william hill官网
里已经有很多Nanopi的试用体验了,那为什么时隔2年之久的我会再次使用Nanopi分享学习日记呢?其实这次的Nanopi学习,是Nanopi学习,不是我学习,这是什么意思呢,是让Nanopi学习,也就是现在最流行的深度学习领域,关注william hill官网
的朋友应该看到了,开发板试用活动中有【NanoPi K1 Plus试用】的申请,介绍中NanopiK1plus的高大上优点之一就是“可运行深度学习算法的智能设备”,没错,虽然Nanopi迷你,但确实能够运行深度学习算法。 但试用机会少的可怜,只有5个,难道一定要对申请志在必得吗?NO!NO!NO!深度学习并不仅仅是好一点的Nanopi的特权,Nanopi2就能实现!还请关注我后面的日记。 实际上我也是刚刚有时间学习深度学习,我是个纯初学者,但面对深度学习里的各种复杂理论和公式推导,自己实现个小功能会更快了解入门,因此我会从现有深度学习框架着手,使用Nanopi2部署已训练好的检测模型,例如硅谷电视剧的 Not Hotdog 检测器应用,会在复杂的深度学习历程中有些成就感。 https://blog.csdn.net/chenyefei/article/details/55808084 里面概括的很全,但其中主流的还是TensorFlow、Keras、Caffe、Theano等,参考网址: http://www.sohu.com/a/204207587_99960938 而我现在要考虑的是跨平台、跨系统性能强,并支持Nanopi2的深度学习算法库。近两年TensorFlow开源后,对于初学深度学习最耳熟能详的就是TensorFlow,但再稍有了解的,会知道TensorFlow太过于底层,实现深度学习的过程复杂,但其框架是相当好的,Keras相比TensorFlow,具有简单易用的特点,更适合深度学习的初学者。 日记目标是构建深度学习环境,使用的是TensorFlow后端的Keras,Keras 是一个用 Python 编写的高级神经网络 API,它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验。能够以最小的时延把你的想法转 换为实验结果,是做好研究的关键。Keras 具有以下优势: • 允许简单而快速的原型设计(由于用户友好,高度模块化,可扩展性)。 • 同时支持卷积神经网络和循环神经网络,以及两者的组合。 --摘自《Keras:基于-Python-的深度学习库》
|