RKNN演算法

❶ 卷積環繞錯誤

錯誤
AttributeError: 『mole』 object has no attribute 『ceil』
解決方法：
參考鏈接
tensorflow2.3+keras2.4.3
2.錯誤
NotImplementedError: Cannot convert a symbolic Tensor (conv12_offset/meshgrid/Size:0) to a numpy array. This error may indicate that you』re trying to pass a Tensor to a NumPy call, which is not supported
解決方法：
參考鏈接
更換numpy版本為：numpy1.19.2
3.錯誤
仍然報錯：
解決方法：
tensorflow1.15+keras2.3.1+numpy1.16.0
注意：安裝完以後，檢測tensorflow為2.0版本，所以重新卸載安裝！！！
通過如下方式安裝（但是下載速度很慢）

conda install tensorflow-gpu==1.15
復制

仍然報錯：

解決方法：
tensorflow1.15+keras2.3.1+numpy1.16.0

4.錯誤

顯存不足，添加如下（參考鏈接：tensorflow.python.framework.errors_impl.InternalError: Blas GEMM launch failed問題解決思路之一）
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.333)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
復制

然後重啟，但還是沒用！！！！
還是一樣的錯誤，在添加另外一種（參考鏈接：ubuntu18 下 tensoflow-gpu 2.0 卷積報錯：Failed to get convolution algorithm.），如下
physical_devices = tf.config.experimental.list_physical_devices('GPU')
assert len(physical_devices) > 0, "Not enough GPU hardware devices available"
tf.config.experimental.set_memory_growth(physical_devices[0], True)
復制
注意：不要認為到這里就結束了，這是一個漫長的等待過程，需要等10分鍾左右！！！

等待之後，繼續運行…
又是等待的過程，大致15分鍾左右！！！

還是報錯

然後我沖帆把原先的bach-size=2改稱bach-size=1（參考鏈接：data數據集上模型剛啟動就報錯【Successfully opened dynamic library lib cublas.so.11 Killed】），再次實驗，可以往下運行
接著，又有錯誤
AttributeError: 'bytes' object has no attribute 'encode'
復制
解決方法：
將
original_keras_version = f.attrs['keras_version'].encode('utf-8').decode('utf-8')
復制
改為

original_keras_version = f.attrs['keras_version'].decode('utf-8')
復制

再重新運行…
又報掘余錯，再修改
再重新運行…沒有報錯判判滾

5.錯誤
將bach-size=1再改為bach-size=2，則出現報錯，
解決方法：
參考鏈接: TensorFlow:Blas GEMM啟動失敗
安裝完python2.7的虛擬環境後，tensorflow-gpu==1.15.0安裝失敗；
所以，又換種方法，
第一種，將saving.py文件中報錯的地方的decode('utf8')前加encode('utf8')，

... ...
original_keras_version = f.attrs['keras_version'].decode('utf8')
... ...
original_backend = f.attrs['backend'].decode('utf8')
... ...
復制
改成

... ...
original_keras_version = f.attrs['keras_version'].encode('utf8').decode('utf8')
... ...
original_backend = f.attrs['backend'].encode('utf8').decode('utf8')
... ...
復制
但是實驗失敗，
第二種，將saving.py文件中報錯的地方的decode('utf8')刪除，

... ...
original_keras_version = f.attrs['keras_version'].decode('utf8')
... ...
original_backend = f.attrs['backend'].decode('utf8')
... ...
復制
改成

... ...
original_keras_version = f.attrs['keras_version']
... ...
original_backend = f.attrs['backend']
... ...
復制
實驗成功，沒有報錯。

但是如果還是把batch-size=1換成batch-size=2，還是報錯，所以暫時先用batch-size=1
pytorch
python
深度學習
高清播放機，圖片大全，點擊查看詳情！
精選推薦
廣告

tf-deformable-conv-layer:可變形卷積層的TensorFlow實現
8下載·0評論
2021年5月6日
Tensorflow2.4.1：fit_generator訓練時內存升高導致訓練進程結束
1548閱讀·1評論·1點贊
2022年4月16日
解決NotImplementedError: Cannot convert a symbolic Tensor to a numpy array.問題
683閱讀·0評論·2點贊
2022年10月9日
Tensorflow卷積實現原理+手寫python代碼實現卷積
1.5W閱讀·9評論·21點贊
2018年1月21日
Pytorch 訓練與測試時爆顯存(out of memory)的一個解決方案
6.1W閱讀·44評論·55點贊
2018年11月23日
解決Cannot convert a symbolic Tensor to a numpy array.
2.9W閱讀·7評論·2點贊
2020年2月25日
棕櫚油批發

精選推薦
廣告
Deformable convolutional networks（可變形卷積）使用keras/tensorflow主要代碼及注釋
3427閱讀·3評論·2點贊
2020年2月29日
rknn-toolkit測試示例報錯AttributeError: mole 'tensorflow' has no attribute 'ceil'
1945閱讀·0評論·0點贊
2019年12月24日
可變形卷積：Deformable ConvNets
4621閱讀·0評論·3點贊
2020年11月30日
deformable convolution（可變形卷積）演算法解析及代碼分析
2.0W閱讀·49評論·44點贊
2017年8月31日
NotImplementedError: Cannot convert a symbolic Tensor (yolo_boxes_0/meshgrid/Size_1:0) to a numpy ar
2041閱讀·0評論·3點贊
2022年2月13日
Tensorflow2.4GPU版安裝指南
1715閱讀·1評論·5點贊
2021年12月1日
NotImplementedError: Cannot convert a symbolic Tensor報錯與解決
2.4W閱讀·42評論·48點贊
2021年3月14日
【報錯解決】Cannot convert a symbolic Tensor to a numpy array.
1.6W閱讀·12評論·9點贊
2021年3月10日
Tensorflow不能調用GPU
733閱讀·0評論·0點贊
2021年10月27日
Cannot convert a symbolic Tensor to a numpy array錯誤的解決

❷ 三色過人臉教程

三色人臉動態識別（虛擬AR）是一款實用的人臉AR識別和虛擬識別工具，能夠用來幫忙我們達成各類app和設備的人臉識別相關功能，與此同時壓縮包里一共有3個app，其中2個教程1個模板，注意下面的使用方式。
三色人臉動態識別（虛擬AR）1、先製作2、再轉換處理3、後手動控制，安裝方法，每個app的壓縮包都必須用右鍵點擊控制進行解壓，然後肖像app提示2次安裝。轉換app正常安裝就可以，控制app不需要安裝。最後先觀看MP4的教程錄像，再慢慢試著做吧。
網路模型量化，含NPU的設備內置int8運算的ip單元，一般都會提供post-trainquantizationtoolbox給用戶進行模型轉換。同樣的，瑞芯微也提供了對應的工具鏈，已於github上開源，rknn-toolkit。
在進行演算法網路量化的時候，一般只需要注意如下幾點：1、提供的calibrationdataset盡量與訓練數據同分布，或者乾脆在訓練數據中采樣部分數據用於calibration。一般提供1k張左右的圖例進行post-trainquantization就可以得歲祥到不錯的數值精度。關於量化的一些雜談，之前的文章也有跟大家討論過，可以參考談談MNN的模型量化（一）數鉛雀爛學模型。
2、在NPU的項目中（rk、allwin、k210等），盡量在網路設計的時候幹掉DW-CONV，該op在NPU中並沒有進行很好的適配，且該op在int8下的量化數值精度經常翻車（high-level偶爾翻車，low-level大概率翻車）。我一槐漏般都會採用resnet-like的mole進行小型化，速度和性能一般都要優於基於mobilenet結構的。
三色人間是一種人臉識別輔助工具，過人臉就是人臉識別。