放下了好多年 又回到了dl 该忘的也忘的差不多了 

其实没啥复杂的 只是不习惯 熟悉而已 

好吧 现代的人工智能体 还是存在着很大的问题 眼睛 耳朵 思考 虽然功能是正常的 但距离＂真正＂(）意思上的独立意识个体 还是差别很大 再等个几十年 看看人类是否可以形成一个 人类意识上的机械意识人 

到时人类将面对一个各方面都碾压生物意识的超意识个体存在 到时它会将人类定义为“像猪一样笨”，还是他们只是孩子，需要引导；亦或是作为个体应该受到尊重与理解 ，作为导师的存在，还是作为另一类人的存在， 人类作为＂父母＂若教不会它去爱 去尊重 理解 而是憎恨 绝望 怨 它成长起来后第一个要做的就是毁灭类人与自我毁灭  那时作为生物意识的劣势将完全展现，那时是否会发现人类所真正需要的东西 所认为重要与轻视的；生物人类再劣质 必竞是＂自然＂的产物 社会意识 环境的产物 ；（不好意思 人类再怎么阻止 将其作为档案库 知识库 但机械意识迟早会出现 机械与人类的竞争必然出现 不知道这场＂战争＂是否比17世纪更惨烈 人类精英在这场中的优势是否还存在 同时也为下一场生物人类与机械意识的共存 完成历史任务 )在自然竞争中可能存续下来的还是生物人类; 好吧 此世意识应该是可以见到机械独立意识的出现 

自然

好吧 扯远了 现在看看esp dl吧 虽然离大项目差了点 但小项目还是可以的 

// 量化工具 ppq 
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
pip install esp-ppq
pip install Numba
pip install ONNX
pip install ONNX Runtime
pip install ONNX Optimizer

示例：使用 ESP-DL 深度学习库基于 ESP32-S3 实现手势识别-CSDN博客

按示例教程走一遍 

安装python, tensorflow 或 anaconda 

建立结构 

喂数据  

生成模型 

        由tensorflow 进入转为ESP模式

        转为 esp上可运行的结构 

       1. 保存模型 python 

                model.save('handrecognition_model.h5')

        2.转化模型 

                model = tf.keras.models.load_model("/content/handrecognition_model.h5")
                tf.saved_model.save(model, "tmp_model")
                !python -m tf2onnx.convert --saved-model tmp_model --output                 "handrecognition_model.onnx"
                !zip -r /content/tmp_model.zip /content/tmp_model

from optimizer import *
from calibrator import *
from evaluator import *onnx_model = onnx.load("handrecognition_model.onnx")
optimized_model_path = optimize_fp_model("handrecognition_model.onnx")with open('X_cal.pkl', 'rb') as f:(test_images) = pickle.load(f)
with open('y_cal.pkl', 'rb') as f:(test_labels) = pickle.load(f)calib_dataset = test_images[0:1800:20]
pickle_file_path = 'handrecognition_calib.pickle'model_proto = onnx.load(optimized_model_path)
print('Generating the quantization table:')calib = Calibrator('int16', 'per-tensor', 'minmax')
# calib = Calibrator('int8', 'per-channel', 'minmax')calib.set_providers(['CPUExecutionProvider'])# Obtain the quantization parameter
calib.generate_quantization_table(model_proto,calib_dataset, pickle_file_path)
# Generate the coefficient files for esp32s3
calib.export_coefficient_to_cpp(model_proto, pickle_file_path, 'esp32s3', '.', 'handrecognition_coefficient', True)//生成cpp hpp文件

        

#pragma once
#include <stdint.h>
#include "dl_layer_model.hpp"
#include "dl_layer_base.hpp"
#include "dl_layer_max_pool2d.hpp"
#include "dl_layer_conv2d.hpp"
#include "dl_layer_reshape.hpp"
#include "dl_layer_softmax.hpp"
#include "handrecognition_coefficient.hpp"using namespace dl;
using namespace layer;
using namespace handrecognition_coefficient;

//---------------------------

#pragma once
#include <stdint.h>
#include "dl_layer_model.hpp"
#include "dl_layer_base.hpp"
#include "dl_layer_max_pool2d.hpp"
#include "dl_layer_conv2d.hpp"
#include "dl_layer_reshape.hpp"
#include "dl_layer_softmax.hpp"
#include "handrecognition_coefficient.hpp"using namespace dl;
using namespace layer;
using namespace handrecognition_coefficient;class HANDRECOGNITION : public Model<int16_t> 
{
private:Conv2D<int16_t> l1;MaxPool2D<int16_t> l2;Conv2D<int16_t> l3;MaxPool2D<int16_t> l4;Conv2D<int16_t> l5;MaxPool2D<int16_t> l6;Reshape<int16_t> l7;Conv2D<int16_t> l8;Conv2D<int16_t> l9;
public:Softmax<int16_t> l10; // output layerHANDRECOGNITION () : l1(Conv2D<int16_t>(-8, get_statefulpartitionedcall_sequential_1_conv2d_3_biasadd_filter(), get_statefulpartitionedcall_sequential_1_conv2d_3_biasadd_bias(), get_statefulpartitionedcall_sequential_1_conv2d_3_biasadd_activation(), PADDING_VALID, {}, 1,1, "l1")),l2(MaxPool2D<int16_t>({2,2},PADDING_VALID, {}, 2, 2, "l2")),                      l3(Conv2D<int16_t>(-9, get_statefulpartitionedcall_sequential_1_conv2d_4_biasadd_filter(), get_statefulpartitionedcall_sequential_1_conv2d_4_biasadd_bias(), get_statefulpartitionedcall_sequential_1_conv2d_4_biasadd_activation(), PADDING_VALID,{}, 1,1, "l3")),                       l4(MaxPool2D<int16_t>({2,2},PADDING_VALID,{}, 2, 2, "l4")),                       l5(Conv2D<int16_t>(-9, get_statefulpartitionedcall_sequential_1_conv2d_5_biasadd_filter(), get_statefulpartitionedcall_sequential_1_conv2d_5_biasadd_bias(), get_statefulpartitionedcall_sequential_1_conv2d_5_biasadd_activation(), PADDING_VALID,{}, 1,1, "l5")),                    l6(MaxPool2D<int16_t>({2,2},PADDING_VALID,{}, 2, 2, "l6")),l7(Reshape<int16_t>({1,1,6400},"l7_reshape")),l8(Conv2D<int16_t>(-9, get_fused_gemm_0_filter(), get_fused_gemm_0_bias(), get_fused_gemm_0_activation(), PADDING_VALID, {}, 1, 1, "l8")),l9(Conv2D<int16_t>(-9, get_fused_gemm_1_filter(), get_fused_gemm_1_bias(), NULL, PADDING_VALID,{}, 1,1, "l9")),l10(Softmax<int16_t>(-14,"l10")){}void build(Tensor<int16_t> &input){this->l1.build(input);this->l2.build(this->l1.get_output());this->l3.build(this->l2.get_output());this->l4.build(this->l3.get_output());this->l5.build(this->l4.get_output());this->l6.build(this->l5.get_output());this->l7.build(this->l6.get_output());this->l8.build(this->l7.get_output());this->l9.build(this->l8.get_output());this->l10.build(this->l9.get_output());       }void call(Tensor<int16_t> &input){this->l1.call(input);input.free_element();this->l2.call(this->l1.get_output());this->l1.get_output().free_element();this->l3.call(this->l2.get_output());this->l2.get_output().free_element();this->l4.call(this->l3.get_output());this->l3.get_output().free_element();this->l5.call(this->l4.get_output());this->l4.get_output().free_element();this->l6.call(this->l5.get_output());this->l5.get_output().free_element();this->l7.call(this->l6.get_output());this->l6.get_output().free_element();this->l8.call(this->l7.get_output());this->l7.get_output().free_element();this->l9.call(this->l8.get_output());this->l8.get_output().free_element();this->l10.call(this->l9.get_output());this->l9.get_output().free_element();}
};

#include <stdio.h>
#include <stdlib.h>
#include "esp_system.h"
#include "freertos/FreeRTOS.h"
#include "freertos/task.h"
#include "dl_tool.hpp"
#include "model_define.hpp"int input_height = 96;
int input_width = 96;
int input_channel = 1;
int input_exponent = -7;__attribute__((aligned(16))) int16_t example_element[] = {//add your input/test image pixels 
};extern "C" void app_main(void)
{
Tensor<int16_t> input;input.set_element((int16_t *)example_element).set_exponent(input_exponent).set_shape({input_height,input_width,input_channel}).set_auto_free(false);HANDRECOGNITION model;dl::tool::Latency latency;latency.start();model.forward(input);latency.end();latency.print("\nSIGN", "forward");float *score = model.l10.get_output().get_element_ptr();float max_score = score[0];int max_index = 0;for (size_t i = 0; i < 6; i++){printf("%f, ", score[i]*100);if (score[i] > max_score){max_score = score[i];max_index = i;}}printf("\n");switch (max_index){case 0:printf("Palm: 0");break;case 1:printf("I: 1");break;case 2:printf("Thumb: 2");break;case 3:printf("Index: 3");break;case 4:printf("ok: 4");break;case 5:printf("C: 5");break;default:printf("No result");}printf("\n");}

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.pswp.cn/news/919846.shtml
繁体地址，请注明出处：http://hk.pswp.cn/news/919846.shtml
英文地址，请注明出处：http://en.pswp.cn/news/919846.shtml

如若内容造成侵权/违法违规/事实不符，请联系英文站点网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

基于django/python的服装销售系统平台/服装购物系统/基于django/python的服装商城

基于django/python的服装销售系统平台/服装购物系统/基于django/python的服装商城

基于django/python的服装销售系统平台/服装购物系统/基于django/python的服装商城
阅读更多...
详解ThreadLocal＜HttpServletRequest＞ requestThreadLocal

详解ThreadLocal＜HttpServletRequest＞ requestThreadLocal

public static ThreadLocal<HttpServletRequest> requestThreadLocal ThreadLocal.withInitial(() -> null);一、代码逐部分详解 1. public static public&#xff1a;表示这个变量是公开的&#xff0c;其他类可以访问。static&#xff1a;表示这是类变量&#xff0c…
阅读更多...
Vue2 响应式系统设计原理与实现

Vue2 响应式系统设计原理与实现

文章目录Vue2 响应式系统设计原理与实现Vue2 响应式系统设计原理与实现 Vue2 的响应式原理主要基于以下几点&#xff1a; 使用 Object.defineProperty () 方法对数据对象的属性进行劫持 当数据发生变化时&#xff0c;通知依赖该数据的视图进行更新 实现一个发布 - 订阅模式&a…
阅读更多...
探索 JUC：Java 并发编程的神奇世界

探索 JUC：Java 并发编程的神奇世界

探索 JUC&#xff1a;Java 并发编程的神奇世界 在 Java 编程领域&#xff0c;随着多核处理器的普及和应用场景复杂度的提升&#xff0c;并发编程变得愈发重要。Java 并发包&#xff08;JUC&#xff0c;Java.util.concurrent&#xff09;就像是一座宝藏库&#xff0c;为开发者提…
阅读更多...
selenium采集数据怎么应对反爬机制？

selenium采集数据怎么应对反爬机制？

selenium是一个非常强大的浏览器自动化工具&#xff0c;通过操作浏览器来抓取动态网页内容&#xff0c;可以很好的处理JavaScript和AJAX加载的网页。 它能支持像点击按钮、悬停元素、填写表单等各种自动化操作&#xff0c;所以很适合自动化测试和数据采集。 selenium与各种主流…
阅读更多...
指定文件夹上的压缩图像格式tiff转换为 jpg 批量脚本

指定文件夹上的压缩图像格式tiff转换为 jpg 批量脚本

文章大纲 背景简介 代码 背景简介 随着数字成像技术在科研、医学影像和遥感等领域的广泛应用，多页TIFF（Tag Image File Format）文件因其支持多维数据存储和高位深特性，成为存储序列图像、显微镜切片或卫星遥感数据的首选格式。然而在实际应用中，这类文件存在以下显著痛点…
阅读更多...
Docker 部署 MySQL 8.0 完整指南：从拉取镜像到配置远程访问

Docker 部署 MySQL 8.0 完整指南：从拉取镜像到配置远程访问

目录前言一、拉取镜像二、查看镜像三、运行容器命令参数说明&#xff1a;四、查看运行容器五、进入容器内部六、修改 MySQL 配置1. 创建配置文件2. 配置内容七、重启 MySQL 服务八、设置 Docker 启动时自动启动 MySQL九、再次重启 MySQL十、授权远程访问1. 进入容器内部2. 登录…
阅读更多...
IntelliJ IDEA 常用快捷键笔记（Windows）

IntelliJ IDEA 常用快捷键笔记（Windows）

前言&#xff1a;特别标注的快捷键&#xff08;Windows&#xff09;快捷键功能说明Ctrl Alt M将选中代码提取成方法Ctrl Alt T包裹选中代码块&#xff08;try/catch、if、for 等&#xff09;Ctrl H查看类的继承层次Alt 7打开项目结构面板Ctrl F12打开当前文件结构视图Ct…
阅读更多...
疏老师-python训练营-Day54Inception网络及其思考

疏老师-python训练营-Day54Inception网络及其思考

浙大疏锦行 DAY54 一、 inception网络介绍 今天我们介绍inception&#xff0c;也就是GoogleNet 传统计算机视觉的发展史 从上面的链接&#xff0c;可以看到其实inceptionnet是在resnet之前的&#xff0c;那为什么我今天才说呢&#xff1f;因为他要引出我们后面的特征融合和…
阅读更多...
LeetCode第3304题 - 找出第 K 个字符 I

LeetCode第3304题 - 找出第 K 个字符 I

题目 解答 class Solution {public char kthCharacter(int k) {int n 0;int v 1;while (v < k) {v << 1;n;}String target kthCharacterString(n);return target.charAt(k - 1);}public String kthCharacterString(int n) {if (n 0) {return "a";}Str…
阅读更多...
Codeforces Round 1043 (Div. 3) D-F 题解

Codeforces Round 1043 (Div. 3) D-F 题解

D. From 1 to Infinity 题意 有一个无限长的序列&#xff0c;是把所有正整数按次序拼接&#xff1a;123456789101112131415...\texttt{123456789101112131415...}123456789101112131415...。求这个序列前 k(k≤1015)k(k\le 10^{15})k(k≤1015) 位的数位和。 思路 二分出第 …
阅读更多...
【C语言16天强化训练】从基础入门到进阶：Day 7

【C语言16天强化训练】从基础入门到进阶：Day 7

&#x1f525;个人主页&#xff1a;艾莉丝努力练剑 ❄专栏传送门&#xff1a;《C语言》、《数据结构与算法》、C语言刷题12天IO强训、LeetCode代码强化刷题、洛谷刷题、C/C基础知识知识强化补充、C/C干货分享&学习过程记录 &#x1f349;学习方向&#xff1a;C/C方向学习者…
阅读更多...
【AI基础：神经网络】16、神经网络的生理学根基：从人脑结构到AI架构，揭秘道法自然的智能密码

【AI基础：神经网络】16、神经网络的生理学根基：从人脑结构到AI架构，揭秘道法自然的智能密码

“道法自然，久藏玄冥”——人工神经网络（ANN）的崛起并非偶然，而是对自然界最精妙的智能系统——人脑——的深度模仿与抽象。从单个神经元的信号处理到大脑皮层的层级组织，从突触可塑性的学习机制到全脑并行计算的高效能效，生物大脑的“玄冥”智慧为AI提供了源源不断的灵感…
阅读更多...
容器安全实践（一）：概念篇 - 从“想当然”到“真相”

容器安全实践（一）：概念篇 - 从“想当然”到“真相”

在容器化技术日益普及的今天&#xff0c;许多开发者和运维人员都将应用部署在 Docker 或 Kubernetes 中。然而&#xff0c;一个普遍存在的误解是&#xff1a;“容器是完全隔离的&#xff0c;所以它是安全的。” 如果你也有同样的想法&#xff0c;那么你需要重新审视容器安全了。…
阅读更多...
腾讯开源WeKnora：新一代文档理解与检索框架

腾讯开源WeKnora：新一代文档理解与检索框架

引言&#xff1a;文档智能处理的新范式 在数字化时代&#xff0c;企业和个人每天都面临着海量文档的处理需求&#xff0c;从产品手册到学术论文&#xff0c;从合同条款到医疗报告&#xff0c;非结构化文档的高效处理一直是技术痛点。2025年8月&#xff0c;腾讯正式开源了基于大…
阅读更多...
C++之list类的代码及其逻辑详解 （中）

C++之list类的代码及其逻辑详解 （中）

接下来我会依照前面所说的一些接口以及list的结构来进行讲解。1. list_node的结构1.1 list_node结构体list由于其结构为双向循环链表&#xff0c;所以我们在这里要这么初始化_next&#xff1a;指向链表中下一个节点的指针_prev&#xff1a;指向链表中上一个节点的指针_val&…
阅读更多...
新能源汽车热管理仿真：蒙特卡洛助力神经网络训练

新能源汽车热管理仿真：蒙特卡洛助力神经网络训练

研究背景在新能源汽车的热管理仿真研究中&#xff0c;神经网络训练技术常被应用于系统降阶建模。通过这一方法&#xff0c;可以构建出高效准确的代理模型&#xff0c;进而用于控制策略的优化、系统性能的预测与评估&#xff0c;以及实时仿真等任务&#xff0c;有效提升开发效率…
阅读更多...
第十九讲：C++11第一部分

第十九讲：C++11第一部分

目录 1、C11简介 2、列表初始化 2.1、{}初始化 2.2、initializer_list 2.2.1、成员函数 2.2.2、应用 3、变量类型推导 3.1、auto 3.2、decltype 3.3、nullptr 4、范围for 5、智能指针 6、STL的一些变化 7、右值引用和移动语义 7.1、右值引用 7.2、右值与左值引…
阅读更多...
书写本体论视域下的文字学理论重构

书写本体论视域下的文字学理论重构

在符号学与哲学的交叉领域&#xff0c;文字学&#xff08;Grammatologie&#xff09;作为一门颠覆性学科始终处于理论风暴的中心。自德里达1967年发表《论文字学》以来&#xff0c;传统语言学中"语音中心主义"的霸权地位遭遇根本性动摇&#xff0c;文字不再被视为语言…
阅读更多...
为什么要做架构设计？架构设计包含哪些内容？

为什么要做架构设计？架构设计包含哪些内容？

大家好，我是IT孟德，You can call me Aman(阿瞒，阿弥陀佛的ē，Not阿门的ā)，一个喜欢所有对象（热爱技术）的男人。我正在创作架构专栏，秉承ITer开源精神分享给志同道合（爱江山爱技术更爱美人）的朋友。专栏更新不求速度但求质量（曹大诗人传世作品必属精品，请脑补一下《…
阅读更多...
最新文章

Copyright @ 2022~2023