caffe

一）、RoIPooling 这个可以在Faster RCNN中使用以便使生成的候选框region proposal映射产生固定大小的feature map 先贴出一张图，接着通过这图解释RoiPooling的工作原理 针对上图 1)Conv layers使用的是VGG16，feat_stride=32(即表示，经过网络层后图片缩小为原图的1/32),原图800*800,最后一层特征图feature map大小:25*25 2)假定原图中有一region proposal，大小为665*665，这样，映射到特征图中的大小：665/32=20.78,即20.78*20.78，如果你看过Caffe的Roi Pooling的C++源码，在计算的时候会进行取整操作，于是，进行所谓的 第一次量化 ，即映射的特征图大小为20*20 3)假定pooled_w=7,pooled_h=7,即pooling后固定成7*7大小的特征图，所以，将上面在 feature map上映射的20*20的 region proposal划分成49个同等大小的小区域，每个小区域的大小20/7=2.86,即2.86*2.86，此时，进行 第二次量化， 故小区域大小变成2*2 4)每个2*2的小区域里，取出其中最大的像素值，作为这一个区域的‘代表’，这样，49个小区域就输出49个像素值，组成7*7大小的feature

近日，阿里云异构计算宣布上线gn7 GPU系列云服务器，即日起开放售卖。gn7系列实例是阿里云新一代GPU计算实例，主要面向AI训练和高性能计算应用。该产品基于NVIDIA A100 Tensor Core GPU打造，云服务器中的8块A100 GPU以NVIDIA NVSwitch实现了GPU之间的NVLink直接通信。 结合最新支持的Tensor Core加速能力，阿里云gn7云服务器最高可让AI最佳性能提升20倍，高性能计算速度提升2.5倍，单卡最高支持19.5TFlops（FP64）、156TFlops （TF32）、312 TFlops（FP16 混合精度）的运算。对于大模型训练的场景，阿里云自研的神龙AI加速引擎AIACC可以通过优化多GPU训练通信效率，进一步提升多GPU和多机并行训练的加速比，为AI研发过程节省更多的时间和成本。 第一批上线的产品为效率最高的阿里云神龙裸金属实例ebmgn7, 用户可直接获得一台完整的配置有Intel 2代Xeon Scalable 52核CPU、768G系统内存和由 NVSwitch互联的8颗A100 的GPU服务器主机。 随着人工智能的不断发展，深度学习的训练模型越来越庞大和复杂，训练模型需要的算力也在快速增长。针对AI训练和高性能计算的算力需求，NVIDIA于今年5月推出了 A100 GPU。NVIDIA A100

题目：学习深度卷积神经网络实现图像超分辨率 ECCV 2014 收录 摘要： 我们提出了一种单张图像超分辨率(SR)的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射表示为一个深卷积神经网络(CNN)[15]，它以低分辨率图像为输入输出高分辨率图像。我们进一步证明了 传统的稀疏编码SR方法 也可以看作是一个深度卷积网络。但不同于传统的方法去单独处理每个组件，我们的方法联合优化所有层。我们的深度CNN是一个轻量级的架构，展示了最先进的修复质量，并实现了快速的在线应用。 ----------------------------------------- 代码地址：https://github.com/tegg89/SRCNN-Tensorflow 基于TensorFlow 其他地址：http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html 基于matlab和caffe ----------------------------------------- 优点： 网络结构十分简单，仅仅用了三个卷积层，框架在选择参数时很灵活，可以采用四层或更多层，更大的过滤尺寸来进一步提高性能。 缺点： SRCNN针对的是单个尺度因子进行训练，如果需要新的规模，则必须对新模型进行训练。特征提取只用了一层卷积层，存在着感受野较小的问题

贾扬清一度担心自己毕业就失业。 当他站在台上，以阿里巴巴副总裁的身份开始演讲时，世界开始认识这个年仅35岁的年轻人。 如果走在马路上，或者在杭州街边，你遇见他，他可能跟其他程序员一样，格子衫、双肩包和一张羞赧的笑脸。 看上去他普通的不能再普通了，如果你知道他的经历，一定惊为天人。 01、清华也沮丧 刚从学校毕业，贾扬清就进了谷歌，头上顶着研究科学家的光环，埋头搞AI。 谷歌呆了两年，跳槽Facebook，做了AI架构总监。 Google、Facebook、亚马逊，科技圈里的明星企业，也被称为“顶尖科学家收割机”，更是公认硅谷薪水最高的公司。 当AI圈里的人还在争论，贾扬清会不会回来报效祖国，他已经悄悄成了阿里副总裁，花名——去掉偏旁三点水：扬青。 写代码，38岁并不是最好的年纪。不是整日担忧中年危机的降临，就是担心头顶仅存的稀疏头发。 贾扬清今年38岁，头发依然茂密，中年似乎没有危机，只有转机。 1982年，贾扬清出生于绍兴上虞，父母都是中学语文老师。 老师的孩子不一定爱读书，但一定会寂寞。别的孩子回家有父母，但老师的孩子只有老师。 在那个没有网络的年代，看书是满足对世界好奇的唯一方法。学会识字，贾扬清就经常一个人安静看书。 还在上小学，母亲就曾给他写过一封家书： “每个人都要做好自己的事情，父母亲要教好书，你读好书，求得真知识； 所有教你的老师都是优秀的，教育学生绰绰有余；

随着大数据和AI业务的不断融合，大数据分析和处理过程中，通过深度学习技术对非结构化数据（如图片、音频、文本）进行大数据处理的业务场景越来越多。本文会介绍Spark如何与深度学习框架进行协同工作，在大数据的处理过程利用深度学习框架对非结构化数据进行处理。 Spark介绍 Spark是大规模数据处理的事实标准，包括机器学习的操作，希望把大数据处理和机器学习管道整合。 Spark使用函数式编程范式扩展了MapReduce模型以支持更多计算类型，可以涵盖广泛的工作流。Spark使用内存缓存来提升性能，因此进行交互式分析也足够快速（如同使用Python解释器，与集群进行交互一样）。 缓存同时提升了迭代算法的性能，这使得Spark非常适合机器学习。 由于Spark库提供了Python、Scale、Java编写的API，以及内建的机器学习、流数据、图算法、类SQL查询等模块；Spark迅速成为当今最重要的分布式计算框架之一。与YARN结合，Spark提供了增量，而不是替代已存在的Hadoop集群。在最近的Spark版本中，Spark加入了对于K8s的支持，为Spark与AI能力的融合提供了更好的支持。 深度学习框架介绍 TensorFlow TensorFlow最初是由Google机器智能研究部门的Google Brain团队开发，基于Google

Caffe搭建：常见问题解决办法和ubuntu使用中遇到问题（持续更新） 参考文章： （1）Caffe搭建：常见问题解决办法和ubuntu使用中遇到问题（持续更新） （2）https://www.cnblogs.com/empty16/p/4828476.html 备忘一下。 来源： oschina 链接： https://my.oschina.net/u/4277979/blog/4608520

Tensorflow模型量化4 --pb转tflite小结(uint8量化) 实验环境：tensorflow-gpu1.15+cuda10.0 模型的fp16量化和int8量化我之前有写，参考： 龟龟：Tensorflow模型量化实践2--量化自己训练的模型​zhuanlan.zhihu.com 这次发现uint8量化时有参数设置，所以准备是从头再梳理一遍 2.参与量化的模型： 训练tensorflow-object-detection API 得到的ssdlite_mobilenet _ v2模型，导出为frozen_inference_graph.pb 3.获取输入输出节点 进行frozen_inference_graph.pb模型解析，得到输入输出节点信息 代码入下： """ code by zzg """ import tensorflow as tf import os os.environ["CUDA_VISIBLE_DEVICES"] = "0" config = tf.ConfigProto() config.gpu_options.allow_growth = True with tf.Session() as sess: with open('frozen_inference_graph_resnet.pb','rb') as f: graph_def = tf

新的C++工程引用caffe报一堆关于“caffe.pb.h”的错误 dongxia_dl 2020-01-14 11:41:46 39 收藏 展开 问题描述：新建一个工程，引用caffe.lib等（相关的debug或release配置都是从caffe原始配置中直接拷贝过来的），配置完后编译 报错 ： 出现几百个关于“caffe.pb.h”的错误，“未定义的存储类”等问题 解决：参考博客，添加几个预处理项 NO_STRICT WIN32_LEAN_AND_MEAN NOMINMAX _CRT_SECURE_NO_WARNINGS 来源： oschina 链接： https://my.oschina.net/u/4394252/blog/4284200