MNN

1.软件准备： 安装VMware环境，在这里我使用的是VMware15 一个虚拟机系统，在这里我使用的是CentOS7（版本不同可能会有一点出入，但是应该相差不大） 在这里还有一个前提是已经建立好了yum，具体怎么安装这里就不介绍了 2.打开虚拟机，登录root账号，输入密码登录 3.登陆之后，单击右下角小光盘按钮之后，点击连接，挂载已经安装好的映像（我安装CentOS7虚拟机系统的时候就已经将映像放置好了），桌面就会多一个光盘的图标文件，同时右下角小光盘的图标亮起来，如果没有映像可以到官网下载或者在下面的连接中寻找和自己系统所对应的映像： 链接： https://pan.baidu.com/s/1r_7K-UI0BWQISG9PK1qH3Q 提取码：mnn3 桌面变成如下情况： 4.鼠标右击桌面，打开终端 5.敲入命令： mkdir /media/CentOS mount -t auto /dev/cdrom /media/CentOS 新建一个挂载点，进行挂载 6.成功挂载到新建的挂载点之后，要将配置文件进行配置，这里要养成一个好习惯，在修改配置文件之前将配置文件进行备份，将里面的mirrorlist属性进行注释，将baseurl的属性去掉注释并改成挂载点文件，修改完成后，保存退出 命令： cd /etc/yum.repos.d/ cp CentOS- Base.repo

背景：今天给大家带来的分享主题是《媒体智能-淘宝直播流媒体互动实践》，内容分为5个部分，首先看看在淘宝直播的直播间里主播可以怎样给用户拜年；然后具体讲如何制作一个手势拜年的特效；接着介绍我们媒体智能整体的方案设计以及其中核心的工作之一，MediaAI Studio这样一款编辑器的实现；最后讲讲我们后续的建设方向。 目录 今天给大家带来的分享主题是《媒体智能-淘宝直播流媒体互动实践》，内容分为5个部分，首先看看在淘宝直播的直播间里主播可以怎样给用户拜年；然后具体讲如何制作一个手势拜年的特效；接着介绍我们媒体智能整体的方案设计以及其中核心的工作之一，MediaAI Studio这样一款编辑器的实现；最后讲讲我们后续的建设方向。 直播间里怎么拜年？ 马上又要过年了，每次过年我们都会给亲朋好友拜年。那在直播间里，主播怎么给用户拜年呢？今年年初春节，我们做了一个项目，就是让主播可以在直播间里给自己的粉丝拜年，然后在直播间里出一些春节的氛围特效。 具体的设计方案就是主播在直播的过程中，实时识别主播的拜年手势，来触发一些春节氛围特效的渲染，同时实时识别主播的脸部，来跟随渲染一些人脸道具。 可以看到上面的几个效果示意，比如主播可以通过做一个爱心或者拜年的手势，来触发直播间的花字、对联或者礼花，也可以给主播的面部加上财神帽等人脸道具，增强直播间里的节日氛围。 制作手势拜年特效

背景：今天给大家带来的分享主题是《媒体智能-淘宝直播流媒体互动实践》，内容分为5个部分，首先看看在淘宝直播的直播间里主播可以怎样给用户拜年；然后具体讲如何制作一个手势拜年的特效；接着介绍我们媒体智能整体的方案设计以及其中核心的工作之一，MediaAI Studio这样一款编辑器的实现；最后讲讲我们后续的建设方向。 直播间里怎么拜年？ 马上又要过年了，每次过年我们都会给亲朋好友拜年。那在直播间里，主播怎么给用户拜年呢？今年年初春节，我们做了一个项目，就是让主播可以在直播间里给自己的粉丝拜年，然后在直播间里出一些春节的氛围特效。 具体的设计方案就是主播在直播的过程中，实时识别主播的拜年手势，来触发一些春节氛围特效的渲染，同时实时识别主播的脸部，来跟随渲染一些人脸道具。 可以看到上面的几个效果示意，比如主播可以通过做一个爱心或者拜年的手势，来触发直播间的花字、对联或者礼花，也可以给主播的面部加上财神帽等人脸道具，增强直播间里的节日氛围。 制作手势拜年特效 那么要在直播的过程中做到这些效果，需要怎么来制作呢。接下来就详细介绍如何在直播间里制作这样一个手势拜年的特效。 大体上分为4个步骤，第一步是设计师通过一些设计软件制作好静态或动态的素材，比如财神帽及相关的微动效，交付物可以是一个序列帧动画；第二步是设计师在我们自研的MAI编辑器里制作完整的素材包，在这个编辑器里可以做画幅的适配

一、MNN 量化和调优 1、量化工具 https://www.yuque.com/mnn/en/tool_quantize 2、量化调优 https://www.yuque.com/mnn/en/tqr7ft 量化后的模型继续trainning调优 二、NCNN量化 https://github.com/Tencent/ncnn/blob/master/docs/how-to-use-and-FAQ/quantized-int8-inference.md 三、TNN量化 https://github.com/Tencent/TNN/blob/master/doc/cn/user/quantization.md 来源： oschina 链接： https://my.oschina.net/u/4393607/blog/4547928

mnn中，两个卷积层处理同一个对象， 然后把结果cat 在移动端测试发现，结果会一直波动，有时还出现nan。 来源： oschina 链接： https://my.oschina.net/u/4350591/blog/4477686

程序员欢乐送（第20期） 收录于话题 #程序员欢乐送 59个 对于我来说，我一直保持的追求有三点：技术、快乐、财富。因此，从此三点出发，记录过去一周，我所看到的，值得分享的内容，每周五把欢乐送达。 由于微信不允许外部链接，你需要点击页尾左下角的“ 阅读原文 ”，才能访问文章的链接，文中的所有链接已使用 蓝色字体标记 。 「 技术 Technology 」 1、Windows Terminal 微软Build大会上，微软正式发布了命令行工具Windows Terminal，该工具提供多标签、分割窗口、快捷键、完整的Unicode字符支持等功能。 最重要的是，它支持PowerShell，Cmd，WSL（Windows的Linux子系统）和SSH等命令行程序，可以说是全平台制霸，简化开发者的工作流程。 微软还给Windows Terminal加入很多细节功能，让它更美观。 项目地址： 点击查看 2、Google Assistant 微软Build大会之后紧跟着的就是Google I/O 2019大会，两位巨佬为很多公司指引方向。在Google I/O 2019大会上，Google Assistant再次进化，移动端实时识别语音速度提升 10 倍！ 如今的语音助手和人的对话已经接近自然，在与 Google Assistant 对话中，用户可以跨越手机上的 APP 工作。 除此之外

《NNIE-lite》   趟过NNIE的小伙伴可能都知道，NNIE是有很多坑的，而且是纯C的环境，除非你有几年C的开发经验，否则阅读起来不是那么容易的，而作为算法工程师，我相信更多人和我一样擅长Python和C++，所以在把NNIE用起来还是有些费力的。而作为算法工程师，你的工作更应该 focus on 模型上，现在有了NNIE-lite这个项目，极大的帮助大家脱离苦海，算法工程师可以把目光聚焦在模型效果和效率上，而不用再为其他的琐事担心了，使用NNIE像用ncnn一样简单。 Key Words：NNIE、 C++、 OpenCV Beijing, 2020 作者：RaySue Code： https://github.com/RaySue/NNIE-lite Agile Pioneer   写在前面 如果你有摄像头端（海思NNIE）移植算法的需求 如果你更擅长于C++编程 如果你擅长使用cmake构建工程 恰好你喜欢用OpenCV来进行io处理，这个比起bgr来调试十分方便 Come on and star the repo https://github.com/RaySue/NNIE-lite   那么 NNIE-lite 就是非常适合你的，我当时如果有NNIE-lite这样的项目，可能至少节省我一周的时间去梳理使用NNIE的逻辑。 模型部署通用步骤（ncnn

　　人工智能从 1956 年达特茅斯会议诞生以来，理论和技术发展迅猛。特别是在这波 AI 浪潮中，深度学习的崛起带领 AI 在产业领域的应用范围不断扩大。目前，人工智能已成为新一轮科技革命和产业变革的重要驱动力量，将对对未来人类社会生活带来深刻改变。 　　在 AI 技术高速发展的近几年，开源开放也成为了开发者社区的主流趋势，推动着整个技术的前进。在 AI 开发的过程中，我们已经习惯了开源框架、开源算法库、开源模型代码的存在，这也大大提高了 AI 开发者们学习、使用 AI 技术的效率。 　　 　　为了展现人工智能领域的开放与创新，助力 AI 社区的发展，机器之心在今年的 WAIC 开发者日上就特设了「开源开放 Demo Day」环节，集中展示人工智能领域优秀的开源开放项目。 　　这次，我们邀请到包括中科院智能人脸画板算法、深度学习开源项目 TensorLayer、基于深度强化学习的 AI 游戏引擎 Delta、腾讯优图推断框架 TNN 在内的 7 个项目来做 demo，分享精彩内容，欢迎大家关注。 　　WAIC 开发者日「开源开放 Demo Day」将于 7 月 10 日 19:00—22:00 在线上举行，具体展示项目如下，欢迎大家添加文后的机器之心小助手（syncedai4）好友，加入交流群，一起看直播。 　　 Demo 一：智能人脸画板的算法与实现 　　 　　讲师简介：高林

MNN下交叉编译 参考： https://blog.csdn.net/Simplify_boy/article/details/105410235 https://blog.csdn.net/qq_37643960/article/details/99775939 Could NOT find Protobuf (missing: Protobuf_LIBRARIES Protobuf_INCLUDE_DIR) MNN CMakeLists.txt CMakelist.txt 设置MNN_ARM82为ON （低精度需要的动态库） ndk vim ~/.bashrc 添加android-NDK export ANDROID_NDK=/$(path)/android-ndk-r21 $(path)为自己的路径 source ~/.bashrc` 编译 cd /path/to/MNN ./schema/generate.sh cd MNN/project/android mkdir build_64 && cd build_64 && ../build_64.sh make -j4 使用动态库 代码设置 // 创建session需要的配置 MNN::ScheduleConfig config; // 选择Backend config.type = MNN_FORWARD_CPU; //

selayer中的 y=torch.clamp(y,0,1) mnn转换工具转换时报错 解决方法： y=torch.clamp(y,0,6) 这个不报错了，但是mnn推理增加了9ms。 来源： oschina 链接： https://my.oschina.net/u/4358874/blog/4431232