【ncnn】源码阅读理解(四)——squeeze配置文件解读

最新推荐文章于 2024-05-29 14:48:57 发布
最新推荐文章于 2024-05-29 14:48:57 发布
阅读量490 收藏
点赞数
分类专栏： 深度学习框架
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u011622208/article/details/105431894
版权

  1. split层没有参数

  2. ncnn中 squeeze net 配置参数详解一
    在这里插入图片描述

  • split层是没有参数的
  • split层出来两个分支，两个分支分别经过一个conv33+relu和 一个conv11+relu，每个分支的输出通道数为64
  • 然后经过一个concat层，输出通道数为64 + 64。同时也可以通过concat后的convolution层参数进行验证。concat后convolution层输入的通道数为:2048 / （16 * 1 * 1） = 128
  1. concat网络层没有需要读入的参数

TO DO

  • 各网络层的配置和计算详解
农夫山泉2号
关注
专栏目录
NanoDet ncnn源码解读
蓝羽飞鸟的博客
11-15 640
NanoDet ncnn源码解读
【NCNN解读】——examples部分
c20081052的专栏
03-22 3574
上一篇介绍了benchmark部分 本文针对NCNN项目https://github.com/Tencent/ncnn其结构，做第二部分，即examples部分的详解，进入ncnn/examples目录，你会看到如下文件： 首先 分析CMakeLists.txt内容： find_package(OpenCV QUIET COMPONENTS core highgui imgproc...
ncnn源码分析1
AIxuxu
05-06 2018
        前段时间，分别尝试了使用腾讯开源的深度学习推理框架ncnn、陈天奇大神团队开源的tvm，及最新的阿里开源mnn，就好用程度来说，腾讯的n...
【ncnn】源码阅读理解(三)——blobs
怡宝2号
04-09 1276
1. blobs容量如何得来 在ncnn网络初始化参数的时候，有两个vector容器， std::vector<Blob> blobs; std::vector<Layer*> layers; blobs是每个网络层输出的数据容器 这里我们以squeeze模型为例，说明blobs的容量是怎么确定的。 squeezenet blobs的数据容量为83，为红色矩形框的和。 ...
ncnn源码解析（四）：模型权重载入
sinat_31425585的博客
09-08 3407
前面已经大致总结了ncnn的param文件载入，根据param文件创建网络结构，然后通过bin文件载入每一层对应的网络参数。这里就总结一下，如何载入每一层的参数： 我们常用的网络参数载入的接口为： // 从二进制文件中载入模型 int load_model(const char* modelpath); 找到对应net.cpp...
【高性能计算】NCNN源码解析笔记
heroybc的博客
09-30 1409
layer->load_model(mb)，我们指定layer其实是解析完模型网络结构的具体的layer，比如卷积Convolution，也就是这个调用其实调用的是layer的子类Convolution层的load_model()函数。在modelbin.cpp中load的实现就很简单了，根据多态的load传入不同的参数，声明一维、二维或三维的Mat，然后把从xxx.bin中解析出的数据放入Mat返回回去就行了。benchmark：一些常见模型的模型文件，如mobilenet，resnet，vgg等。
ncnn-android-squeezenet:squeezenet图像分类android示例
05-11
ncnn-android-squeezenet 挤压图像分类 这是一个示例ncnn android项目，它仅取决于ncnn库 如何构建和运行 步骤1 下载ncnn-android-vulkan.zip或自己为Android构建ncnn 第2步 将ncnn-android-vulkan.zip解压缩到app...
算法部署-使用NCNN在Android平台上部署Squeezenet图像分类算法-优质算法部署项目实战.zip
03-11
2. **Android环境配置**：设置Android Studio项目，导入NCNN库，并确保编译环境支持所需的NDK（Native Development Kit）和C++支持。 3. **图像预处理**：实现图像的读取、缩放、归一化等预处理操作，以便输入到...
从NCNN提取算子转为C——激活函数
TataDou的博客
11-23 187
NCNN框架中提取可用算子并转为C
NCNN中的模型量化解决方案：源码阅读和原理解析
沉迷单车的追风少年
05-29 500
去年NCNN发布了模型量化的解决方案，作为目前中国大陆被使用最多的端侧模型推理解决方案，NCNN开源的代码值得认真阅读和研究。这篇博客笔者和大家一起探索NCNN的模型量化部分，希望大家在NCNN的世界里玩得开心。
【ncnn】源码阅读理解（一）——例子注释
怡宝2号
03-29 1278
Code #include <opencv2\opencv.hpp> #include <map> #include <vector> #include <algorithm> #include <functional> #include <cstdlib> #include <iostream> #...
ncnn源码阅读(二)----网络模型结构和权重参数的加载
qq_25105061的博客
07-06 860
ncnn推理框架中把模型的结构和权重参数分为两个文件进行存储，实现了结构和权重的分离。在xxx.param中存储了模型的结构信息，在xxx.bin中存储了模型的权重信息。xxx.param的文件结构如下：layer：描述网络一共有多少层，例如：ReLU、Conv 都叫一个layer;blob:表示数据节点，例如一个Conv就有一个输入blob和输出blob;bottom_count：当前层接收输入blob的层个数top_count:将当前层的输出作为输入blob的层个数。
【NCNN源码分析】0.前言
小小小草儿的博客哟
09-25 2126
从上半年开始，一直就比较关注NCNN的进展，在嵌入式平台上，NCNN可以说是非常好的一个选择了。后面的话，会不断地更新博客，对NCNN源码进行分析，如果理解不到位的地方，欢迎指正！ ...
NCNN 入门 (1) 安装以及第一个样例squeezenet
清欢
03-05 1478
1. 安装 目前只关心在linux上的安装，内容可以参考 官方教程 步骤： # 第一步：下载源码 git clone https://github.com/Tencent/ncnn.git cd ncnn git submodule update --init # 第二步：配置 Vulkan 环境 wget https://sdk.lunarg.com/sdk/download/1.2.154.0/linux/vulkansdk-linux-x86_64-1.2.154.0.tar.gz?Human=
基于Android studio3.6的JNI教程之ncnn之分类之squeezenet
年轻即出发，
03-20 712
代码链接： https://github.com/watersink/SqueezeClassify-as 本代码可以在模拟器下进行跑。 环境： Android studio 3.6 Sdk：android10 api 29 Ndk：r15c Ncnn：20200226 Android下开发： (1)增加模型文件，（src/main/assets） 在sr...
PyTorch中的squeeze()和unsqueeze()详解与应用案例
weixin_39490300的博客
03-13 5128
PyTorch中的squeeze()和unsqueeze()详解与应用案例
卷积神经网络（CNN）（中）
mez_Blog的博客
09-03 442
4.GoogleNet GoogleNet（也可称作Inception）是在2014年由Google DeepMind公式的研究员提出的一种全新的深度学习结构，并取得了ILSVRC2014比赛项目的第一名。GooleNet共有22层，并且没用全连接层，所以使用了更少的参数，在GooleNet前的AlexNet、VGG等结构，均通过增大网络的层数来获得更好的训练结果，但更深的层数同时会带来较多的负面效果，如过拟合、梯度消失、梯度爆炸等问题。 GoogleNet则是保证算力的情况下增大网络的深度和宽度，尤其
ncnn源码分析-003-net
Stay hungry, Stay foolish
10-14 838
结构信息 net是ncnn的核心部分，起着组织整个框架结构的作用，捋顺net的结构，基本上对ncnn的代码框架也就有一个大概的了解了。首先看一下net的类结构信息。 class Net { public: int usewinograd_convolution; //是否使用winograd进行卷积 int use_sgemm_convolution; //是否使用矩形乘法的形...
ncnn源码解析（五）：执行器Extractor
sinat_31425585的博客
09-09 7092
前面大致总结了一下ncnn模型载入的流程，模型载入之后，就是新建一个Extractor，然后设置输入，获取输出： ncnn::Extractor ex = net.create_extractor(); ex.set_num_threads(4); ex.input("data", in); ncnn::Mat out; ex.extract("...
创建NCNN的配置文件 试例c++
最新发布
09-14
创建NCNN的配置文件通常是为了指定神经网络模型的结构、输入维度和其他运行时参数。NCNN是一个高效的深度学习推理引擎，常用于移动端应用。以下是创建一个基本的NCNN配置文件（`.cfg`格式）的简单示例，假设我们有一个名为`my_model`的卷积神经网络： ```cpp // my_model.cfg [net] # 网络名称 name = my_model [input] # 输入层信息 layer = data dim = 3 # 通道数 batch = 1 # 批量大小 height = 224 # 高度 width = 224 # 宽度 format = NCHW # 数据格式 (NCHW for NCNN) [layer_list] # 指定网络结构，如卷积层、池化层等 # 这里只提供了一个例子，实际模型应包含完整的结构 conv1 { type = convolution kernel_size = 3 stride = 1 pad = 1 num_output = 64 } pool1 { type = pooling window = 2 stride = 2 pool = avg } ... // 更多层的定义 [layer_out] # 输出层 type = classifier num = 10 # 类别数（如果有分类任务） ``` 要使用这个配置文件，你需要将其与对应的模型权重文件（`.bin`格式）一起传入NCNN的加载函数。例如，在C++中，你可以这样做： ```cpp #include "ncnn/ncnn.h" // 加载模型 ncnn::Net net; if (!net.loadFromFile("my_model.cfg", "my_model.bin")) { // 处理加载错误... } // 初始化并设置输入数据 Mat input; // Mat表示NCNN的数据结构 ... // 设置input的实际值 // 执行前向传播 net.setInput(input); Mat output; net.forward(output); // 获取结果 ... // 处理output的内容 ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值