tensorrt plugin

ops/2024/9/23 11:16:08/

自定义plugin

流程

  • 首先明确要开发的算子，最好是 CUDA 实现；
  • 继承 IPluginV2DynamicExt / IPluginV2IOExt类实现一个Plugin 类，在这里调用前面实现的算子；
  • 继承 IPluginCreator 类实现一个 PluginCreator 类，用于创建插件实例，然后注册该 Creator 类；
  • 编译插件项目，生成动态链接库；
  • 在构造 engine 之前，首先加载上一步编译出来的插件动态链接库，在构造 engine 时 TensorRT 会自动找到先前注册的插件创建器。

 注意事项

 

 Static Shape，用IPluginV2IOExt；Dynamic Shape，则使用IPluginV2DynamicExt。

IPluginV2只能支持 implicit mode,所以只能使用 execute 接口，并指定 batch:

builder->setMaxBatchSize(3);
.
.
.
context->execute(batch_size, buffers);

IPluginV2DynamicExt 支持动态shape，仅支持显示batch。

使用动态shape时，config中需要设置profile

IOptimizationProfile* profile = builder->createOptimizationProfile();
profile->setDimensions("input", OptProfileSelector::kMIN, Dims4(1, C, H, W));
profile->setDimensions("input", OptProfileSelector::kOPT, Dims4(2, C, H, W));
profile->setDimensions("input", OptProfileSelector::kMAX, Dims4(4, C, H, W));
config->addOptimizationProfile(profile);

 最后运行时，需要设置实际运行shape:

context->setBindingDimensions(inputIndex, Dims4(3, 4, 2, 2));

这和 IPluginV2 demo中的隐式batch机制很类似，隐式batch需要优化时设置最大batch数，运行时需要设置实际的batch数目。

写自定义plugin时，推荐使用 IPluginV2DynamicExt做基类。支持静态/动态shape，显示batch也更直观。
IPluginV2的隐式batch模式下，plugin内部只能看到三维的shape信息，batch信息在enqueue函数内才能看到（context->execute(batch)传入。 IPluginV2DynamicExt 显示batch模式下，可以看到四维shape信息.

​ 如果网络中有Plugin，则需要注意以下事项：

1）编写Plugin时需要注意的是：

（1）Enqueue函数要增加half版本；

（2）注意supportsFormatCombination函数。保证输入输出类型一致，并要求输入输出类型与mType一致。

2）fp16模型，输入设置为float类型还是half类型？

​ 都行，但建议是将输入设置成float。

3）模型要配合混合精度训练，否则可能会出现溢出问题。

代码示例：

https://github.com/NVIDIA/TensorRT/blob/7.2.1/plugin/skipLayerNormPlugin/skipLayerNormPlugin.cpp

测试：

1）使用了plugin，要写单元测试；

2）使用parser转换网络，使用dump API接口，查看网络结构是否对的上

3）通用方法，打印输出：

a）官方建议：将可疑层的输出设置为network output（比较累）；

b）自己写个debug plugin

函数解释

需要写2个类：

1）MyCustomPlugin，继承IPluginV2Ext/IPluginV2IOExt/IPluginV2DynamicExt，是插件类，用于写插件的具体实现；

2）MyCustomPluginCreator，继承BaseCreator， 负责创建和管理 MyCustomPlugin 实例，以及向TensorRT注册插件。

static Shape Plugin 

MyCustomPlugin(int in_channel, nvinfer1::Weights const& weight, nvinfer1::Weights const& bias);  // 构造函数，用于网络定义阶段MyCustomPlugin(void const* serialData, size_t serialLength);    // 构造函数，用于反序列化阶段int getNbOutputs() const;      // 获得layer的输出个数nvinfer1::Dims getOutputDimensions(int index, const nvinfer1::Dims* inputs, int nbInputDims);    // 获得layer的输出维度nvinfer1::DataType getOutputDataType(int index, const nvinfer1::DataType* inputTypes, int nbInputs) const;     // 获得输出数据类型size_t getSerializationSize() const;      //返回序列化时需要写多少字节到buffer中void serialize(void* buffer) const;      //序列化函数，将plugin的参数权值写入到buffer中const char* getPluginType() const;       // 获得plugin的type，用于反序列化使用const char* getPluginVersion() const;       //获得plugin的version，用于反序列化使用int initialize();          // 初始化函数，在这个插件准备开始run之前执行。一般申请权值显存空间并copy权值void terminate();         // terminate函数就是释放initialize开辟的一些显存空间void destroy();           // 释放整个plugin占用的资源void configurePlugin(const nvinfer1::PluginTensorDesc* in, int nbInput, const nvinfer1::PluginTensorDesc* out, int nbOutput);          // 判断输入是否符合标准bool supportsFormatCombination(int pos, const nvinfer1::PluginTensorDesc* inOut, int nbInputs, int nbOutputs) const;          // 判断输入、输出的格式size_t getworkspaceSize(int maxBatchSize) const;        // 获得plugin所需要的显存大小int enqueue(int batchSize, const void* const* inputs, void** outputs, void* * workspace, cudaStream_t stream);   // 推理函数const char* setPluginNamespace() const;            // 为这个插件设置namespace名字，每个plugin定义1个专属的Namespace，如果不设置则默认是""，需要注意的是同一个namespace下的plugin如果名字相同会产生冲突
const char* getPluginNamespace() const;   // 获取plugin的命名空间
const PluginFieldCollection *GridAnchorBasePluginCreator::getFieldNames();     // PluginFieldCollection的主要作用是传递插件op所需要的权重和参数
void attachToContext(cudnnContext* cudnnContext, cublasContext* cublasContext, IGpuAllocator* gpuAllocator);  // 将plugin附加到执行上下文，并授予plugin对某些上下文资源的访问权限
void detachFromContext();      // 将插件对象从其执行上下文中分离出来
构造函数和析构函数
构造函数

构造函数可以写1~3个，通常第一个对应def，第二个对应clone，第三个对应序列化的。

1、用于network definition阶段，PluginCreator创建该插件时调用的构造函数，需要传递权重信息以及参数。也可用于clone阶段，或者再写一个clone构造函数。

MyCustomPlugin(int in_channel, nvinfer1::Weights const& weight, nvinfer1::Weights const& bias);

​2、clone：顾名思义，就是克隆，将这个plugin对象克隆一份给TensorRT的builder、network或者engine。这个成员函数会调用下面的这个构造函数：
 

MyCustomPlugin(float in_channel, const std::vector<float>& weight, const std::vector<float>& bias);

 将要克隆的plugin的权重和参数传递给这个构造函数。

IPluginV2DynamicExt* MyCustomPlugin::clone() const{auto plugin = new MyCustomPlugin{_in_channel, _weight, _bias};plugin->setPluginNamespace(mPluginNamespace);return plugin;
}

clone成员函数主要用于传递不变的权重和参数，将plugin复制n多份，从而可以被不同engine、builder、network使用。

3、用于在deserialize阶段，用于将序列化好的权重和参数传入该plugin并创建。

MyCustomPlugin(void const* serialData, size_t serialLength);

   

注意需要把默认构造函数删掉；

MyCustomPlugin() = delete;
析构函数

析构函数则需要执行terminate，terminate函数就是释放这个op之前开辟的一些显存空间；

MyCustomPlugin::~MyCustomPlugin(){terminate();}
输出相关函数

1、获得layer的输出个数

int getNbOutputs() const;

 2、根据输入个数和输入维度，获得第index个输出的维度

nvinfer1::Dims getOutputDimensions(int index, const nvinfer1::Dims* inputs, int nbInputDims);
 

3、根据输入个数和输入类型，获得第index个输出的类型

nvinfer1::DataType getOutputDataType(int index, const nvinfer1::DataType* inputTypes, int nbInputs) const;
序列化和反序列化相关函数

1、用于查询本插件序列化需要的内存大小，实际上就是对所有当前类变量数据的字节大小求和。

size_t MyCustomPlugin::getSerializationSize() const
{return (serialized_size(_in_channel) + serialized_size(_weight) + serialized_size(_bias));
};

2、序列化函数，将plugin的参数权值写入到buffer中

void MyCustomPlugin::serialize(void* buffer) const
{serialize_value(&buffer, _in_channel);serialize_value(&buffer, _weight);serialize_value(&buffer, _bias);
};

3、如果这个op使用到了一些其他东西，例如cublas handle，可以直接借助TensorRT内部提供的cublas handle：

void MyCustomPlugin::attachToContext(cudnnContext* cudnnContext, cublasContext* cublasContext, IGpuAllocator* gpuAllocator){mCublas = cublasContext;
}

4、获得plugin的type和version，用于反序列化使用

const char* getPluginType() const;

const char* getPluginVersion() const;
 

初始化、配置、销毁函数
//初始化函数，在这个插件准备开始run之前执行。一般申请权值显存空间并copy权值int initialize();
//terminate函数就是释放initialize开辟的一些显存空间void terminate();
//释放整个plugin占用的资源void destroy();

​ 配置configurePlugin这个插件op，判断输入和输出类型数量是否正确。官方还提到通过这个配置信息可以告知TensorRT去选择合适的算法(algorithm)去调优这个模型。

该方法用于对插件配置输入输出相关参数，且在 engine 构建阶段和执行阶段都会被调用，原因是构建阶段和执行阶段输入输出张量的维度信息可能不同（因为是 dynamic shape 的），因此需要在每次执行前都重新配置一下。

void MyCustomPluginDynamic::configurePlugin(const nvinfer1::DynamicPluginTensorDesc* inputs, int nbInputs, const nvinfer1::DynamicPluginTensorDesc* outputs, int nbOutputs)
{assert(nbOutputs == 1);assert(nbInputs == 2);assert(mType == inputs[0].desc.type);
};

TensorRT 通过这个方法来查询 pos 所指定张量的 type 和 format 的组合是否是被当前插件所支持的。type 无非就单精度、半精度、整型等等，而 format 则是指张量的布局方式

  • pos 表示当前查询张量序号，注意这里输入和输出是合在一起排序的，也就是说 0 < pos < nbInputs + nbOutputs，其中 nbInputs 表示输入张量的个数，nbOutputs 表示输出张量的个数。当 pos < nbInputs 时，表示当前查询的是输入张量，否则表示当前查询的是输出张量。
  • inOut 表示输入或输出张量的描述信息，其中包含了张量的维度信息，数据类型type，数据布局格式format等。
bool MyCustomPlugin::supportsFormatCombination(int pos, const nvinfer1::PluginTensorDesc* inOut, int nbInputs, int nbOutputs) 
{// 假设有一个输入和一个输出assert(0 <= pos && pos < 2);const auto *in = inOut;const auto *out = inOut + nbInputs;switch(pos){case 0:return in[0].type == DataType::kFLOAT && in[0].format == nvinfer1::TensorFormat::kLINEAR;case 1:return out[0].type == in[0].type && out[0].format == nvinfer1::TensorFormat::kLINEAR;}
};
运行相关函数

1、获得plugin所需要的显存大小。最好不要在plugin enqueue中使用cudaMalloc申请显存。

size_t getWorkspaceSize(const nvinfer1::PluginTensorDesc* inputs, int nbInputs, const nvinfer1::PluginTensorDesc* outputs, int nbOutputs) const{// 计算这个op前向过程中需要的中间显存数量size_t need_num;return need_num * sizeof(float);
};

2、插件执行方法，在这里调用 CUDA 算子。

int enqueue(int batchSize, const void* const* inputs, void** outputs, void *workspace, cudaStream_t stream){// 假设这个fun是需要的中间变量，可以直接使用TensorRT开辟的显存空间fun = static_cast<float*>(workspace);
};

​ 需要注意的是，如果操作中需要一些分布在显存中的中间变量，可以通过传过来的指针参数workspace获取。默认写的.cu是fp32的，TensorRT在fp16运行模式下，运行到不支持fp16的插件op时，会自动切换到fp32模式，等插件op运行完再切换回来。

​ 可以设置max workspace，避免显存移除，并且可以显存复用。

lReluPlugin.cpp中的enqueue函数为例：

int LReLU::enqueue(int batchSize, const void* const* inputs, void* const* outputs, void* workspace, cudaStream_t stream) noexcept
{const void* inputData = inputs[0];void* outputData = outputs[0];pluginStatus_t status = lReLUInference(stream, mBatchDim * batchSize, mNegSlope, inputData, outputData);return status; 
}

其对应的CUDA内核函数在lReLU.cu

template <unsigned nthdsPerCTA>__launch_bounds__(nthdsPerCTA) __global__ void pReLUKernel(const int n, const float negativeSlope, const float* input, float* output)
{// blockIdx.x表示当前线程块在线程格里x维度上的索引；nthdsPerCTA即blockDim.x，表示当前线程块中x维度上所有线程的个数；// threadIdx.x表示当前线程在线程块里x维度上的索引；gridDim.x表示当前线程格中x维度上所有线程块的个数;// i += gridDim.x * nthdsPerCTA，代表步长为gridDim.x * nthdsPerCTA，即1个线程格里的所有线程数。for(int i = blockIdx.x * nthdsPerCTA + threadIdx.x; i < n; i += gridDim.x * nthdsPerCTA){//negativeSlope就是系数阿尔法output[i] = input[i] > 0 ? input[i] : input[i] * negativeSlope;}
}pluginStatus_t lReLUGPU(cudaStream_t stream, const int n, const float negativeSlope, const void* input, void* output)
{// 这个n就是控制leakyRelu输出个数的变量const int BS = 512;const int GS = (n + BS - 1) / BS;// <BS>是模板参数，表示使用的线程块大小，可以传给内核函数pReLUKernel()pReLUKernel<BS><<<GS, BS, 0, stream>>>(n, negativeSlope, (const float*) input, (float*) output);return STATUS_SUCCESS;
}pluginStatus_t lReLUInference(cudaStream_t stream, const int n, const float negativeSlope, const void* input, void* output)
{return lReLUGPU(stream, n, negativeSlope, (const float*) input, (float *) output);
}

static shape IPluginCreator

class MyCustomPluginCreator : public BaseCreator{
public:MyCustomPluginCreator();~MyCustomPluginCreator() override = default;const char* getPluginName() const override;const char* getPluginVersion() const override;const PluginFieldCollection* getFieldNames() override;
// 通过PluginFieldCollection去创建plugin,将所需的参数和权值取出,调用MyCustomPlugin(args ...)IPluginV2DynamicExt* createPlugin(const char* name, const nvinfer1::PluginFieldCollection* fc) override;
// 反序列化,调用MyCustomPlugin(const void* data, size_t length)来创建pluginIPluginV2DynamicExt* deserializePlugin(const char* name, const void* serialData, size_t serialLength) override;private:static PluginFieldCollection mFC;static std::vector<PluginField> mPluginAttributes;std::string mNamespace;
}

获得plugin name和version，用于辨识creator

const char* getPluginName() const;

const char* getPluginVersion() const;
 

通过PluginFieldCollection去创建plugin，将op需要的权重和参数一个一个取出来，然后调用上文提到的第一个构造函数：

const nvinfer1::PluginFieldCollection* getFieldNames();IPluginV2DynamicExt* MyCustomPlugin::createPlugin(const char* name, const nvinfer1::PluginFieldCollection* fc)
{int in_channel;std::vector<float> weight;std::vector<float> bias;const PluginField* fields = fc ->fields;for (int i = 0; i < fc ->nbFields; ++i){const char* attrName = fields[i].name;if (!strcmp(attrName, "in_channel")){ASSERT(fields[i].type == PluginFieldType::kINT32);in_channel = *(static_cast<const int32_t*>(fields[i].data));}else if (!strcmp(attrName, "weight")){ASSERT(fields[i].type == PluginFieldType::kFLOAT32);int size = fields[i].length;h_weight.reserve(size);const auto* w = static_cast<const float*>(fields[i].data);for (int j = 0; j < size; j++){h_weight.push_back(*w);w++;}}else if(！strcmp(attrName, "bias")){ASSERT(fields[i].type == PluginFieldType::kFLOAT32);int size = fields[i].length;h_bias.reserve(size);const auto* w = static_cast<const float*>(fields[i].data);for (int j = 0; j < size; j++){h_bias.push_back(*w);w++;}}}Weights weightWeights{DataType::kFLOAT, weights.data(), (int64_t) weight.size()};Weights biasWeights{DataType::kFLOAT, bias.data(), (int64_t) _bias.size()};MyCustomPlugin* obj = new MyCustomPlugin(in_channel, weightWeights, biasWeights);obj -> setPluginNamespace(mNamespace.c_str());return obj;
}

​PluginFieldCollection是成员变量，也会作为getFieldNames成员函数的返回类型。PluginFieldCollection的主要作用是传递这个插件op所需要的权重和参数，在实际的engine推理过程中并不使用，而在parse中会用到（例如caffe2trt、onnx2trt）

IPluginV2* createPlugin(const char* name, const PluginFieldCollection* fc) noexcept override;

这是创建插件的主要方法，其中 name 表示插件名称，fc 表示插件类的字段集合，通过 fc -> fields 方法我们可以拿到 PluginField 指针数组，每个 PluginField 对象包含了字段名称，字段类型，字段数据等信息，通过类型转换可以得到具体的字段数据并创建插件实例。

IPluginV2* deserializePlugin(const char* name, const void* serialData, size_t serialLength) noexcept override;

该方法用于反序列化插件，其中 name 表示插件名称，serialData 表示序列化数据，serialLength 表示序列化数据的字节大小

 

Dynamic Shape Plugin API

static implicit（隐式）batch vs dynamic explicit（显式） batch

1、根据输入个数和动态输入维度，获得第index个输出的动态维度

static

nvinfer1::Dims getOutputDimensions(int index, const nvinfer1::Dims* inputs, int nbInputDims);

 dynamic

nvinfer1::DimsExprs getOutputDimensions(int outputIndex, const nvinfer1::DimsExprs* inputs, int nbInputs, nvinfer1::IExprBuilder& exprBuilder);

2、enqueue和getWorkspaceSize多了输入输出的信息、维度类型等

static

int enqueue(int batchSize, const void* const* inputs, void** outputs, void *workspace, cudaStream_t stream);

dynamic

int enqueue(const nvinfer1::PluginTensorDesc* inputDesc, const nvinfer1::PluginTensorDesc* outputDesc, const void* const* inputs, void* const* outputs, void* workspace, cudaStream_t stream);

enqueue 在 TensorRT7 和 TensorRT8 中函数声明不同，升级 TRT 版本时注意调整

隐式和显式只会在plugin里面遇到。

静态shape的隐式batch意思是，这个batch的数值是enqueue传递进来的，剩下的维度都是确定，batch是动态的。静态shape中，TRT的推理中，batch是拿不到的，getOutputDimensions的inputs参数只会有CHW，是一个明确数值和维度的数组。对于enqueue函数，都是明确数值。

动态shape的显式batch是在getOutputDimensions函数中，inputs参数里面是NCHW，这几个维度的值都有。动态shape的输入维度数值都是不确定的，而输入输出之间的关系是通过exprBuilder来确定的，相当于一个四则运算器，做shape infer。对于enqueue函数，由于都是不确定的数值，需要输入输出的描述。

静态是shape信息是可以提前拿到的，而动态只有在运行的时候才能获得的。

PluginCreator注册

​ 在加载NvInferRuntimeCommon.h头文件时，会得到一个getPluginRegistry，这里类中包含了所有已经注册了的IPluginCreator，在使用的时候通过getPluginCreator函数得到相应的IPluginCreator。

REGISTER_TENSORRT_PLUGIN注册

your_Plugin.cpp

REGISTER_TENSORRT_PLUGIN(GeluPluginDynamicCreator);

API注册

需要在plugin/api/InferPlugin.cpp里添加初始化plugin的接口:

1) 添加头文件

2)添加初始化插件的接口

extern "C" {bool initLibNvInferPlugins(void* logger, const char* libNamespace){initializePlugin<nvinfer1::plugin::GridAnchorPluginCreator>(logger, libNamespace);initializePlugin<nvinfer1::plugin::NMSPluginCreator>(logger, libNamespace);initializePlugin<nvinfer1::plugin::ReorgPluginCreator>(logger, libNamespace);...return true;}
}

​ 其中initializePlugin函数执行了addPluginCreator函数：

template <typename CreatorType>
void initializePlugin(void* logger, const char* libNamespace)
{PluginCreatorRegistry::getInstance().addPluginCreator<CreatorType>(logger, libNamespace);
}

addPluginCreator函数又执行了getPluginRegistry() -> registerCreator对pluginCreator进行了注册，这样就完成注册任务了：

void addPluginCreator(void* logger, const char* libNamespace)
{...if(mRegistryList.find(pluginType) == mRegistryList.end()){bool status = getPluginRegistry()->registerCreator(*pluginCreator, libNamespace);if (status){mRegistry.push(std::move(pluginCreator));mRegistryList.insert(pluginType);verboseMsg = "Plugin creator registration succeeded - " + pluginType;}else{errorMsg = "Could not register plugin creator: " + pluginType;}}else{verboseMsg = "Plugin creator already registered - " + pluginType;}...
}

编译tensorrt

 htop

ranger

tensorrt文档

源码中 doc/pdf

 

plugin例子和原理

https://zhuanlan.zhihu.com/p/297002406

demo

TensorRT-8.0.1.6/samples/sampleUffPluginV2Ext

在每个函数里增加log printf()，程序运行时可以每个函数运行顺序

cd TensorRT-8.0.1.6/samples/sampleUffPluginV2Ext

make

cd ../../bin/

./sample_uff_plugin_v2_ext | tee log.txt

找不到动态库libnvinfer.so.6，export 动态库

没有序列化和反序列化

ctreator

补充

 build 时的log看出：

显性和隐性batch

TensorRT系列——explicit_batch vs implicit_batch_51CTO博客_tensorRt

显性batch

	// 动态维度，设置batch = 4context->setBindingDimensions(0, Dims4(4, 1, 112, 112));context->executeV2(buffers);

隐性batch

For implicit batch, use createNetwork or pass a 0 to createNetworkV2.

builder = trt.Builder(...)
builder.create_network(1 << int(trt.NetworkDefinitionCreationFlag.EXPLICIT_BATCH))
 


http://www.ppmy.cn/ops/105613.html

相关文章

如何从Oracle Apex页面直接跳转到Oracle EBS form详情页

如何从Oracle Apex页面直接跳转到Oracle EBS form详情页

从EBS跳转apex页面&#xff0c;可以参考官方发布的白皮书&#xff0c;从APEX页面上的跳转到form Oracle官方目前没有资料可以参考&#xff0c;可以利用Oracle EBS 现有的API进行扩展&#xff0c;下文以EBS 12.1为例进行详细说明… 关键步骤 1.设置form诊断模式 确认socket 或者…
阅读更多...
对象存储数据库minio的持久化存储

对象存储数据库minio的持久化存储

拉取镜像并启动容器&#xff1a; docker pull bitnami/minio:2024.7.31docker run -dit --nethost -p 9000:9000 -p 9001:9001 -v /data/minio_data/:/bitnami/minio/data -e "MINIO_ROOT_USER1234567890!" -e "MINIO_ROOT_PASSWORD1234567890KEY" --n…
阅读更多...
GNU/Linux - Linux kernel memory access

GNU/Linux - Linux kernel memory access

User space memory access from the Linux kernel An introduction to Linux memory and user space APIs By M. Jones 10 August 2010 Archive date: 2023-08-31 虽然字节可能是 Linux 中内存的最低可寻址单位&#xff0c;但页面才是内存的可管理抽象。本文首先讨论 Linux …
阅读更多...
zhidianyun01/基于 ThinkPHP+Mysql 灵活用工+灵活用工源码+灵活用工平台源码

zhidianyun01/基于 ThinkPHP+Mysql 灵活用工+灵活用工源码+灵活用工平台源码

‌‌灵活用工‌是一种灵活形式的用工方式&#xff0c;它涵盖了多种形态&#xff0c;包括非全日制用工、‌劳务派遣、‌业务外包等。这种用工方式允许企业在不同需求下灵活地按需聘用人才&#xff0c;而不必建立正式的全职劳动关系。灵活用工的核心在于其灵活性和按需性&#xf…
阅读更多...
C#串口助手初级入门

C#串口助手初级入门

1.创建项目 修改项目名称与位置&#xff0c;点击创建 2.进入界面 在视图中打开工具箱&#xff0c;鼠标拖动&#xff0c;便可以在窗口添加控件&#xff0c;右边可以查看与修改属性 3.解决方案资源管理器 发布之前&#xff0c;需要修改相关的信息&#xff0c;比如版本号&#x…
阅读更多...
等保2.0通用部分 | 安全物理环境（三级）测评指导书

等保2.0通用部分 | 安全物理环境（三级）测评指导书

机房&#xff1b; 测评方法&#xff1a; 应核查机房是否不位于所在建筑的顶层或地下室&#xff0c;如果否&#xff0c;则核查机房是否采取了防水和防潮措施。 2、 物理访问控制 机房出入口应配置电子门禁系统&#xff0c;控制、鉴别和记录进入的人员。 测评对象&#xff1a;…
阅读更多...
初学者指南：Spring Boot入门

初学者指南：Spring Boot入门

引言 在当今快速发展的软件开发领域&#xff0c;Spring Boot已经成为了构建现代Java应用程序的首选框架之一。它以其简洁、易用和强大的特性&#xff0c;帮助开发者快速搭建起基于Spring的应用程序。如果你是Java开发新手&#xff0c;或者正在寻找一种更高效的开发方式&#x…
阅读更多...
基于深度学习的遥感图像分类识别系统，使用PyTorch框架实现

基于深度学习的遥感图像分类识别系统，使用PyTorch框架实现

取5个场景 [海滩, 灌木丛, 沙漠, 森林, 草地] 划分数据集 train&#xff1a;val&#xff1a;test 7&#xff1a;2&#xff1a;1 环境依赖 pytorch1.1 or 1.0 tensorboard1.8 tensorboardX pillow 注意调低batch_size参数特别是像我这样的渣渣显卡 使用方法 只需要指…
阅读更多...
最新文章

Copyright @ 2022~2023