例えばTensorFloWはグラフとパラメータ(重み、バイアス)さえあれば、Pythonを使ってトレーニングした結果をC++やJavaなどから利用できます。またそのために各言語用のAPIが用意されていますよ。
また、計算リソースを減らしてFPGAで利用するものもあったりします。読んでませんが、例えばこんなの。
https://www.slideshare.net/mobile/HirokiNakahara1/cnn-on-fpgagpu
あとで追記します。
追記
TensorFlowに関する知識は初心者レベルなので、ドキュメントから読み取れる部分でお答えします。
TensorFlowのドキュメントには次のようにSavedModelを介して、言語に依存しないモデルのexport/importを行えるようにしているようです。ここで言うモデルとは、計算順序を示すグラフとパラメータです。
When you want to save and load variables, the graph, and the graph's metadata--basically, when you want to save or restore your model--we recommend using SavedModel. SavedModel is a language-neutral, recoverable, hermetic serialization format. SavedModel enables higher-level systems and tools to produce, consume, and transform TensorFlow models. TensorFlow provides several mechanisms for interacting with SavedModel, including tf.saved_model APIs, Estimator APIs and a CLI.
Google翻訳
変数、グラフ、およびグラフのメタデータを保存してロードする場合(基本的に、モデルを保存または復元する場合)、SavedModelを使用することをお勧めします。 SavedModelは、言語に依存しない、回復可能なハーメチックなシリアル化形式です。 SavedModelを使用すると、より高いレベルのシステムとツールでTensorFlowモデルを作成、使用、変換することができます。 TensorFlowには、tf.saved_model API、Estimator API、およびCLIなど、SavedModelとやりとりするためのいくつかのメカニズムが用意されています。
https://www.tensorflow.org/programmers_guide/saved_model#overview_of_saving_and_restoring_models
それから例としてあげて下さった項目について、
注:ここで言う「DNNの訓練結果」とは、例えば、
1.DNNの層数
2.各層においてのUNIT数
3.DNNの連結重みパラメータ値(これこそ訓練で得たデータ)
4.各層の最適activation関数 (これも自動に決められます?)
1,2はグラフに相当します。
3がパラメータ情報ですね。
4はこちらが指定するもで、一般的にはいくつか実験的に試して最適なものを探索する必要があります。
また、これらは何もTensorFlow特有のものではなく、Caffe(Python <-> C++)などにもあるはずです(使ったことないですが)。
その他に、Caffeのトレーニング結果をChainerに変換して使う場合もあります。違うライブラリの間での変換に相当します。
バッドをするには、ログインかつ
こちらの条件を満たす必要があります。