主要记录一些新的深度学习有关的框架工具等,以作个人备份:
-
-
- 1 Android手机上的GPU加速DCNN运行库CNNdroid
- 2 基于JavaScript的网页端模型训练及部署
- 3 使用python脚本为caffe配置大型网络
- 4 TensorFlow 官方文档中文版
- 5 基于python的图像打label工具
- 6 MatConvNetmatlab下的深度卷积神经网络工具箱
- 7 DarkNet 使用C和CUDA编写的轻型神经网络框架
- 8 NNPACK 专为深度学习设计的高性能计算库
- 9 常见的在ImageNet上预训练的caffemodel
- 10 深度卷积神经网络量化仿真工具箱
- 11常见CNN模型在不同硬件设备下的速度对比
- 12不同深度学习框架下模型互转工具
- 13轻量级神经网络框架tiny DNN 和 mini caffe
- 14常用的图像扩增方法合集
- 15NCNN 手机端极致优化的高性能神经网络前向计算框架
- 16常见的一些神经网络设计方法的效果对比
-
(1) Android手机上的GPU加速DCNN(运行)库CNNdroid
文章《CNNdroid: GPU-Accelerated Execution of Trained Deep Convolutional Neural Networks on Android》
github链接: https://github.com/ENCP/CNNdroid
——————————————————————————————————————————
(2) 基于JavaScript的网页端模型训练及部署
文章《DEVELOPMENT OF JAVASCRIPT-BASED DEEP LEARNING PLATFORM AND APPLICATION TO DISTRIBUTED TRAINING》
github链接:https://github.com/mil-tokyo/sukiyaki2
——————————————————————————————————————————
(3) 使用python脚本为caffe配置大型网络
caffe下面要想配置个ResNet或者GoogLeNet等,简直要累死人。
github链接:https://github.com/soeaver/caffe-model
——————————————————————————————————————————
(4) TensorFlow 官方文档中文版
github链接: https://github.com/cmxnono/tensorflow-zh
——————————————————————————————————————————
(5) 基于python的图像打label工具
github链接:https://github.com/tzutalin/labelImg://github.com/zhaofan0622/labelImg
——————————————————————————————————————————
(6) MatConvNet:matlab下的深度卷积神经网络工具箱
项目主页: http://www.vlfeat.org/matconvnet/
github链接: https://github.com/vlfeat/matconvnet://github.com/zhaofan0622/matconvnet
——————————————————————————————————————————
(7) DarkNet : 使用C和CUDA编写的轻型神经网络框架
速度快,安装简单,支持CPU和GPU。
项目主页: http://pjreddie.com/darknet/
github链接:https://github.com/pjreddie/darknet
——————————————————————————————————————————
(8) NNPACK : 专为深度学习设计的高性能计算库
NNPACK是一个高效的加速库,主要用于加速卷积、全连接、pooling等常见操作,性能比MKL还要快2倍。(ps.在Intel CPU上几乎没见过比MKL快的运算库)。
github链接: https://github.com/Maratyszcza/NNPACK
使用NNPACK的caffe: https://github.com/Maratyszcza/caffe-nnpack
性能测试页面: https://maratyszcza.github.io/NNPACK/nnpack.html
——————————————————————————————————————————
(9) 常见的在ImageNet上预训练的caffemodel
目前提供了AlexNet、VGG、ResNet10、ResNet50这4个带BN的caffemodel,包含train、test、log等内容。后续可能会更新其它的模型。
项目主页:http://www.inf-cv.uni-jena.de/Research/CNN+Models.html
github主页:https://github.com/cvjena/cnn-models/tree/master/VGG19_cvgj
——————————————————————————————————————————
(10) 深度卷积神经网络量化仿真工具箱
文章链接:《TensorQuant - A Simulation Toolbox for Deep Neural Network Quantization》
github主页:https://github.com/cc-hpc-itwm/TensorQuant
——————————————————————————————————————————
(11)常见CNN模型在不同硬件设备下的速度对比
github主页:https://github.com/jcjohnson/cnn-benchmarks
——————————————————————————————————————————
(12)不同深度学习框架下模型互转工具
github主页:https://github.com/ysh329/deep-learning-model-convertor
——————————————————————————————————————————
(13)轻量级神经网络框架:tiny DNN 和 mini caffe
tiny DNN github主页:https://github.com/tiny-dnn/tiny-dnn
mini caffe github主页:https://github.com/luoyetx/mini-caffe
——————————————————————————————————————————
(14)常用的图像扩增方法合集
github主页:https://github.com/aleju/imgaug
——————————————————————————————————————————
(15)NCNN 手机端极致优化的高性能神经网络前向计算框架
github主页:https://github.com/Tencent/ncnn
——————————————————————————————————————————
(16)常见的一些神经网络设计方法的效果对比
比如:不同激活函数、不同pooling方法、不同dropout设置、BN放置位置等对模型性能的影响。