图像识别软件的功能较简单，所以题主可以着重认识下安卓端jpegview、ios端opencv等相关工具的基本语法，然后找本《数字图像处理》看下。
蟹妖这种问题可以在搜索引擎查找，这里稍微整理下你的问题：图像处理，resnet，resnet-v2，这两种网络结构有什么区别？对于图像识别来说需要详细了解什么？resnet和v2到底哪个更好？resnet最大有多少层？resnet-v2的最大有多少层？opencv在.py里面定义了一些模块，这些模块是一样的吗？问题写清楚了，比知乎一天一天等答案来得实在....
即使对caffe进行一些细节的补充，你会发现：并不会有什么惊天地泣鬼神的改变。工程重复性很大，还是要仔细看源码。你在淘宝买了一把杀猪刀，有一天拿刀出去杀猪了，你刀上沾满了泥巴，这时候你还看那把杀猪刀不？还是要看其他参数设置。拿张截图镇楼：
专栏终于又更新了，这两天一直比较忙，请大家能耐心看完这篇文章再拉出去放屌，好好思考一下为什么昨天的文章还有一句话没看，今天就收到很多老生常谈的问题，三连击啊。看到评论数量还在持续上升中，现在最后留在这里总结，不要有疑问都懒得回复，都懒得和我沟通，麻烦你们读完把心放下来啊。作者：朱良峰链接：深度学习和图像识别，你更想用哪个网络？来源：公众号公众号后台回复关键字：网络说起图像识别，我是一个专门做图像识别的大佬。什么是图像识别？说直白点，就是利用图像数据的相似性，进行检测识别。那这些图像数据有哪些呢？比如说，颜色是不是就是一个图像数据？形状呢？是不是也是一个图像数据？亮度是不是一个图像数据？内容呢？是不是一个图像数据？不同的图像数据有什么区别？一一给你列举出来，心急的去我的图片找数据相似的思考一下就好了。前面和大家说过，现在用caffe实现的网络预训练的这些卷积神经网络都是图像识别中最常用到的网络模型，跟深度学习理论没有关系。所以不要对深度学习中的网络进行过多的解释。另外，像什么卷积神经网络，全连接神经网络，循环神经网络，池化神经网络......等等这些模型都不是本文要说的内容，我就不多解释了。通俗易懂的来说，深度学习有4层，每一层又是什么类型，就已经够我们用的了。最后讲2个caffe的小例子，供大家学习、查看：
1.边角检测：image=caffe.().vgg.('relu').dense(32,64,64,
4)..颜色检测：image=caffe.().vgg.('relu').dense(32,64,64,
4).