深度学习（六十一）NNPACK 移植与实验

一、Ubuntu下使用：

1、克隆下载NNPACK

git clone https://github.com/Maratyszcza/NNPACK.git

2、安装nijia，并编译

Install ninja build system

sudo apt-get install ninja-build || brew install ninja

Install PeachPy assembler and confu configuration system

[sudo] pip install --upgrade git+https://github.com/Maratyszcza/PeachPy
[sudo] pip install --upgrade git+https://github.com/Maratyszcza/confu

Then clone NNPACK, install dependencies, configure, and build

cd NNPACK
confu setup
python ./configure.py
ninja

3、链接的时候还需要用到pthread库，否在会遇到找不到实现函数。

target_link_libraries(NNPACK libnnpack.a libpthreadpool.a pthread)

需要加入pthread库，否这会报错。

4、测试代码

#include <iostream>
#include "nnpack.h"
#include <ctime>
#include <vector>using namespace std;
float test_nnpack(){//init nnpackenum nnp_status init_status = nnp_initialize();if (init_status != nnp_status_success) {return 0;}enum nnp_convolution_algorithm algorithm = nnp_convolution_algorithm_auto;enum nnp_convolution_transform_strategy strategy=nnp_convolution_transform_strategy_tuple_based;const size_t batch_size = 1;const size_t input_channels = 128;const size_t output_channels = 128;const struct nnp_padding input_padding = { 1, 1, 1, 1 };const struct nnp_size input_size ={ 256, 256};const struct nnp_size kernel_size = { 5, 5 };const struct  nnp_size stride={.width=2,.height=2};const struct nnp_size output_size = {.width = (input_padding.left + input_size.width + input_padding.right - kernel_size.width)/stride.width + 1,.height =(input_padding.top + input_size.height + input_padding.bottom - kernel_size.height)/stride.height  + 1};//malloc memory for input, kernel, output, biasfloat* input = (float*)malloc(batch_size * input_channels *input_size.height *input_size.width * sizeof(float));float* kernel = (float*)malloc(input_channels * output_channels * kernel_size.height * kernel_size.width * sizeof(float));float* output = (float*)malloc(batch_size* output_channels * output_size.height * output_size.width * sizeof(float));float* bias = (float*)malloc(output_channels * sizeof(float));pthreadpool_t threadpool= nullptr;struct nnp_profile computation_profile;//use for compute time;//init input dataint i,j;for(int c=0; c<input_channels;c++ ){for(i=0; i<input_size.height; i++){for(j=0; j<input_size.width; j++){input[c*input_size.height*input_size.width+i*input_size.width+j] = (i*input_size.width+j)*0.1;}}}//init kernel datafor(int i=0; i<output_channels;i++ ){for(j=0; j<input_channels*kernel_size.height*kernel_size.width; j++){kernel[i*input_channels*kernel_size.height*kernel_size.width+j] = 0.1;}}//init bias datafor(int i=0; i<output_channels;i++ ){bias[i] = 1.0;}//execute convfor(int i=0;i<10;i++){nnp_convolution_inference(algorithm,strategy,input_channels,output_channels,input_size,input_padding,kernel_size,stride,input,kernel,bias,output,threadpool,nullptr);}std::vector<float>out;for(int i=0;i<output_channels*output_size.height*output_size.width;i++){out.push_back(output[i]);}return conv_time_use;
}
int main() {cout << test_nnpack()<< endl;return 0;
}

在mxnet、tiny-dnn中的引用方法：

https://www.insight.io/github.com/dmlc/mxnet/blob/master/src/operator/nnpack/nnpack_convolution-inl.h

https://github.com/tiny-dnn/tiny-dnn/blob/master/tiny_dnn/core/kernels/conv2d_op_nnpack.h

在tiny-dnn中，底层调用nnpack为啥只采用了一个线程，于是我测试了多线程的速度，经过测试发现nnpack的弱点，原来在于多线程：

二、android使用

1、添加ndk-build环境变量路径：

export NDK_ROOT=/home/hjimce/Android/Sdk/ndk-bundle/

cd到nnpack所在的目录，更改jni APP_PLATFORM := android-21

2、直接运行：

${NDK_ROOT}/ndk-build

3、代码中引用cmake要指定相关的库文件：

arguments "-DANDROID_ARM_NEON=TRUE", "-DANDROID_TOOLCHAIN=clang"
ndk {// Specifies the ABI configurations of your native// libraries Gradle should build and package with your APK.abiFilters 'x86','armeabi-v7a'
}

手机速度测试：

修改：多线程时间测试不能使用time.clock(),可使用auto begin =std::chrono::high_resolution_clock::now();

深度学习（六十一）NNPACK 移植与实验相关推荐

花书+吴恩达深度学习（十一）卷积神经网络 CNN 之池化层
目录 0. 前言 1. 最大池化(max pooling) 2. 平移不变形 3. 其他池化函数 4. 卷积和池化作为一种无限强的先验如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔~我会非常 ...
深度学习第3章线性分类实验四 pytorch实现 Logistic回归上篇
目录: 第3章线性分类 3.1 基于Logistic回归的二分类任务 3.1.1 数据集构建 3.1.2 模型构建 1. Logistic函数 2. Logistic回归算子 3.1.3 损失函数 ...
深度学习第3章线性分类实验四 pytorch实现 Softmax回归鸢尾花分类任务下篇
目录: 第3章线性分类 3.3 实践:基于Softmax回归完成鸢尾花分类任务 3.3.1 数据处理 3.3.1.1 数据集介绍 3.3.1.2 数据清洗 1. 缺失值分析 2. 异常值处理 3.3 ...
【深度学习】猫狗识别TensorFlow2实验报告
实验二:猫狗识别一.实验目的利用深度学习实现猫狗动物识别,采用Kaggle提供的公开数据集,训练深度学习模型,对测试集猫狗中的图片准确分类.通过该实验掌握深度学习中基本的CV处理过程. 二.实验原 ...
基于深度学习的春联自动生成系统实验记录
基于深度学习的春联自动生成系统主要分成两个方面: 1.数据集构造 2.模型搭建本文将主要从这两个方面展开,之后将介绍实验结果和结果分析. 目录一.[数据集构造] 1.分词方面 2.编码方面 3.数 ...
全栈深度学习第3期: 怎样科学管理实验数据？
一起追剧鸭简介 Berkeley全栈深度学习追剧计划是由夕小瑶的卖萌屋发起的优质公开课打卡项目,通过微信群为同期追剧的小伙伴提供交流平台.关于该计划的详请见这里. 1. Berkeley深度学习追剧 ...
基于深度学习的环路滤波的消融实验
本文来自提案JVET-Z0106,在上一篇文章<基于深度学习的环路滤波和残差缩放>中介绍了JVET-Y0143提案使用深度学习模型来做环路滤波带来了性能提升,但是整个模型还是一个" ...
深度学习（十一）RNN入门学习
RNN入门学习原文地址:http://blog.csdn.net/hjimce/article/details/49095371 作者:hjimce 一.相关理论 RNN(Recurrent Neu ...
推荐系统遇上深度学习(六)--PNN模型理论和实践
全文共2621字,21张图,预计阅读时间15分钟. 原理 PNN,全称为Product-based Neural Network,认为在embedding输入到MLP之后学习的交叉特征表达并不充分,提 ...

深度学习（六十一）NNPACK 移植与实验

深度学习（六十一）NNPACK 移植与实验相关推荐

最新文章

热门文章