深度学习算法移植工作内容简介

已于 2022-03-16 16:30:11 修改
阅读量1k 收藏
点赞数 1
分类专栏： C++ 深度学习
于 2022-03-16 16:25:42 首次发布
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/wyl530274554/article/details/123529396
版权

人工智能 模型验证 代码移植 部署 调试
关键词由CSDN通过智能技术生成

  1. 模型处理

    1. 模型可用性检查
    2. 模型转换
    3. 模型准确性验证

  2. 代码移植

    1. 代码移植
    2. 代码修正
    3. 配置编译项
    4. 编译
    5. 部署应用到目标终端
    6. 执行
    7. 调试
    8. 重复5-10
    9. 完毕
面向对象World
关注
专栏目录
【写在前面】深度学习模型 训练-＞移植-＞ 部署
wangxiaobei2017的博客
11-01 1160
任何网络最终的目的是应用，其中边缘端推理是其重要的一个分支，目前的嵌入式部署大多是需要基于caffe模型的移植
深度学习模型移植到嵌入式设备（华为昇腾310 Atlas 200DK）
最新发布
cdyyyyyyy的博客
11-14 1878
将深度学习模型移植到嵌入式设备，需要了解模型的推理流程，以及嵌入式设备的特性。不同的嵌入式设备对模型加载推理的接口不同。此文以华为昇腾的开发套件为例，其他嵌入式设备可以参考其设备说明文档。
深度学习—移植的可操作性
yuweififi的专栏
08-03 342
移动端的深度学习框架总结： ncnn优势： a) 无任何第三方库 b) 纯c++实现，跨平台 c) 汇编级优化，计算速度极快 使用ARM NEON 指令实现卷积层，全连接层，池化层等大部分cnn关键层 d) 支持多核并行运算 e) 可扩展的模型设计，支持 8bit 量化和半精度浮点存储 f) 支持直接内存引用加载网络模型 g) 可注册自定义层实现并扩展 项目地址：https://github.com/Ten...
深度学习（六十一）NNPACK 移植与实验
hjimce的专栏
03-25 4959
1、克隆下载NNPACK2、克隆下载pthreadpool，把其中的include、src文件，共三个文件分别复制到NNPACK，合并include、src文件3、下载fixdiv，把头文件复制到nnpack文件include中https://github.com/Maratyszcza/FXdiv
深度学习入门之模型训练到移植使用全过程学习文档.zip
09-23
通过Keras和tesorflow简单的几行代码，训练自己需要的模型，实现图像识别。包含数据集处理、模型训练、模型测试、模型查看、模型转换、模型迁移等等。Android实现智能识别，把Keras或Tensorflow训练的深度学习模型移植到Android上进行使用。 具体请参考发表的博客文章。
多层卷积神经网络深度学习算法可移植性分析.pdf
08-18
多层卷积神经网络深度学习算法可移植性分析 多层卷积神经网络深度学习算法是一种常用的图像识别方法，但是在实际应用中，会受到恶意用户或攻击者的攻击，影响模型的泛化能力和可移植性。为了解决这个问题，本文提出...
深度学习算法部署工程.rar
05-22
TIDL是TI的深度学习解决方案，将深度学习应用程序转移到TI芯片的EVE和DSP上的SDK接口。 深度学习分为两个阶段： 网络训练：设计神经网络模型，使用服务器或者具有外部图形处理单元或GPU的PC上通过大型数据集离线...
人工智能深度学习算法评估规范-2018.7(可靠性、可移植性、效率).rar
06-11
这份3.3MB的PDF文档，名为“人工智能深度学习算法评估规范-2018.7(可靠性、可移植性、效率)”，很可能是深度学习社区的一个重要参考资料，为研究人员和开发者提供了统一的评估标准，从而推动了整个领域的健康发展。...
深度学习算法训练和部署流程介绍--让初学者一篇文章理解算法训练和部署流程
cumtchw
03-05 3360
深度学习算法训练和部署流程介绍--让初学者一篇文章理解算法训练和部署流程
FPGA CNN 基于FPGA的深度学习网络移植
06-11
综上所述，基于FPGA的深度学习网络移植是一项结合硬件设计和机器学习理论的交叉学科工作。它不仅需要理解CNN的工作原理，还需要掌握FPGA的设计技术和工具，以便在有限的硬件资源下实现高性能的深度学习模型。这种...
基于MiDas的深度估计算法移植与测试
算能开发者社区是一个为开发者提供信息传播、开发交流、技术分享的交流空间。
10-19 1027
基于MiDas的深度估计算法移植与测试，​课程全程将在SOPHGO（算能）云平台上进行。
深度学习之MTCNN人脸检测算法的MZ7XB硬件移植（四）
09-01 314
在制作完整套mtcnn的NCNN模型后会生成三个网络的.param与.bin文件，放入米联客5640qt图像采集教程使用的app_code目录下，替换本教程使用的C++文件，并把上述.param与.bin文件放入该目录，如下图： 执行make编译生成编译后的5640_linux_qt文件...
深度学习入门之模型训练到移植使用全过程
代码讲故事
09-23 2049
深度学习入门之模型训练到移植使用全过程。通过Keras和tesorflow简单的几行代码，训练自己需要的模型，实现图像识别。包含数据集处理、模型训练、模型测试、模型查看、模型转换、模型迁移等等。Android实现智能识别，把Keras或Tensorflow训练的深度学习模型移植到Android上进行使用。 一、视频结果 1、模型训练 通过Keras和tesorflow简单的几行代码，训练自己需要的模型，实现图像识别。包含数据
终端移植
weixin_30532369的博客
11-12 125
十岁的小男孩 　　未来，All In AI。IT三分天下，算法、算力和终端。　　 　　本文终端移植方向，助力AI落地。该方向的矛盾在于资源和性能的平衡，即在有限的资源下使性能最大化。本文意在将学习过程中遇到的知识点进行总结，试图构建一个简单的框架，各章节将独起博文，也意抛砖引玉，希望大佬们将知识点完善，知识应该是开源的。 　　该方向主要分理论和工程两部分，即模型优化和模型移植，前者为理论支撑...
基于PYNQ的深度学习模型设计与实现
edward_zcl的博客
08-27 5720
本人其实做过一段基于ZYNQ的FPGA加速开发，但是后面不了了之了，也不太清楚脉动阵列发展到什么程度了，还有不断从ISE(CHIPSCOPE)，到VIVADO(ILA，也包含SG，SDK套件)以及对应驱动，BOOT工具与教程，以及现在的SDSOC/SDx系列，HLS，PYNQ这样的基于ARM，LINUX，FPGA协处理器的板子等等等，不得不说Xilinx在文档还有与高校合作投入上真的很下功夫。 ...
深度学习模型移植的移动端框架总结
XCSDNJ2713的博客
06-27 356
公司这边使用自己开发的CNN库，下面列出各大公司使用的CNN库。 之前调研过NCNN和FeatureCNN 　　1. ncnn 是一个为手机端极致优化的高性能神经网络前向计算框架 　　2. ncnn 从设计之初深刻考虑手机端的部署和使用 　　3. 无第三方依赖，跨平台、手机端Cpu的速度快于目前所有已知的开源框架 　　4. ncnn 目前已经在腾讯支持多款手机应用：qq,...
基于PYNQ实现神经网络目标识别——总贴
weixin_46307347的博客
10-26 1787
项目干了一半了，一共有3项： 有监督（完结） 小样本（识别速度需要优化） 无监督（10.30开始） 打算做无监督这一项的同时开始记录这一整套的流程： 1.python生成较好的网络模型。 2.将网络模型中所有权重及偏差参数导出生成为.bin文件。 3.在vivado hls中以C语言复现网络模型，获取权重.bin文件参数固化在网络代码中，并导入test bench文件验证C语言复现神经网络的正误。 4.在vivado hls中对网络模型优化，延时与资源的优化，最后生成ip核。 5.在vivado中导入ip核
YOLOv7移植经验分享
算能开发者社区是一个为开发者提供信息传播、开发交流、技术分享的交流空间。
11-22 2658
YOLOv7在5 FPS到160 FPS范围内的速度和准确度都超过了所有已知的目标检测器，并且在GPU V100上30 FPS或更高的所有已知实时目标检测器中，具有最高的准确度56.8% AP。此外，YOLOv7基于MS COCO数据集上从零开始训练，未使用任何其他数据集或预训练的权重。
嵌入式移植
zymofffice的博客
10-17 1102
深度学习嵌入式移植： 1、移植原因：算法必须在优化后的硬件上运行，因为学习成千上万的数据可能需要长达几周的时间。移动端其实不需要做tranning，只需要进行propagating，所以问题集中在移动端能不能存放并运行更大的network。 2、常见的移动端开发设备： NVIDIAJetsonTx1(Tx2) caffe移植 https://github.com/jetsonhacks/i
深度学习实现高精度Caltech行人检测系统
"本文主要介绍了如何搭建和实现一个基于深度学习的高精度Caltech行人检测系统，该系统利用YOLOv5目标检测模型，并结合Pyside6库构建用户界面，支持图片、视频和摄像头输入的行人检测，具有结果可视化和导出功能。...
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