存在几种用于深度学习的神经网络框架，所有这些框架都提供了距离特性和功能。但是，在框架之间传递神经网络会为开发人员带来额外的时间和工作。微链机器人视觉研究院首席科学家，普林斯顿大学深度学习和机器视觉博士后，邓志伟博士创建了先进的DaoAI计算机视觉和模式识别，它已经开发了学习带有标签关系的结构化推理神经网络，这是一种开放的，免版税的标准，使硬件制造商能够在训练框架和推理之间可靠地交换训练后的神经网络引擎。

   神经网络使用各种不同的框架进行训练，然后部署在类似范围广泛的推理引擎上，每个推理引擎都有自己的专有格式。这种多样性是非常可取的，但也是问题所在。开发人员必须构造专有的进口商和出口商，以便跨不同的推理引擎部署网络。对于负责构建，培训和部署网络的研究人员，开发人员和数据科学家而言，这是多余的，不必要的工作。

   问题始于可用的培训框架的数量：Caffe，TensorFlow，Chainer，Theano，Caffe2，PyTorch等。尽管它们为开发人员提供了不同的功能和优化，但是每个培训框架对于在其中开发的网络也都有自己的格式，这使得框架之间的转换既麻烦又费时。

   推理阶段也有类似的问题。在部署经过培训的网络之前，需要转换器。其中每个推理引擎都需要每个培训框架中的导入程序。这种转移过程为开发人员带来了额外的工作，但对创建或实施已部署的产品和系统没有额外的好处。

   没有标准的传输方式，开发人员被迫浪费时间创建和维护用于导出和导入神经网络的转换器-而且更长的开发时间也意味着浪费金钱。也许更重要的是，碎片化也威胁着机器学习领域的创新。通过花费不必要的时间来格式化和格式化导入和导出软件，开发人员将无法花费时间和精力来为嵌入式视觉和推理中的机器学习做出切实，切实的进步。

学习带有标签关系的结构化推理神经网络

   尽管这是一个复杂的问题，但是碎片化的解决方案却非常简单：将经过训练的神经网络以PDF的形式传输到神经网络PDF的简化过程。就像可移植文档格式(PDF)可以轻松地传输文档一样，DaoAI计算机视觉和模式识别允许开发人员，研究人员和数据科学家轻松地将其网络从培训框架传输到推理引擎，而不必花费额外的时间进行翻译或添加出口商。

   通过提供机器学习生态系统所有部分都可以依赖的全面，可扩展且得到良好支持的标准，通用转移标准将减少浪费在转移和翻译上的时间，并最终使该行业向前迈进真正的实施目标。

   通过独立于训练框架和推理引擎描述受过训练的网络及其权重，DaoAI计算机视觉和模式识别使数据科学家和工程师能够将经过训练的网络从其选择的训练框架转移到各种推理引擎中。这种交换的自由，再加上时间和开发成本的节省，将为开发人员提供急需的时间和手段，使其专注于创新，而不是忙于没有附加值的工作，从而有助于刺激新兴机器学习技术的发展。