就目前状况来说，自己感觉没那麽容易， 混乱的程度也不是一两篇文章可以说清楚的， 我是假设你不是使用太容易的model，并且想布署到手机上， 常见的api都不一定支援得很好了。 另外也要分 iOS 跟 Android，状况不太一样。 CoreML 目前算是op支援比较多的，但是相信我， 在一年内要布署特殊一点的 model 上去，会蛮辛苦的。 特别是有客制化的layer，状况更惨烈。 再来是 model 在各framework的转换，并没有太可靠的工具。 比方说，你如果看到一篇论文有 PyTorch 实现，你想弄到手机上，恩， iOS的话，你 model 要先转成 Caffe or TF ? to Caffe，工具有bug。 to TF，就我所知，没有很可靠的工具，我是自干的。 接下来，转 mlmodel，不一定会成功， 若成功通常是 model 结构较简单，或运气不错 Apple 那边没 bug。 效果在手机上重现之後，才能谈优化，优化又是一团混乱。 Android 这边更难走，支援更少，要赌的路更多种。 ※ 引述《rocking5566 (摇滚56)》之铭言： : 这问题分为两块 : 1. prototype 时用的工具、环境 : 由於 prototype 时，需要能快速实作与修改网路架构、 : 方便训练、微调 hyper parameter、 : fine tune weight : 这部分常见的有两派 : a. docker + tensorflow + high level api : ex: (keras or TFLearn or slim) : ipython notebook 修改上层流程 : 搭配 tensorboard 来看 learning curve : b. docker + caffe : ps: 用 docker 原因是装环境麻烦，build docker image 乾净俐落， : 确保团队使用一样的环境 : 而且当环境被玩坏的时候，三秒复原给你看XD : 2. 部署至产品上的工具 : 这边通常要求 forward 快速，相依 library 少 : 如果是 手机、嵌入式等 arm 环境， : 则 library 大小、model 也是能小则小。 : 这一块较受欢迎的，有 tensorflow lite、caffe2、 : core ml、ncnn、mobile deep learning : 若是云端环境，则 mxnet 似乎是不错的选择 : 请问各位三百万大大，有推荐使用的工具吗？ : 蛮好奇不同情境下，适用的工具 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 114.34.230.27 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/deeplearning/M.1518709235.A.B68.html