在我们的一般印象中，OpenCV是最常见的跨平台的计算机视觉库。虽然在定义上它也是机器学习库，不过更多情况下我们用它来做一些机器视觉之类的项目，一般情况并不会和DNN之类深度学习联系起来，不过事实当然不是这样，在后期的版本中，比如OpenCV3.3以上，也加入了对深度学习的支持。比如现在学习的DNN模块。
具体地说，dnn模块在OpenCV中，当我们导入OpenCV模块后，可以通过cv.dnn来引用。有了dnn模块的加持，OpenCV可以说如虎添翼，更加强大了。托管社区有很多项目都是用了cv.dnn模块。
这里用图像风格迁移举例，引用和使用dnn模块一般的步骤是，import cv2 as cv，然后用cv.dnn读取外部模型net = cv.dnn.readNetFromTorch(args.model)，之后通过blobFromImage来对图像预处理，代码是inp = cv.dnn.blobFromImage(frame, 1.0, (inWidth, inHeight),(103.939, 116.779, 123.68), swapRB=False, crop=False)，之后模型推理net.setInput(inp)，再就是out = net.forward()来前向传播，然后则是处理out，比如out = out.reshape(3, out.shape[2], out.shape[3])，out..transpose(1, 2, 0)啦，最后是net.getPerfProfile()输出完成一次深度学习模型推理的时间。这个由t, _ = net.getPerfProfile()和freq = cv.getTickFrequency() / 1000两段代码完成，而输出的结果则是t / freq，单位ms。
当然这只是一个小例子，而且没有完全覆盖cv.dnn用法。比如载入模型，上面用了cv.dnn.readNetFromTorch，其实还有类似readNetFromCaffe、readNetFromTensorflow、readNetFromONNX、readNetFromModelOptimizer多种。当然除了读取其他后端AI框架的模型外，OpenCV的dnn还有readNet。
有dnn，看起来似乎可以用于深度学习的训练和推理。其实不然，OpenCV只支持推理而不支持训练。而且它支持推理涉及到的模型，很是广泛，涵盖我们常见的pytorch，TensorFlow，Caffe等多种。所以机智客觉得在其他AI框架中训练好的模型，连转换都不用，到了OpenCV中就可以拿来就用，十分方便。
不仅是图像风格迁移，在常见的类似目标分类、目标检测、图像分割或者风格迁移之类的AI应用中，OpenCV的dnn模块应用广泛。正因为OpenCV可以用于推理，支持广泛的AI框架模型，所以很多其他深度学习框架训练好的模型，可以移植到OpenCV中，配合它做推理，从而实现很多惊艳和创意的应用功能。
