且性能特别好，占用显存低，同时其开发的语言接口不仅仅有Python和C++，还有R，Matlab，Scala，JavaScript，等等.
（5）Torch:Torch是一个有大量机器学习算法支持的科学计算框架,Facebook开源了大量Torch的深度学习模块和扩展。Torch的特点在于特别灵活，但是另一个特殊之处是采用了编程语言Lua，在深度学习大部分以Python为编程语言的大环境之下.
（6）Pytorch:PyTorch的前身便是Torch，其底层和Torch框架一样，但是使用Python重新写了很多内容，不仅更加灵活，支持动态图，而且提供了Python接口。它是由Torch7团队开发，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.
3.训练模型保存的文件名格式
神经网络、深度学习和机器学习模型文件后缀名：
ONNX (.onnx, .pb, .pbtxt)
Keras (.h5, .keras)
CoreML (.mlmodel)
Caffe2 (predict_net.pb, predict_net.pbtxt)
MXNet (.model, -symbol.json)
TensorFlow Lite (.tflite)
深度学习框架文件后缀名：
Caffe (.caffemodel, .prototxt)
PyTorch (.pth)
Torch (.t7)
CNTK (.model, .cntk)
PaddlePaddle(__model__)
Darknet (.cfg)
https://blog.csdn.net/qq_53016081/article/details/119766560
4.Opencv支持的框架
Tensorflow,Pytorch/torch,Caffe,DarkNet
（1）DNN的使用步骤
（1）读取模型；
（2）读取图片或者视频；
（3）将图片转换为张量；
（4）进行分析，最终得到结果；
（2）导入模型的种类
Dnn1=readNetFromTensorflow（model，config）;
Dnn2=readNetFromCaffe（config，model）;
Dnn3=readNetDarknet,（config，model）YOLO;
Dnn4=readNet（model，[config，[framework]]）
将图片转换为张量
blobFromImage(image,scalefactor=1.0,size=Size(),mean=Scale(),swapRB=False,crop=False,ddepth=CV_32F)
Image：输入的图片；
Scalefactor:缩放图片大小；当我们将图片减去平均值之后，还可以对剩下的像素值进行一定的尺度缩放，它的默认值是1，如果希望减去平均像素之后的值，全部缩小一半，那么可以将scalefactor设为1/2。
Size：指定图片的大小；
Mean:需要将图片整体减去的平均值，如果我们需要对RGB图片的三个通道分别减去不同的值，那么可以使用3组平均值，如果只使用一组，那么就默认对三个通道减去一样的值。减去平均值（mean）：为了消除同一场景下不同光照的图片，对我们最终的分类或者神经网络的影响，我们常常对图片的R、G、B通道的像素求一个平均值，然后将每个像素值减去我们的平均值，这样就可以得到像素之间的相对值，就可以排除光照的影响。
swapRB:R和B是否进行交换，默认值为false；
Crop:对图像是否进行裁剪，默认值为false；
Ddepth:图像的位深；
将图像送入网络执行并得到结果
Net.setInput(blob);
Net.forward();
转载：https://blog.csdn.net/Keep_Trying_Go/article/details/125459959