机器学习最重要的应用之一是嵌入式机器视觉领域，各类系统正在从视觉使能系统演进为视觉引导自动化系统。嵌入式视觉应用与其他更简单的机器学习应用的区别在于它们采用二维输入格式。在众多机器学习应用中极为常用的神经网络是深度神经网络 (DNN)。这类神经网络拥有多个隐藏层，能实现更复杂的机器学习任务。
在机器学习实现方案中，通过使用称为卷积神经网络 (CNN) 的网络结构，因为它们能够处理二维输入。CNN 是一类前馈网络，内置多个卷积层和子采样层以及一个单独的全连通网络，以执行最终分类。鉴于 CNN 的复杂性，它们也归属深度学习类别。在卷积层中，输入图像被细分为一系列重叠的小模块。在进行进一步的子采样和其它阶段之前，该卷积的结果先通过激活层创建激活图，然后应用到最终的全连通网络上。CNN 网络的具体定义因实现的网络架构而异，但它一般会包含至少下列元：
卷积 – 用于识别图像中的特征
修正线性单元(reLU)- 用于在卷积后创建激活图的激活层
最大池化 – 在层间进行子采样
全连通 - 执行最终分类这些元中每一个元的权重通过训练决定，同时 CNN 的优势之一在于训练网络相对容易。通过训练生成权重需要庞大的图像集，其中既有需要检测的对象，也有伪图像。这样能让我们为 CNN 创建所需的权重。由于训练流程中所涉及的处理要求，训练流程一般运行在提供高性能计算的云处理器上。
框架
机器学习是一个复杂的课题，尤其是在每次不得不从头开始，定义网络、网络架构和生成训练算法的时候。为帮助工程师实现网络和训练网络，有一些行业标准框架可供使用，例如 Caffe 和 Tensor Flow。Caffe 框架为机器学习开发人员提供各种库、模型和 C++ 库内的预训练权重，同时提供 Python 和 Matlab 绑定。该框架能让用户无需从头开始即能创建网络并训练网络，以开展所需的运算。为便于重复使用,Caffe 用户能通过 model zoo 共享自己的模型。Model Zoo 提供多种能根据所需的专门任务实现和更新的模型。这些网络和权重定义在 prototxt 文件中。在用于机器学习环境时，prototxt 文件是用于定义推断引擎的文件。
