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》
