AOM、VTM初体验及安装tensorflow

什么都不懂的小青蛙

已于 2023-07-04 10:41:52 修改

阅读量1.6k

点赞数 3

分类专栏：智能视频编码文章标签： tensorflow 人工智能 python

于 2023-07-03 19:50:48 首次发布

本文链接：https://blog.csdn.net/aure219/article/details/131522450

版权

智能视频编码专栏收录该内容

16 篇文章 2 订阅

订阅专栏

文章介绍了CMake作为高级编译配置工具的作用，以及如何使用AOM和VTM进行视频编码，包括各自的命令参数设置。同时，作者分享了如何安装tensorflow，并通过实例展示了在GPU和CPU上运行矩阵乘法的计算速度差异。

摘要由CSDN通过智能技术生成

AOM、VTM初体验

文章目录

- - - AOM、VTM初体验

Cmake

cmake的定义是什么？-----高级编译配置工具

当你用不同的语言或者编译器开发一个项目，各就各位code完之后要生成最终的输出（dll 或执行文件），这时候就尴尬了，你要手动去MingGW或者GCC下配置成千上万的.cpp .h .o .c…路劲和地址吗？这时候神器就出现了-----CMake！

打个比喻，小明在路边卖煎饼赚了300万准备买房，但是小明这一麻袋的5毛、一块、十块、五十、一百售楼处的小姐姐嫌麻烦不想收这些钱，那怎么办呢？小姐姐建议小明把钱拿到银行去换成一张银行卡，然后直接来刷卡就行啦！CMake这里就扮演银行的角色。

链接：https://www.zhihu.com/question/29690649/answer/273417054

CMake 是怎么工作的？ - 知乎 (zhihu.com)

AOM

aomenc设为启动项目

工作目录最好是 $(ProjectDir) Release

命令参数

 --cpu-used=0 --passes=1 --end-usage=q --qp=210 --kf-min-dist=0 --kf-max-dist=0 --use-fixed-qp-offsets=1 --deltaq-mode=0 --enable-tpl-model=0 --enable-keyframe-filtering=0 --obu --psnr -v  --enable-deblocking=1 --enable-cdef=1  --enable-ccso=1 --enable-restoration=1 --limit=30 F:\JJ\DATASET\AV1_DATA\AVM_GT_squence\a2_2k\CrowdRun_1920x1080p50.y4m                       -o CrowdRun_1920x1080p50_210.obu                
记得修改命令行中 输入图像的路径 这是我的路径F:\JJ\DATASET\AV1_DATA\AVM_GT_squence\a2_2k\，改成你的

VTM

EncoderAPP设为启动项目

-q 量化参数，一般为22、27、32、37

-f 编码帧个数

第一个参数是VTM软件中cfg文件夹下的

第二个参数是VTM软件中cfg文件夹下测试序列的路径

然后进入该文件，要把InputFile的地址改成你测试序列文件的地址，后缀是yuv

安装tensorflow

Anaconda的快速入门

conda create -n pytorch_gpu python=3 # 创建一个名为pytorch_gpu的环境并指定python版本为3(的最新版本

conda activate env_name  #切换到env_name环境

conda env list #列出conda管理的所有环境

conda list #列出当前环境的所有的包

conda remove -n env_name --all #删除环境

conda deactivate ##退出当前环境

关闭jupyter book的正确方法

在anaconda中对应环境下，输入jupyter book stop

打开jupyter book也可以在anaconda中输入jupyter notebook

查看自己显卡和python的版本，然后安装对应的cuda和cudnn

我安装了cuda 11.5

cudnn版本也要与cuda对应 8.3

在这里插入图片描述
cuda安装成功

tensflow安装成功

对比GPU和CPU的计算速度

import tensorflow as tf
import timeit

##指定在cpu上运行
def cpu_run():
    with tf.device('/cpu:0'):
        cpu_a = tf.random.normal([10000,1000])
        cpu_b = tf.random.normal([1000,2000])
        c = tf.matmul(cpu_a,cpu_b)
    return c

##指定在gpu上运行
def gpu_run():
    with tf.device('/gpu:0'):
        gpu_a = tf.random.normal([10000,1000])
        gpu_b = tf.random.normal([1000,2000])
        c = tf.matmul(gpu_a,gpu_b)
    return c

cpu_time = timeit.timeit(cpu_run,number = 10)
gpu_time = timeit.timeit(gpu_run,number = 10)
print("cpu",cpu_time," gpu",gpu_time)