基于深度学习的人脸检测算法的设计与实现文献综述

文献综述

1.1 研究背景和意义深度学习作为机器学习领域的分支，基本思想是使用卷积神经网络对相应领域预先构建的大批量数据集进行训练，并通过自监督或无监督学习的方式对训练模型进行监测的技术;深层卷积神经网络作为一类由多层隐藏层组成的神经网络结构，最初是用来表示深层次卷积神经网络学习解答特征表示方案的过程。

在进行深度神经网络模型训练时会使用深度学习框架以提高工作效率，降低代码重复编写率。

目前最热门的深度学习框架有Caffe、Kears、Tensorflow、PyTorch等。

Keras作为一款深层神经网络接口程序，其架构基本使用Python语言进行开发且能够兼容TensorFlowTheano及CNTK作为后端12。

在所有深度学习框架种，Keras向开发人员和研究员提供了易于开发且简便的编程接口，很大程度上解决了开发者重复编写代码的问题，提高了工作和开发效率，是最易理解和学习的深度学习框架。

然而，Keras在不断发展中为了兼容诸如Tensorflow、CNTK等其他接口作为后端，向开发人员和使用者提供了可以屏蔽不同后端差异的API,这导致Keras必须对函数进行大量的代码封装，因而使开发人员在进行操作时无法对函数或底层数据进行修改:同时代码的过度封装也使开发人员在进行开发时程序的执行速度被严重拖慢，且当项目出现错误或需要进行维护更新时无法准确获取相应的代码。

因此Keras在大多数部署场景下运行时是所有深度学习框架种速度最慢的之一自从Google进军深度学习领域后，由其自行研发的框架Tensorflow一经推出就在机器学习和深层神经网络等领域迅速占领了市场，经过这些年的发展，这款产品已经成为使用人数最多的深度学习框架。

作为深度学习框架中影响力最大的一款，Tensorflow至今还在不断推出优化版本:在首发推出支持Python和C 语言后，Tensorflow在后续还添加了Java、 R语言、Go等语言接口，并对AWS和GoogleCloud做了兼容处理。

Tensorflow同样兼容了Windows7Windows10等不同版本的Windows系统。