RKNN算法

❶ 卷积环绕错误

错误
AttributeError: ‘mole’ object has no attribute ‘ceil’
解决方法：
参考链接
tensorflow2.3+keras2.4.3
2.错误
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
解决方法：
参考链接
更换numpy版本为：numpy1.19.2
3.错误
仍然报错：
解决方法：
tensorflow1.15+keras2.3.1+numpy1.16.0
注意：安装完以后，检测tensorflow为2.0版本，所以重新卸载安装！！！
通过如下方式安装（但是下载速度很慢）

conda install tensorflow-gpu==1.15
复制

仍然报错：

解决方法：
tensorflow1.15+keras2.3.1+numpy1.16.0

4.错误

显存不足，添加如下（参考链接：tensorflow.python.framework.errors_impl.InternalError: Blas GEMM launch failed问题解决思路之一）
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.333)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
复制

然后重启，但还是没用！！！！
还是一样的错误，在添加另外一种（参考链接：ubuntu18 下 tensoflow-gpu 2.0 卷积报错：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)
复制
注意：不要认为到这里就结束了，这是一个漫长的等待过程，需要等10分钟左右！！！

等待之后，继续运行…
又是等待的过程，大致15分钟左右！！！

还是报错

然后我冲帆把原先的bach-size=2改称bach-size=1（参考链接：data数据集上模型刚启动就报错【Successfully opened dynamic library lib cublas.so.11 Killed】），再次实验，可以往下运行
接着，又有错误
AttributeError: 'bytes' object has no attribute 'encode'
复制
解决方法：
将
original_keras_version = f.attrs['keras_version'].encode('utf-8').decode('utf-8')
复制
改为

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

再重新运行…
又报掘余错，再修改
再重新运行…没有报错判判滚

5.错误
将bach-size=1再改为bach-size=2，则出现报错，
解决方法：
参考链接: TensorFlow:Blas GEMM启动失败
安装完python2.7的虚拟环境后，tensorflow-gpu==1.15.0安装失败；
所以，又换种方法，
第一种，将saving.py文件中报错的地方的decode('utf8')前加encode('utf8')，

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

... ...
original_keras_version = f.attrs['keras_version'].encode('utf8').decode('utf8')
... ...
original_backend = f.attrs['backend'].encode('utf8').decode('utf8')
... ...
复制
但是实验失败，
第二种，将saving.py文件中报错的地方的decode('utf8')删除，

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

... ...
original_keras_version = f.attrs['keras_version']
... ...
original_backend = f.attrs['backend']
... ...
复制
实验成功，没有报错。

但是如果还是把batch-size=1换成batch-size=2，还是报错，所以暂时先用batch-size=1
pytorch
python
深度学习
高清播放机，图片大全，点击查看详情！
精选推荐
广告

tf-deformable-conv-layer:可变形卷积层的TensorFlow实现
8下载·0评论
2021年5月6日
Tensorflow2.4.1：fit_generator训练时内存升高导致训练进程结束
1548阅读·1评论·1点赞
2022年4月16日
解决NotImplementedError: Cannot convert a symbolic Tensor to a numpy array.问题
683阅读·0评论·2点赞
2022年10月9日
Tensorflow卷积实现原理+手写python代码实现卷积
1.5W阅读·9评论·21点赞
2018年1月21日
Pytorch 训练与测试时爆显存(out of memory)的一个解决方案
6.1W阅读·44评论·55点赞
2018年11月23日
解决Cannot convert a symbolic Tensor to a numpy array.
2.9W阅读·7评论·2点赞
2020年2月25日
棕榈油批发

精选推荐
广告
Deformable convolutional networks（可变形卷积）使用keras/tensorflow主要代码及注释
3427阅读·3评论·2点赞
2020年2月29日
rknn-toolkit测试示例报错AttributeError: mole 'tensorflow' has no attribute 'ceil'
1945阅读·0评论·0点赞
2019年12月24日
可变形卷积：Deformable ConvNets
4621阅读·0评论·3点赞
2020年11月30日
deformable convolution（可变形卷积）算法解析及代码分析
2.0W阅读·49评论·44点赞
2017年8月31日
NotImplementedError: Cannot convert a symbolic Tensor (yolo_boxes_0/meshgrid/Size_1:0) to a numpy ar
2041阅读·0评论·3点赞
2022年2月13日
Tensorflow2.4GPU版安装指南
1715阅读·1评论·5点赞
2021年12月1日
NotImplementedError: Cannot convert a symbolic Tensor报错与解决
2.4W阅读·42评论·48点赞
2021年3月14日
【报错解决】Cannot convert a symbolic Tensor to a numpy array.
1.6W阅读·12评论·9点赞
2021年3月10日
Tensorflow不能调用GPU
733阅读·0评论·0点赞
2021年10月27日
Cannot convert a symbolic Tensor to a numpy array错误的解决

❷ 三色过人脸教程

三色人脸动态识别（虚拟AR）是一款实用的人脸AR识别和虚拟识别工具，能够用来帮忙我们达成各类app和设备的人脸识别相关功能，与此同时压缩包里一共有3个app，其中2个教程1个模板，注意下面的使用方式。
三色人脸动态识别（虚拟AR）1、先制作2、再转换处理3、后手动控制，安装方法，每个app的压缩包都必须用右键点击控制进行解压，然后肖像app提示2次安装。转换app正常安装就可以，控制app不需要安装。最后先观看MP4的教程录像，再慢慢试着做吧。
网络模型量化，含NPU的设备内置int8运算的ip单元，一般都会提供post-trainquantizationtoolbox给用户进行模型转换。同样的，瑞芯微也提供了对应的工具链，已于github上开源，rknn-toolkit。
在进行算法网络量化的时候，一般只需要注意如下几点：1、提供的calibrationdataset尽量与训练数据同分布，或者干脆在训练数据中采样部分数据用于calibration。一般提供1k张左右的图例进行post-trainquantization就可以得岁祥到不错的数值精度。关于量化的一些杂谈，之前的文章也有跟大家讨论过，可以参考谈谈MNN的模型量化（一）数铅雀烂学模型。
2、在NPU的项目中（rk、allwin、k210等），尽量在网络设计的时候干掉DW-CONV，该op在NPU中并没有进行很好的适配，且该op在int8下的量化数值精度经常翻车（high-level偶尔翻车，low-level大概率翻车）。我一槐漏般都会采用resnet-like的mole进行小型化，速度和性能一般都要优于基于mobilenet结构的。
三色人间是一种人脸识别辅助工具，过人脸就是人脸识别。