PaddlePaddle是百度主推的開源機器學習平台。它是Parallel Asynchronous Distributed Deep Learning的簡稱，從名字上也能看出來它的良苦用心，在於多機並行GPU加速。主要用於產品的實施落地。它從一開始就針對的是工業界的痛點，用來快速的解決問題。
而Tensorflow則主要是科研算法的研究。
在models上，PaddlePaddle在模型庫 models（https://github.com/PaddlePaddle/models）上和Tensorflow在模型庫models（https://github.com/tensorflow/models）都有許多預訓練好的模型。
https://blog.csdn.net/u012469528/article/details/79290773
https://ai.baidu.com/easydl/lite
PaddlePaddle做目標檢測：https://www.paddlepaddle.org.cn/tutorials/projectdetail/432866
目標檢測發展歷程
在上一節中我們學習了圖像分類處理基本流程，先使用卷積神經網絡提取圖像特征，然后再用這些特征預測分類概率，根據訓練樣本標簽建立起分類損失函數，開啟端到端的訓練，如 圖2 所示。
但對於目標檢測問題，按照 圖2 的流程則行不通。因為在圖像分類任務中，對整張圖提取特征的過程中沒能體現出不同目標之間的區別，最終也就沒法分別標示出每個物體所在的位置。
為了解決這個問題，結合圖片分類任務取得的成功經驗，我們可以將目標檢測任務進行拆分。假設我們現在有某種方式可以在輸入圖片上生成一系列可能包含物體的區域，這些區域稱為候選區域，在一張圖上可以生成很多個候選區域。然后對每個候選區域，可以把它單獨當成一幅圖像來看待，使用圖像分類模型對它進行分類，看它屬於哪個類別或者背景（即不包含任何物體的類別）。
上一節我們學過如何解決圖像分類任務，使用卷積神經網絡對一幅圖像進行分類不再是一件困難的事情。那么，現在問題的關鍵就是如何產生候選區域？比如我們可以使用窮舉法來產生候選區域，如圖3所示。