darknet是一个较为轻型的完全基于C与CUDA的开源深度学习框架，其主要特点就是容易安装，没有任何依赖项（OpenCV都可以不用），移植性非常好，支持CPU与GPU两种计算方式。

ncnn-examples-demo（深度学习框架必备，有详细注释），里面的库路径需要自己更改，用到opencv,vs2015以上版本

基于java 的深度学习框架DL4J的介绍和实例分析。

深度学习框架简介.ppt

实验室开放基金项目可行性研究报告（未完）-基于Tensorflow深度学习框架的电网仿真高性能数据挖掘平台技术研究.docx

相信社区中很多小伙伴和我一样使用了很长时间的Caffe深度学习框架，也非常希望从代码层次理解Caffe的实现从而实现新功能的定制。本文将从整体架构和底层实现的视角，对Caffe源码进行解析。Caffe框架主要有五个组件，Blob，Solver，Net，Layer，Proto，其结构图如下图1所示。Solver负责深度网络的训练，每个Solver中包含一个训练网络对象和一个测试网络对象。每个网络则由若干个Layer构成。每个Layer的输入和输出Featuremap表示为InputBlob和OutputBlob。Blob是Caffe实际存储数据的结构，是一个不定维的矩阵，在Caffe中一般用来表

基于Pytorch和torchtext的知识图谱深度学习框架，包含知识表示学习、实体识别与链接、实体关系抽取、事件检测与抽取、知识存储与查询、知识推理六大功能模块，已实现了命名实体识别、关系抽取、事件抽取、表示学习等功能。

本文于网络,文章讲解了使用TensorFlow如何来构建神经网络及 图像识别与卷积神经网络的详细描述。tensor:张量，是tensorflow的数据模型。在tensorflow中可以简单理解为多位数组，表示计算节点，是tensorflow管理数据的形式。但是在tensorflow中，张量的实现并不是直接采用数组的形式，它仅仅是对运算结果的引用。 张量的三个主要属性：name、shap

在pc ubuntu环境下对caffe+opencv环境进行交叉编译，针对caffe各个依赖的库都有详细的编译说明，并且在rk3288平台上验证了目标识别算法

pytorch Windows 版本 torch torch-1.1.0-cp36-cp36m-win_amd64.whl