DNN模型介绍

目录

DNN模型是什么？

DNN的基本结构

DNN模型的特点

---

DNN模型是什么？

在OpenCV中，DNN模型是一个深度学习模块，它提供了推理功能，但不涉及模型的训练。它支持多种深度学习框架，如TensorFlow、Caffe、Torch和Darknet。DNN模型只实现推理功能，代码量和编译运行开销远小于其他深度学习模型框架。该模型具有内建的CPU和GPU加速功能，无需依赖第三方库。DNN模块支持多种网络模型格式，用户无需额外的进行网络模型的转换就可以直接使用，涵盖了常用的目标分类、目标检测和图像分割的类别。

DNN的基本结构

从DNN按不同层的位置划分，DNN内部的神经网络层可以分为三类，输入层，隐藏层和输出层,如下图示例，一般来说第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。

层与层之间是全连接的，也就是说，第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂，但是从小的局部模型来说，还是和感知机一样，即一个线性关系z=∑wixi+bz=∑wixi+b加上一个激活函数σ(z)σ(z)。

DNN模型的特点

• 轻量: OpenCV的深度学习模块只实现了模型推理功能，不涉及模型训练，这使得相关程序非常精简，加速了安装和编译过程。
• 外部依赖性低:重新实现一遍深度学习框架使得DNN模块对外部依赖性极低，极大地方便了深度学习应用的部署。
• 方便:在原有OpenCV开发程序的基础上，通过DNN模块可以非常方便地加入对神经网络推理的支持。
• 集成:若网络模型来自多个框架，如一个来自TensorFlow)另外一个来自Caffe,则刚DNN模块可以方便地对网络进行整合。。
• 通用性:DNN模块提供了统一的接口来操作网络模型，内部做的优化和加速适用于所有网络模型格式，支持多种设备和操作系统。