- 博客(6)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 TVM笔记-pass
1. 强拆Relay ir Passfold_const = relay.transform.FoldConstant() # 返回类型passmod = fold_const(mod) # 执行pass2. 函数调用关系图3. IPOinput: IRModuleprocess： pass优化output： IRModule4. pass data structure对于通用数据结构的定义均在目录tvm/ir中，执行pass 是一个module到module的映射pass =
2021-03-26 19:39:00
455
原创 Pytorch中transforms.Compose()的使用
torchvision介绍torchvision是pytorch的一个图形库，它服务于PyTorch深度学习框架的，主要用来构建计算机视觉模型。torchvision.transforms主要是用于常见的一些图形变换。以下是torchvision的构成：torchvision.datasets: 一些加载数据的函数及常用的数据集接口；torchvision.models: 包含常用的模型结构（含预训练模型），例如AlexNet、VGG、ResNet等；torchvision.transforms:
2021-03-22 14:20:32
15388
3
转载 【从零开始学深度学习编译器】一,深度学习编译器及TVM 介绍
0x1. 为什么需要深度学习编译器？深度学习编译器这个词语，我们可以先拆成两个部分来看。首先谈谈深度学习领域。从训练框架角度来看，Google的TensorFlow和FaceBook的Pytorch是全球主流的深度学习框架，另外亚马逊的MxNet，百度的Paddle，旷视的MegEngine，华为的Mindspore以及一流科技的OneFlow也逐渐在被更多人接受和使用。这么多训练框架，我们究竟应该选择哪个？如果追求易用性，可能你会选择Pytorch，如果追求项目部署落地，可能你会选择TensorFlo
2021-03-20 22:46:01
956
转载 TF、TLT、TRT、DS....等深度学习概念
在讲这些概念之前，我们先扫盲一下啥叫深度学习（Deep Learning）吧，前言深度学习是机器学习的一个分支，其特点是使用几个，有时上百个功能层。深度学习已经从能够进行线性分类的感知器发展到添加多层来近似更复杂的函数。加上卷积层使得小图像的处理性能有了提升，可以识别一些手写数字。现在，随着大型图像数据集的可用性和高性能并行计算卷积网络正在大规模图像上得到应用，从而实现了以前不实用的广泛应用。在这里，我们看到一些实际应用的深度学习是如何被使用的。深度学习擅长的一个领域是图像分类和目标检测，可以用于
2021-03-20 15:47:33
1336
原创 OpenCV Mat数据类型指针ptr的使用
cv::Mat::at参考链接：https://blog.csdn.net/github_35160620/article/details/51708659https://blog.csdn.net/guduruyu/article/details/60867547
2021-03-13 09:23:58
196
转载 使用TVM在android中进行Mobilenet SSD部署
所谓TVM，按照正式说法：就是一种将深度学习工作负载部署到硬件的端到端IR（中间表示）堆栈。换一种说法，可以表述为一种把深度学习模型分发到各种硬件设备上的、端到端的解决方案，关于更多TVM的信息大家可以参考TVM主页。我们在端上进行CNN部署的时候，为了最大化的发挥硬件的性能，之前的框架多是用的手工调优的算法Op，如NCNN、Tengine、Feather等等；TVM可谓是另辟蹊径，让框架去自适应的寻找最优或次优的算子Op，这类的框架应该是后续发展的主流。如果大家看过我之前写的博客，也许大概有个印象，一
2021-03-04 23:31:32
696
1
STM32F103-CAN通讯程序+代码.docx
2019-05-25
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人