一行一生

原创 国产边缘AI芯片

AspenCore分析师团队从15家国产AI芯片厂商中挑选出15个国产边缘/端侧AI芯片，这些公司包括：瑞芯微、全志、清微智能、酷芯微、亿智电子、时识科技、九天睿芯、杭州国芯、知存科技、爱芯元智、时擎科技、启英泰伦、深聪智能、灵汐科技、闪易半导体。V535是全志科技研发的新一代智能行车专用处理器，是集图像视频处理和AI视觉于一体的高性能、高集成度、高稳定性的工业级芯片；主要产品及应用：智能行车记录和驾驶行为检测类产品，包括车载全盲区AI监测预警仪、驾驶员行为检测仪等。

转载 eclipse引入别人的项目utf-8依然乱码

eclipse引入别人的项目utf-8依然乱码

转载 Qt5.14 creater警告：the code model could not parse an included file

the code model could not parse an included file,which might lead to incorrect code completion and highlighting,for example解决办法：帮助-->关于插件-->C++-->ClangCodeModel的勾去掉即可注意，去掉之后一定要重启Qt Creator原文链接：Qt5.12 creater警告：the code model could not parse a.

转载 os.environ

1、os.environ["CUDA_DEVICE_ORDER"]="PCI_BUS_ID"#按照PCI_BUS_ID顺序从0开始排列GPU设备2、os.environ["CUDA_VISIBLE_DEVICES"]="0"#设置当前使用的GPU设备仅为0号设备 设备名称为‘/gpu:0'3、os.environ["CUDA_VISIBLE_DEVICES"]="1"#设置当前使用的GPU设备仅为1号设备 设备名称为'/gpu:0'4、os.environ["CUDA_VISIBLE_DEVICES"

转载 VSCode报警：无法在这个大型工作区中监视文件更改

总纲cnn中各个参数的辩证矛盾。深度决定了网络的表达能力，网络越深学习能力越强。宽度（通道数）决定了网络在某一层学到的信息量，另外因为卷积层能重组通道间的信息，这一操作能让有效信息量增大（这也是1x1卷积的作用，它能学习出重组信息，使得对于任务更友好，所以这里不能和分离卷积一起比较，传统卷积的有效卷积数更多，正比于输入通道乘以输出通道，分离卷积的有效卷积正比于输入通道数，传统卷积相当于分离卷积前升维再做分离卷积）。感受野决定了网络在某一层看到多大范围，一般说来最后一层一定至少要能看到最大的有

原创 pycharm安装opencv库方法整理

方法1：直接通过cmd命令 pip install opencv-python方法2：https://www.jb51.net/article/181975.htm

原创 摄像头标定与畸变矫正

1.基础知识成像的过程实质上是几个坐标系的转换。首先空间中的一点由 世界坐标系 转换到 摄像机坐标系 ，然后再将其投影到成像平面 ( 图像物理坐标系 ) ，最后再将成像平面上的数据转换到图像平面 ( 图像像素坐标系 ) 。2. 什么是摄像头参数1）相机矩阵：包括焦距（fx，fy），光学中心（Cx，Cy），完全取决于相机本身，是相机的固有属性，只需要计算一次，可用矩阵表示如下：[fx, 0, Cx; 0, fy, cy; 0,0,1];2) 畸变系数：畸变数学模型的5个参数 D...

原创 captcha 生成验证码

本文介绍一个简单的利用 captcha 模块生成验证码的方法。版本：Ubuntu 16.04 LTS，Python 3.6.7，captcha 0.3安装 captcha：pip install captcha示例代码如下：# -*- coding: utf-8 -*-import cv2import numpy as npfrom captcha.image import ImageCaptchadef generate_captcha(text='1'): "

原创 conda常用的使用技巧

退出conda base环境conda deactivate进入conda base环境conda activate base编辑 conda 环境变量vim ~/.bashrc创建环境：conda create -n 环境名称 python=版本激活环境：conda activate 环境名称

原创 私密日记目录

原创 提升开发效率遇到的问题和总结

最近在开发AI运动方面的课程动作，由于课程动作很多，为了提升开发效率做了以下尝试：1.将一些相似度高的代码封装成函数，这样可以提升写代码的效率和代码敲错的错误率，使课程代码更加的清晰。遇到的问题：在将新增的函数放Base类的时候，少写了一个return，导致我在子类调用这个函数的时候出现一些莫名其妙的问题，比如app在调用算法模型的时候经常的闪退，由于程序内部的状态转换较长，导致我花了很久都没有找到问题。...

原创 C++实现 Android 远程调试log文件读写

ubuntu的实现：新建安卓项目，选择natice c++在项目的AndroidManifest.xml文件中添加

原创 JNI基础

问题1：JNI是什么？答：JNI是Java语言的机制。Java可以通过JNI调用C/C++代码，C/C++代码也可以通过JNI调用Java代码。问题2：NDK是什么？答：NDK是代码库，功能有两个：（1） 将.c/.cpp文件转换成.so文件（2） 将.so文件和Android应用一起打包成apk问题3：我们要做什么？答：做以下五个步骤（1） 创建.cpp / .c文件（2） 使用NDK将.cpp / .c文件转化成.so文件（3） 使用JNI在Java中..

原创 TNN Model Converter教程

1.安装docekr首先安装依赖sudo apt-get install apt-transport-https ca-certificates curl gnupg2 software-properties-common信任 Docker 的 GPG 公钥curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -对于 amd64 架构的计算机，添加软件仓库 sudo add-apt-repos.

原创 docker卸载与安装

docker卸载#卸载dockersudo apt-get remove dockersudo apt-get remove docker-engine docker.io#卸载docker-cesudo apt-get remove docker-ce#卸载安装依赖sudo apt-get autoremove --purge docker-ce上面的命令不会移除镜像、容器、卷或者是用户创建的配置文件，如果想卸载所有的镜像、容器、卷，可运行rm -rf /var/lib/docker

原创 常见模型转换大全

.H5转.tflite方法一：import tensorflow as tfsaved_model_dir='evopose2d_S_f32.h5'model=tf.keras.models.load_model(saved_model_dir)converter = tf.lite.TFLiteConverter.from_keras_model(model)tflite_model = converter.convert()with open('model3.tflite', 'w

原创 Json学习总结

1，JSON数据类型的表示数据结构：Object、Array基本类型：string，number，true，false，null（1）Object{key:value,key:value...}key：string类型value：任何基本类型或数据结构（2）Array[value,value...]value：任何基本类型或数据结构。比如：{"name":"李广", "values":[1,2,45,"你好"] }...

原创 RKNN Toolkit工具使用总结

开发环境Ubuntu 18.04RKNN Toolkit工具下载链接：https://github.com/rockchip-linux/rknn-toolkit安装RKNN Toolkitpip3 install --user -r rknn-toolkit/packages/requirements-cpu.txtpip3 install --user -U rknn-toolkit/packages/rknn_toolkit-1.4.0-cp36-cp36m-linux_x86_64.

原创 git学习笔记

命令git add告诉Git，把文件添加到仓库命令git commit告诉Git，把文件提交到仓库初始化一个Git仓库，使用git init命令。添加文件到Git仓库，分两步：使用命令git add <file>，注意，可反复多次使用，添加多个文件；使用命令git commit -m <message>，完成。要随时掌握工作区的状态，使用git status命令。如果git status告诉你有文件被修改过，用git diff可以查看修改内容。HEAD指向的版本

原创 JAVA笔记

class和instanceclass是一种对象模版，它定义了如何创建实例，因此，class本身就是一种数据类型，而instance是对象实例，instance是根据class创建的实例，可以创建多个instance，每个instance类型相同，但各自属性可能不相同。创建实例定义了class，只是定义了对象模版，而要根据对象模版创建出真正的对象实例，必须用new操作符。new操作符可以创建一个实例，然后，我们需要定义一个引用类型的变量来指向这个实例：Person ming = new

原创 Android JNI使用总结

Android 中调用C/C++库的步骤：第一步：通过System.loadLibrary引入C代码库名。 第二步：在cpp目录下的natice-lib.cpp中编写C/C++代码。 第二步：调用C/C++文件中对应的实现方法即可。JNI/NDK的API 在C/C++本地代码中访问Java端的代码，一个常见的应用就是获取类的属性和调用类的方法，为了在C/C++中表示属性和方法，JNI在jni.h头文件中定义了jfieldID,jmethodID类型来分别代表Java端的属性和方...

转载 虚函数和纯虚函数的区别

首先：强调一个概念定义一个函数为虚函数，不代表函数为不被实现的函数。定义他为虚函数是为了允许用基类的指针来调用子类的这个函数。定义一个函数为纯虚函数，才代表函数没有被实现。定义纯虚函数是为了实现一个接口，起到一个规范的作用，规范继承这个类的程序员必须实现这个函数。1、简介假设我们有下面的类层次：class A{public: virtual void foo() { cout<<"A::foo() is called"<<endl...

原创 常用的角度计算公式

反三角函数角度计算公式：例如：(atan（x）/pi)*180就可以得到角度了, pi就是圆周率3.1415926..... , 1弧度为180/pi

转载 vscode中launch.json和tasks.json的变量说明

vscode是一个轻量级的文本编辑器，但是它的拓展插件可以让他拓展成功能齐全的IDE，这其中就靠的是tasks.json和launch.json的配置这两个json文件的相关变量是vscode特有的，但是和其他系统环境变量写法相似的变量，在网上找到相关说明如下：（可以在官网中查，但是没啥时间）描述文件基础变量 变量名 含义 ${workspaceRoot} 当前打开的文件夹的绝对路径+文件夹的名字 ${wo

原创 .nb格式模型转换总结

Step 1 Prepare a computer with the 64-bit Ubuntu 16.04 system.Step 2 Run the following command to install python3 and pip:sudo apt-get install python3 python3-pip python3-virtualenvStep 3 Do as follows to install the related dependenc...

原创 VIM3L开发板ubuntu环境安装及NPU demo测试

1，下载VIM3L开发板的固件https://dl.khadas.com/Firmware/VIM3L/Ubuntu/EMMC/2，刷固件，将type-c口连接到电脑,只有type-c口是具有烧录固件的功能，升级固件参考这里：https://docs.khadas.com/zh-cn/vim3/UpgradeViaUSBCable.html，这里我是通过Windows升级固件，烧录的时候拔掉HDMI,用PC的供电是可以烧录固件的,烧录完成以后,再使用外部供电器供电,插上HDMI，这里需要补充说明的是PC

原创 VIM3L开发板系统烧写

1.主机Ubuntu环境配置——通过Ubuntu升级固件$ sudo apt-get install libusb-dev git parted$ git clone https://github.com/khadas/utils$ cd /path/to/utils$ git pull#安装烧录工具$ cd /path/to/utils$ ./INSTALL#如果成功安装你会看到如下信息：Installing Amlogic flash-tool...==============

原创 深度学习的一些调试技巧总结

1，遇到Nan怎么办？除0问题。这里实际上有两种可能，一种是被除数的值是无穷大，即Nan，另一种就是除数的值是0。之前产生的Nan或者0，有可能会被传递下去，造成后面都是Nan。请先检查一下神经网络中有可能会有除法的地方，例如softmax层，再认真的检查一下数据。我有一次帮别人调试代码，甚至还遇到过，训练数据文件中，有些值就是Nan。。。这样读进来以后，开始训练，只要遇到Nan的数据，后面也就Nan了。可以尝试加一些日志，把神经网络的中间结果输出出来，看看哪一步开始出现Nan。后面会介绍Theano的

原创 Yolov3整理

网络结构相比于 YOLOv2 的 骨干网络，YOLOv3 进行了较大的改进。借助残差网络的思想，YOLOv3 将原来的 darknet-19 改进为darknet-53。论文中给出的整体结构如下：Darknet-53主要由1×1和3×3的卷积层组成，每个卷积层之后包含一个批量归一化层和一个Leaky ReLU，加入这两个部分的目的是为了防止过拟合。卷积层、批量归一化层以及Leaky ReLU共同组成Darknet-53中的基本卷积单元DBL。因为在Darknet-53中共包含53个这样的DBL，

原创 Yolov4整理

基础知识：CBL：由Conv+Bn+Leaky_relu激活函数三者组成。CBM： Yolov4网络结构中的最小组件，由Conv+Bn+Mish激活函数三者组成。DBL：代码中的Darknetconv2d_BN_Leaky，是yolo_v3的基本组件。就是卷积+BN+Leaky relu。SPP：采用1×1，5×5，9×9，13×13的最大池化的方式，进行多尺度融合.CSP:CSPNet全称是Cross Stage Partial Networks，也就是跨阶段局部网络,CSPNet解决了其他.

原创 基于PyTorch的C++API运行模型进行图像分类

一个简单示例如下：import torch#import torchvisionclass MyCell(torch.nn.Module): def __init__(self): super(MyCell, self).__init__() def forward(self, x, h): new_h = torch.tanh(x + h) return new_h, new_hmy_cell = MyCell()x =

原创 Pytorch 环境搭建C++

1,阅读Pytorch C++官网文档，在虚拟机上安装Ubuntu16.04的Linux操作系统搭建环境，并使用makefile进行编译，代码简洁易读。sudo apt-get update sudo apt-get install vim make cmake gcc g++ libnss3 tree git openssh-server openssh-client2,下载pytorch c++ cpu 库文件，并解压，注意此目录路径，cmake编译需要unzip libtorch-s

转载 pytorch C++模型部署

训练一个简单的图像分类器。代码如下：import torch.optim as optimimport torch.nn.functional as Fimport torch.nn as nnimport numpy as npimport matplotlib.pyplot as pltimport torchimport torch.onnximport torchvisionimport torchvision.transforms as transformsdevice .

转载 android studio安装教程

百度搜索Android studio，或者直接输入http://www.android-studio.org进入这个页面根据这个下载相应的安装包或者压缩包。这里演示安装64位的android studio下载完成后直接双击安装包，就会出来下面这个界面点击Next点击Next点击Next点击install等待进度条走完点击Next点击finis...

原创 Pytorch并行和分布式

从PyTorch v1.6.0开始，中的功能torch.distributed可以分为三个主要组件：分布式数据并行培训（DDP）是一种广泛采用的单程序多数据培训范例。使用DDP，可以在每个流程上复制模型，并且每个模型副本都将获得一组不同的输入数据样本。DDP负责梯度通信，以保持模型副本同步，并使其与梯度计算重叠，以加快训练速度。 基于RPC的分布式培训（RPC）旨在支持无法适应数据并行培训的常规培训结构，例如分布式管道并行性，参数服务器范式以及DDP与其他培训范式的组合。它有助于管理远程对象的生命..

原创 Pytorch模型修剪教程

在本教程中，您将学习如何用于torch.nn.utils.prune稀疏神经网络，以及如何扩展它以实现自己的自定义修剪技术。待续。。。。。。

转载 Ubuntu 上安装 Bazel

https://blog.csdn.net/darkrabbit/article/details/81262556

原创 Pytorch深度学习快速入门精简教程

神经网络的典型训练过程如下：定义具有一些可学习参数（或权重）的神经网络 遍历输入数据集 通过网络处理输入 计算损失（输出正确的距离有多远） 将梯度传播回网络参数 通常使用简单的更新规则来更新网络的权重：weight=weight-learning_rate*gradient待续。。。。。。。。。。。。。。。。。。。。...

原创 基于C++的深度学习模型部署

PyTorch作为一款端到端的深度学习框架，在1.0版本之后已具备较好的生产环境部署条件。除了在web端撰写REST API进行部署之外(参考)，软件端的部署也有广泛需求。尤其是最近发布的1.5版本，提供了更为稳定的C++前端API。 工业界与学术界最大的区别在于工业界的模型需要落地部署，学界更多的是关心模型的精度要求，而不太在意模型的部署性能。一般来说，我们用深度学习框架训练出一个模型之后，使用Python就足以实现一个简单的推理演示了。但在生产环境下，Python的可移植性和速...

原创 基于web端的深度学习模型部署

1.1 web服务与技术框架 下面以ResNet50预训练模型为例，旨在展示一个轻量级的深度学习模型部署，写一个较为简单的图像分类的REST API。主要技术框架为Keras+Flask+Redis。其中Keras作为模型框架、Flask作为后端Web框架、Redis则是方便以键值形式存储图像的数据库。各主要package版本：tensorflow 1.14keras 2.2.4flask 1.1.1redis 3.3.8 先简单说一下Web服务，一个Web应用的本...