骑车不戴头盔识别检测系统通过GPU深度学习技术，骑车不戴头盔识别检测对行驶在马路上的骑电动摩托车等未戴头盔的行为进行抓拍，不经过人为干预自动对上述违规行为进行自动抓拍识别。骑车不戴头盔识别检测系统技术上采用 Tesnorflow+TensorRT推理组合，精度高速度快更实用。深度学习应用到实际问题中，一个非常棘手的问题是训练模型时计算量太大。为了加速训练，TensorFlow可以利用GPU或/和分布式计算进行模型训练。TensorFlow可以通过td.device函数来指定运行每个操作的设备，这个设备可以是本设备的CPU或GPU，也可以是远程的某一台设备。
某些数据类型是不被GPU所支持的。强制指定设备会报错。为了避免解决这个问题。在创建会还时可以指定参数allow_soft_placement 。当allow_soft_placement为True的时候，如果运算无法在GPU上运行，TF会自动将其放在CPU 上运行。常用的并行化深度学习模型的方法有两种：同步模式和异步模式。在异步模式下，不同设备之间是完全独立的。
同步模式时，单个设备不会单独对参数进行更新，而会等待所有设备都完成反向传播之后再统一更新参数。 同步模式解决了异步模式中存在参数更新的问题，然而同步模式的效率却低于异步模式。通过多GPU并行的方式固然可以达到很好的训练效果，但是一台机器上毕竟GPU的个数是有限的。如果需要记忆不提升深度学习模型的训练效果，就需要将TensorFlow分布式的运行在多台计算机上。TensorFlow集群通过一系列的任务（tasks）来执行TF计算图中的运算。一般来说，不同的任务跑在不同的机器上。当然，使用GPU时，不同任务可以使用用一太机器上的不同GPU。TF中的任务可以聚合成工作。每个工作可以包含一个或多个任务。当一个TF集群有多个任务的时候，需要使用tf.train.ClusterSpec来指定运行每一个人物的机器。
Adapter接口定义了如下方法：
public abstract void registerDataSetObserver (DataSetObserver observer)Adapter表示一个数据源，这个数据源是有可能发生变化的，比如增加了数据、删除了数据、修改了数据，当数据发生变化的时候，它要通知相应的AdapterView做出相应的改变。为了实现这个功能，Adapter使用了观察者模式，Adapter本身相当于被观察的对象，AdapterView相当于观察者，通过调用registerDataSetObserver方法，给Adapter注册观察者。
public abstract void unregisterDataSetObserver (DataSetObserver observer)通过调用unregisterDataSetObserver方法，反注册观察者。
public abstract int getCount () 返回Adapter中数据的数量。
public abstract Object getItem (int position)Adapter中的数据类似于数组，里面每一项就是对应一条数据，每条数据都有一个索引位置，即position，根据position可以获取Adapter中对应的数据项。
public abstract long getItemId (int position)获取指定position数据项的id，通常情况下会将position作为id。在Adapter中，相对来说，position使用比id使用频率更高。
public abstract boolean hasStableIds ()hasStableIds表示当数据源发生了变化的时候，原有数据项的id会不会发生变化，如果返回true表示Id不变，返回false表示可能会变化。Android所提供的Adapter的子类（包括直接子类和间接子类）的hasStableIds方法都返回false。
public abstract View getView (int position, View convertView, ViewGroup parent)getView是Adapter中一个很重要的方法，该方法会根据数据项的索引为AdapterView创建对应的UI项。
