到这里大家应该清楚了，因为推理时，BN是一个线性的操作，也就是一个缩放+一个偏移，我们完全可以把这个线性操作叠加到前面的全连接层或者卷积层，只需要把全连接或者卷积层的权重乘以一个系数,偏置从

19年团队规模迅速扩张的过程中，他们带领的团队规模也从一两个人拓展到数十个人。而笔者离职的时候，组长也表达了类似的观点，说我尽量还是留下，等应届生入职后，就可以让我带，这样会有一个快速的成长。2.

一般来说，深度学习都是运行在服务器或者以原生应用的方式运行，而谷歌开源的TensorFlow.js库，则可以让深度学习，高效率的跑在用户的浏览器、Node.js环境甚至微信小程序里面。前几天，AIZOO开源的口罩数据得到了很多粉丝朋友的关注，我们也将Keras框架训练的模型顺利的转成了PyTorch、TensorFlow、MXNet和Caffe模型，并将其对应的推理代码进行了开源。不过，仍然有不少的朋友好奇我们是如何让人脸口罩检测模型跑在本地浏览器里的。今天，元峰就简单的介绍一下。为此，我们专门建立了一个极简的web

号外！号外！现在，AIZOO开源PyTorch、TensorFlow、MXNet、Keras和Caffe五大主流深度学习框架的人脸检测模型和代码啦！先附上Github链接为敬。https://github.com/AIZOOTech/FaceMaskDetection前两天，AIZOO开源的近8000张人脸口罩数据和模型，得到了很多朋友的积极反馈，也有很多朋友留言赞赏我们的开源精神。其中一位粉丝朋友说：“公开这么多数据，你好无私啊”，一句话，瞬间让元峰标注数据的痛苦烟消云散了。但是，笔者开源的是Keras和Caffe版本，有更多的朋友发消息告诉我说，如果开源PyTorch版本就好了，毕竟，PyTorch是当今科研圈最流行的深度学习框架了。还有粉丝朋友私信元峰要TensorFlow版本。对此，元峰让明星范伟替我回答一下，请看下面小视频。对于人脸口罩检测模型和数据的基本说明，因为前文已经做了介绍，这里不再额外赘述，有需要的朋友请阅读AIZOO周三发表的《AIZOO开源人脸口罩检测数据+模型+代码+在线网页体验，通通都开源了》这篇文章。本文，我们重点介绍一下各大深度学习框架之间的转换方法，尤其是目标检测模型如何互转。1模型转换工具介绍这都2020年了，深度学习也经历了八年的蓬勃发展。这八年，深度学习可以说是人工智能领域最璀璨的一颗明星。过去的近十年，有众多的深度学习框架诞生——Torch、Theao、Caffe、TensorFlow、Keras、MXNet、PyTorch、CNTK、Chainer、Deepleaning4Java以及百度的PaddlePaddle等，可以说这些优秀的框架极大的方便了学者和工程师进行学术研究以及工业实现，也极大的促进了AI领域的发展，对此，我们应该向这些发布框架的作者们说一声致谢。不过，深度学习经过这几年的发展和沉淀，深度学习框架的头部聚集效应越来越明显。Theano和Caffe在发布1.0版本后便停止了官方更新，Chainer母公司在2019年12月宣布转向PyTorch，MXNet虽然拥有李沐等大神，背靠Amazon大山，但一直不温不火；百度的Paddle最近仍然在顽强的挣扎，疯狂的做推广，大有一副“扶我起来，我还能战”的态势。而曾经一时风头无两的TensorFlow，也在自己的作死中渐失人心（主要是1.x版本的时候API太过混乱，仅一个conv2d，在slim、tf.layers、tf.contrib、tf.nn中参数名字和风格都很不一样）。当然，因为TensoFlow对Linux、Windows、安卓、iOS、嵌入式和JavaScript都有很好的支持，所以还是工业界应用非常广泛的一个框架，我们的官网AIZOO.com里面的算法，都是使用TensorFlow.js做的。目前，学术界越来越倾向于使用小清新PyTorch了。这也是为什么元峰开源Keras和Caffe的模型后，不少学术界的朋友找我要PyTorch模型了。至于为什么当今PyTorch和TensorFlow逐渐成双雄鼎力之势，我想有一大原因是深度学习的基础构成，例如卷积、池化、BatchNorm等基本部件已经基本定型，各大框架都提供基本相同的功能，这时候，就是谁的代码风格和易用性更优，谁就更容易胜出了。基本相同的部件功能，带来一个益处就是我们使用一个框架训练好后，可以较为方便的转为其他框架的模型。元峰是用Keras训练的模型，但是可以无误差的转成了Caffe、TensorFlow、PyTorch、MXNet模型。模型转换，其实本质上就是从原模型里面读取拓扑结构和权重，使用目标框架构建同样的拓扑结构，并把权重赋值给新构建的网络，这样，使用目标框架构建的模型就可以与原模型具有一样的输出值。一个非常好用的模型转换工具是微软亚洲研究院开源的MMdnn，其基本的原理是将所有不同的框架，都转为一种叫做“中间表示”（Intermediate和Representation，简称为IR）的拓扑和权重文件，然后使用这个中间表示生成目标框架的模型。其基本原理如下图所示：对于普通的分类和分割网络，一般情况下，使用一条命令，就可以使用MMdnn都可以很方便的进行模型转换。下面是一个实例，可以说非常简单了。pip

众志成城，抗击疫情。首先，我们向在一线抗击疫情的医护人员和各行各业的从业者致敬。祝愿我们早日战胜疫情，早日迎接春暖花开的那一天。近一个月来，新冠肺炎疫情牵动着全国人民的心，一线医护工作者在最前线抗击疫情的同时，我们也可以看到很多科技行业和人工智能领域的从业者，也在贡献着他们的力量。近些天来，旷视、商汤、海康、百度都多家科技公司研发出了带有AI人脸检测算法的红外测温、口罩佩戴检测等设备，依图、阿里也研发出了通过深度学习来自动诊断新冠肺炎的医疗算法。可以说，各行各业的从业者都在为早日战胜这场疫情贡献着力量。作为互联网+AI领域的创业团队，我们决定开源我们整理的口罩检测数据集和训练好的模型（提供keras版本和caffe版本）、代码，另外，我们也将模型转为了TensorFlow.js支持的格式，部署到了我们的网站aizoo.com上，方便大家在浏览器里面体验。在文章末尾，有我们开源的所有资料的链接，如果您不想看文章内容，可以直接滑到文章底部查看资料链接。首先，让我们先看一个效果视频。视频中红色是未戴口罩，绿色是佩戴了口罩。可以看到，如果是双手捂住了嘴巴多半部分，模型会认为是未戴口罩（关于这一点，下文会有讨论）。下面，我们将从模型结构、数据和TensorFlow.js部署三大方面介绍本项目。好了，废话不多说了，Let's

如果说2012年深度学习的崛起是点燃AI浪潮的星星之火，那么2016年的AlphaGo的成功则是一阵东风，AI之火已成燎原之势。那么，走向21世纪的新的十年（2020年），中国AI创业公司将走向何方呢？写这篇文章之前先介绍一下自己，我是一位90后创业者，18年硕士毕业后在业界常说的“CV四小龙“中做了近两年的算法工程师。最近在从事互联网+AI领域的创业。所以本文是以一位AI从业者的角度来谈一下个人对AI领域的看法，如有偏颇，还望不吝指正。众所周知，过去近十年这波人工智能浪潮，是以深度学习的迅猛崛起为核心的。深度学习本质上并不是什么新鲜事物，深度学习的核心算法，在20世纪80年代就已然成型。不过，借助强大的计算资源（以Nvidia显卡为代表）和庞大的数据（以ImageNet为典型代表），深度学习在2012年开始，在很多领域的性能显著超越传统的算法，并在计算机视觉、自然语言处理、语音识别、推荐系统等诸多方向得到广泛的应用。随着AI技术的崛起，伴随的是各大互联网巨头纷纷成立AI研究院或加码AI团队规模，例如国外大名鼎鼎的Google