目前有很多深度学习框架可以用来构建深度学习模型，例如TensorFlow、TFLearn、Theano、Caffe、PyTorch、MXNet和Keras等等。其中Keras是一个非常简洁的框架，其后端多采用TensorFlow或Theano，目前Keras已经被Google官方支持。
通过Keras库来构建端到端无人驾驶模型。利用Keras深度学习框架（后台采用TensorFlow），我们仅仅需要十几行代码就可以构建并训练上述LeNet模型。
很多经典的用于图像的神经网络模型都是基于卷积神经网络模型，LeNet[5]是最早用于商业手写数字识别的卷积神经网络模型，现在重构的LeNet和原来的结构有一些差别，但是一般仍保留两个卷积层和两个池化层的结构。
经典深度学习模型迁移到端到端无人驾驶模型的构建中。一种更好的策略是结合CNN模型的图像特征提取功能和LSTM模型的时序记忆功能，组成混合深度学习模型应用到端到端无人驾驶。利用Keras这种简洁的深度学习库， 可以很容易构建自己的端到端无人驾驶模型。
三种深度学习模型：浅层神经网络模型、类LeNet卷积神经网络模型和NVIDIA端到端无人驾驶模型。
基于深度学习的医学图像配准综述- https://blog.csdn.net/weixin_41699811/article/details/84314070
硕士研究生在读，主攻基于深度学习的医学图像处理方向，现在在做基于CNN的二维图像非刚性配准的研究。配准是医学图像处理中常用的基本技术，大量使用在医疗影像领域的各个方面，比如病灶检测，疾病诊断，手术规划，手术导航，疗效评估等。相较于检测、分类与分割任务，医学图像配准任务更加复杂，由于其任务本身的特性，将深度学习技术在自然图像上取得的进展迁移到配准任务上也更难一些，但随着深度学习的学习与研究热潮的高涨，配准领域的研究也因此受益，目前也有一定量的工作发表。