Relay TensorRT 集成

【从零开始学深度学习编译器】五,TVM Relay以及Pass简介 0x0. 介绍 在前面几节的介绍中我们了解到了TVM是如何将ONNX前端模型转换为IR Module的,并且还剖析了TVM中的Relay算子和TOPI算子的扭转过程,注意Relay算子的最终计算也是基于TOPI算子集合完成的。然后我们在基于ONNX模型结构了解TVM的前端那篇文章的示例程序中还有一个很重要的细节没有介绍,即下面这几行代码: ###################################################################### # Relay Build 阅读详情

更多 TVM 中文文档可访问 →Apache TVM 是一个端到端的深度学习编译框架,适用于 CPU、GPU 和各种机器学习加速芯片。IApache TVM 中文站

介绍

NVIDIA TensorRT 是一个用于优化深度学习推理的库。这种集成尽可能多地将算子从 Relay 迁移到 TensorRT,无需对 schedule 调优,即可提升 NVIDIA GPU 的性能。

本教程演示如何安装 TensorRT 以及如何构建 TVM,来启用 TensorRT BYOC 和 runtime。此外,还给出了示例代码,演示了如何用 TensorRT 编译和运行 ResNet-18 模型,以及如何配置编译和 runtime 设置。最后,还记录了支持的算子,以及如何扩展集成来支持其他算子。

安装 TensorRT

若要下载 TensorRT,需要创建一个 NVIDIA 开发者帐户,可参考 NVIDIA 的文档来了解更多信息:https://docs.nvidia.com/deeplearning/tensorrt/install-guide/index.html。若有 Jetson 设备(如 TX1、TX2、Xavier 或 Nano),则 TensorRT 可能已由 JetPack SDK 安装到设备了 。

安装 TensorRT 的两种方法:

  • 通过 deb 或 rpm 包系统安装。
  • 通过 tar 文件安装。
    用 tar 文件的安装方法,必须将解压后的 tar 路径传到 USE_TENSORRT_RUNTIME=/path/to/TensorRT 中;用系统安装的方法,USE_TENSORRT_RUNTIME=ON 会自动定位安装路径。

使用 TensorRT 支持构建 TVM

TVM 的 TensorRT 集成有两个单独的构建标志,这些标志启用了交叉编译:USE_TENSORRT_CODEGEN=ON —— 在支持 TensorRT 的主机上构建模块; USE_TENSORRT_RUNTIME=ON —— 使得边界设备上的 TVM runtime 能够执行 TensorRT 模块。若要编译并执行具有相同 TVM 构建的模型,则应启用这两者。

  • USE_TENSORRT_CODEGEN=ON/OFF - 使得无需任何 TensorRT 库即可编译 TensorRT 模块。
  • USE_TENSORRT_RUNTIME=ON/OFF/path-to-TensorRT - 启用 TensorRT runtime 模块,它用已安装的 TensorRT 库来构建 TVM。
    config.cmake 文件中的设置示例:
set(USE_TENSORRT_CODEGEN ON)
set(USE_TENSORRT_RUNTIME /home/ubuntu/TensorRT-7.0.0.11)

使用 TensorRT 构建和部署 ResNet-18

从 MXNet ResNet-18 模型中创建 Relay 计算图:

from tvm import relay
import mxnet
from mxnet.gluon.model_zoo.vision import get_model

dtype = "float32"
input_shape = (1, 3, 224, 224)
block = get_model('resnet18_v1', pretrained=True)
mod, params = relay.frontend.from_mxnet(block, shape={'data': input_shape}, dtype=dtype)

为 TensorRT 计算图进行注释和分区,TensorRT 集成的所有操作都被标记并迁移到 TensorRT,其余的操作将通过常规的 TVM CUDA 编译和代码生成。

mod, config = partition_for_tensorrt(mod, params)

用 partition_for_tensorrt 返回的新模块和配置来构建 Relay 计算图。target 必须始终是 CUDA target。partition_for_tensorrt 会自动填充配置中所需的值,因此无需修改它——只需将其传给 PassContext,就可在编译时被读取到。

target = "cuda"
with tvm.transform.PassContext(opt_level=3, config={'relay.ext.tensorrt.options': config}):
    lib = relay.build(mod, target=target, params=params)

导出模块:

lib.export_library('compiled.so')

在目标机器上加载模块并运行推理,这个过程必须确保启用 USE_TENSORRT_RUNTIME。第一次运行时因为要构建 TensorRT 引擎,所以需要较长时间。

dev = tvm.cuda(0)
loaded_lib = tvm.runtime.load_module('compiled.so')
gen_module = tvm.contrib.graph_executor.GraphModule(loaded_lib['default'](dev))
input_data = np.random.uniform(0, 1, input_shape).astype(dtype)
gen_module.run(data=input_data)

分区和编译设置

有些选项可在 partition_for_tensorrt 中配置:

  • version - 用(major、minor、patch)元组表示的 TensorRT 版本。若在 USE_TENSORRT_RUNTIME=ON 条件下编译 TVM,则用链接的 TensorRT 版本。这个版本会影响哪些算子可以分区到 TensorRT。
  • use_implicit_batch - 使用 TensorRT 隐式批处理模式(默认为 true)。设置为 false 会启用显式批处理模式,这种方式会扩大支持的算子(包括那些修改批处理维度的算子),但会降低某些模型的性能。
  • remove_no_mac_subgraphs - 提高性能的启发式方法。若子图没有任何乘-加操作(multiply-accumulate operation),则删除已为 TensorRT 分区的子图。删除的子图将通过 TVM 的标准编译。
  • max_workspace_size - 允许每个子图用于创建 TensorRT 引擎的工作空间 size(以字节为单位)。它可在运行时被覆盖。更多信息请参阅 TensorRT 文档。

Runtime 设置

还有一些额外的选项,可在运行时用环境变量进行配置。

  • 自动 FP16 转换 - 设置环境变量 TVM_TENSORRT_USE_FP16=1,从而自动将模型的 TensorRT 组件转换为 16 位浮点精度。此设置可提高性能,但可能会导致模型精度略有下降。
  • 缓存 TensorRT 引擎 - runtime 会在第一次推理时调用 - TensorRT API 来构建引擎。这个过程会花费很多时间,因此可设置 TVM_TENSORRT_CACHE_DIR 指向磁盘上的目录,这个目录保存构建的引擎。这样下次加载模型时指定相同的目录,runtime 就会加载已经构建的引擎,从而避免较长的预热时间。每个模型的目录是唯一的。
  • TensorRT 有一个参数,用来配置模型中每一层可用的最大暂存空间量。最好使用最高值,它不会导致内存不足。可用 TVM_TENSORRT_MAX_WORKSPACE_SIZE 指定要用的工作区size(以字节为单位)来覆盖它。
  • 对于包含动态 batch 维度的模型,变量 TVM_TENSORRT_MULTI_ENGINE 可用于确定如何在 runtime 中创建 TensorRT 引擎。默认模式下 TVM_TENSORRT_MULTI_ENGINE=0,在内存中每次维护一个引擎。如果输入出现更高的 batch size,则用新的 max_batch_size 设置重新构建引擎——该引擎与所有 batch size(从 1 到 max_batch_size)兼容。此模式减少了运行时使用的内存量。第二种模式,TVM_TENSORRT_MULTI_ENGINE=1 将构建一个独特的 TensorRT 引擎,该引擎针对遇到的每个 batch size 进行了优化。这种模式下性能更佳,但内存消耗也会更多。

支持的算子

Relay节点备注
nn.relu
sigmoid
tanh
nn.batch_norm
nn.layer_norm
nn.softmax
nn.conv1d
nn.conv2d
nn.dense
nn.bias_add
add
subtract
multiply
divide
power
maximum
minimum
nn.max_pool2d
nn.avg_pool2d
nn.global_max_pool2d
nn.global_avg_pool2d
exp
log
sqrt
abs
negative
nn.batch_flatten
expand_dims
squeeze
concatenate
nn.conv2d_transpose
transpose
layout_transform
reshape
nn.pad
sum
prod
max
min
mean
nn.adaptive_max_pool2d
nn.adaptive_avg_pool2d
nn.batch_matmul
clip需要 TensorRT 的版本为 5.1.5 及以上
nn.leaky_relu需要 TensorRT 的版本为 5.1.5 及以上
sin需要 TensorRT 的版本为 5.1.5 及以上
cos需要 TensorRT 的版本为 5.1.5 及以上
atan需要 TensorRT 的版本为 5.1.5 及以上
ceil需要 TensorRT 的版本为 5.1.5 及以上
floor需要 TensorRT 的版本为 5.1.5 及以上
split需要 TensorRT 的版本为 5.1.5 及以上
strided_slice需要 TensorRT 的版本为 5.1.5 及以上
nn.conv3d需要 TensorRT 的版本为 6.0.1 及以上
nn.max_pool3d需要 TensorRT 的版本为 6.0.1 及以上
nn.avg_pool3d需要 TensorRT 的版本为 6.0.1 及以上
nn.conv3d_transpose需要 TensorRT 的版本为 6.0.1 及以上
erf需要 TensorRT 的版本为 7.0.0 及以上

添加新算子

添加对新算子的支持,需要对一系列文件进行修改:

  • src/runtime/contrib/tensorrt/tensorrt_ops.cc 创建一个新的算子转换器类实现 TensorRTOpConverter 接口。必须实现构造函数,并指定有多少输入,以及它们是张量还是权重。还必须实现 Convert 方法来执行转换。通过使用参数中的输入、属性和网络来添加新的 TensorRT 层,然后产生层输出。你可以使用示例中已有的转换器。最后,将新算子转换器注册到 GetOpConverters() 映射中。
  • python/relay/op/contrib/tensorrt.py 这个文件包含了 TensorRT 的注解规则(决定了支持哪些算子及其属性)。必须为 Relay 算子注册一个注解函数,并根据属性的返回值为 true 还是 false 来指定转换器支持哪些属性。
  • tests/python/contrib/test_tensorrt.py 为给定算子添加单元测试。
TVM与TensorRT集成:深度学习推理加速实践 深度学习推理加速是提升模型部署效率的关键技术,其中计算图优化和算子融合是核心原理。TVM与TensorRT的集成方案通过自动将Relay计算图中的算子迁移到TensorRT执行,实现了无需手动调优的性能提升。这种混合执行模式结合了TVM的灵活性和TensorRT的高效性,特别适用于GPU加速场景。在实际工程中,该技术能显著提升卷积、矩阵乘等计算密集型算子的执行效率,同时保持计算图的完整性。通过合理配置工作空间和精度控制策略,开发者可以在图像分类、目标检测等计算机视觉任务中获得更好的性能表现。Relay张量集 阅读详情

相关推荐

基于Jetson Nano的边缘AI交通限行系统:从YOLO模型优化到TensorRT部署实战

边缘计算将数据处理和分析从云端下沉到网络边缘设备,实现了低延迟、高响应的实时智能决策。其核心原理是通过在靠近数据源的嵌入式设备上部署轻量化AI模型,减少数据传输依赖,特别适用于对实时性要求严苛的场景。在智慧交通领域,这项技术价值凸显,能够实现毫秒级的车辆识别与管控。本文聚焦于利用NVIDIA Jetson Nano嵌入式平台,结合YOLO轻量化目标检测模型与TensorRT推理加速引擎,构建一个完整的实时道路车辆检测与限行规则判断系统。通过详细的模型转换、优化部署及业务逻辑集成指南,为嵌入式AI与计算机视觉

weixin_34127717的博客 443

极速GPU推理:TVM Relay与TensorRT深度集成优化指南

你是否还在为深度学习模型部署到GPU时的性能瓶颈而困扰?当PyTorch/TensorFlow原生推理速度无法满足生产需求,当模型优化陷入手工调参的泥潭,TVM Relay与NVIDIA TensorRT的深度集成将为你打开性能加速的新范式。本文将系统拆解从环境配置到算子优化的全流程,带你实现GPU推理性能的几何级提升,掌握工业级模型部署的核心技术栈。 ## 技术背景:Relay与TensorR

gitblog_00930的博客 444

别光测视频了!手把手教你用Jetson Nano + YOLOv5做个智能门铃(附完整代码)

本文详细介绍了如何使用Jetson Nano开发板和YOLOv5目标检测模型构建智能门铃系统。从硬件配置、模型优化到实时检测实现,涵盖完整的交互逻辑设计,帮助开发者快速掌握边缘计算与计算机视觉的融合应用。通过TensorRT加速,系统可实现25FPS的实时检测性能,满足智能家居场景需求。

weixin_30336061的博客 436

TVM 项目中的 Relay 与 TensorRT 集成指南

TVM 项目中的 Relay 与 TensorRT 集成指南 概述 本文将详细介绍如何在 TVM 项目中实现 Relay 与 TensorRT 的集成,利用 TensorRT 的强大推理优化能力来提升 NVIDIA GPU 上的深度学习模型性能。我们将从基础概念讲起,逐步深入到实际应用和高级配置。 TensorRT 简介 TensorRT 是 NVIDIA 推出的高性能深度学习推理优化器和运行时库...

gitblog_00892的博客 481

面向具身智能的通用AI编译器:从模型到异构硬件的实战部署指南

AI编译器是连接深度学习模型与底层硬件执行的关键技术,其核心原理在于将高级计算图转换为针对特定硬件优化的低级代码。通过计算图优化、算子融合和硬件感知调度,AI编译器能显著提升模型推理效率并降低资源消耗,这对于嵌入式系统和边缘计算场景具有重要技术价值。在机器人、自动驾驶等具身智能领域,面对异构硬件和实时性要求,通用AI编译器的作用尤为突出。本文以TVM为例,结合多模态大模型和算法流水线等热词,深入解析如何利用编译器技术解决从算法到硬件的部署难题,为复杂AI系统的工程化落地提供实践思路。

weixin_34323858的博客 428

【VeriStand】从零构建HIL测试平台:核心概念、硬件选型与实战配置指南

本文详细介绍了如何从零构建HIL测试平台,涵盖核心概念、硬件选型与实战配置指南。重点解析了VeriStand生态系统的优势,包括开箱即用特性、与LabVIEW的黄金搭档配合及Python支持。通过实战案例和硬件选型建议,帮助工程师高效搭建可靠的HIL测试平台,提升测试效率与安全性。

weixin_29250573的博客 330

Relay与TensorRT深度集成:提升深度学习推理性能

深度学习推理优化是提升模型部署效率的关键环节。TensorRT作为NVIDIA推出的高性能推理引擎,通过层融合、精度校准等技术实现接近硬件极限的推理速度。然而,直接使用TensorRT常面临框架锁定、算子覆盖不全等问题。Apache TVM的Relay中间表示层为解决这些问题提供了创新方案,它能够自动识别适合TensorRT加速的子图,同时保留TVM原生CUDA实现作为补充。这种混合执行模式在ResNet-50等典型模型上可实现2-3倍的性能提升,特别适合需要兼顾灵活性和性能的生产环境。通过智能子图分区、动

weixin_34293141的博客 500

Android 13 系统定制:实现第三方Launcher预置与原生Launcher3的共存切换

本文详细介绍了在Android 13系统中实现第三方Launcher预置与原生Launcher3共存切换的技术方案。通过修改ResolverActivity逻辑、处理首次启动设置以及优化用户切换机制,开发者可以灵活定制默认Launcher,同时保留用户自由选择权。文章还提供了常见问题排查指南和性能优化建议,帮助提升双Launcher方案的稳定性和用户体验。

weixin_30275415的博客 130

TVM中继集成TensorRT实现深度学习推理加速

深度学习推理加速是提升AI应用性能的关键环节,其核心在于优化计算图的执行效率。TensorRT作为NVIDIA推出的高性能推理引擎,通过层融合、精度校准等技术显著降低延迟。TVM的中继框架则提供了跨平台模型部署能力,二者的集成实现了算子级自动优化卸载。这种技术组合特别适用于计算机视觉和自然语言处理等场景,能自动识别可优化子图并转换为TensorRT引擎。实践表明,在ResNet等典型模型上可获得超过120%的性能提升,同时支持FP16加速和动态批处理等高级特性。

weixin_30915951的博客 306

5分钟搞懂知识抽取:如何把非结构化数据变成知识图谱的宝藏?

本文通过一个电商评论分析实战案例,详细解析了如何利用spaCy、Neo4j等工具,将非结构化文本数据转化为结构化知识图谱的完整流程。文章重点阐述了知识抽取的核心步骤,包括命名实体识别、关系抽取以及知识存储与查询,帮助读者快速掌握将数据转化为知识宝藏的关键技术。

weixin_29054245的博客 237

建议收藏:华为海思IC设计笔试题,含解析(附下载)

接触过的部门有麒麟芯片、CPU/GPU,总体面试感觉非常好,规范且认真,第一轮手撕代码状态机+复盘机考题+瞄准几个知识点深挖,时间1hour+;一二轮面试是连着的,所以很累。但是岗位就那么多,在面试的时候,很多同学因为准备不充分,与岗位失之交臂,无缘进入该公司。时序电路有记忆功能,不会产生锁存器,锁存器一般在组合逻辑中case写不全,else写不全,或者敏感列表写不全。

nuoweishizi的博客 3289

Relay张量集成

Relay张量集成 Introduction NVIDIA TensorRT是一个用于优化深度学习推理的库。这种集成将尽可能多地减轻从中继到TensorRT的算子,在NVIDIA GPU上提供性能提升,而无需调整计划。 本文将演示如何安装TensorRT并在启用TensorRT BYOC和运行时的情况下构建TVM。将提供使用TensorRT编译和运行ResNet-18模型的示例代码,以及如何配置编译和运行时设置。最后,记录支持的运算符以及如何扩展集成以支持其他运算符。 Installing TensorRT

吴建明wujianming_110117 534

A Macro- and Micro-Hierarchical Transfer Learning Frameworkfor Cross-Domain Fake News Detection

近年来,社交媒体上假新闻的快速和广泛传播对人们的日常生活构成了越来越大的威胁[6, 14, 19]。为了有效打击假新闻,自动检测假新闻变得至关重要[39]。新闻内容[11, 16, 20, 27]和用户互动(即用户互动)[1, 24, 34]。基于这些类型的数据,提出了单领域假新闻检测,它从新闻文章、用户互动或两者中提取有效特征,以识别单个新闻领域内新闻的真实性(即新闻是真是假)(例如,政治新闻或娱乐新闻)。

qq_52053775的博客 157

TVM与TensorRT混合优化:深度学习推理加速实战

深度学习推理加速是AI工程落地的关键技术,TVM与TensorRT作为主流优化框架,通过计算图分割与混合执行实现性能突破。TVM的Relay中间表示层自动识别可优化子图,TensorRT则针对NVIDIA GPU进行极致优化,两者结合既保持多平台兼容性又发挥硬件加速潜力。在ResNet-50等典型模型上可实现3-5倍加速,代码改动量不足20行。该方案特别适用于需要快速落地的工业级AI应用,如工业检测、智能安防等场景,实测可将QPS从50提升到210而精度损失仅0.3%。关键技术点包括动态形状处理、INT8量

weixin_34034261的博客 746

④ Django创建用户中心应用users,扩展用户信息

本章配套视频教程 Django创建用户中心应用users,扩展用户数据 在settings.py文件中配置项目 1、语言配置:LANGUAGE_CODE = 'zh-hans’ 2、时区配置:TIME_ZONE = 'Asia\Shanghai’ 3、模板路径配置:‘DIRS’: [os.path.join(BASE_DIR, ‘templates’)], 并创建templates文件

轻编程的博客 675

s8654

The official Snapdragon Ride SX 4.0 development board provides standardized hardware support for the secondary development and functional verification of the s8654 platform.

qq_39257814的博客 6835

yolort多后端支持详解:一站式适配TensorRT、ONNX Runtime、TVM和NCNN

想要在多种硬件平台上高效运行YOLOv5目标检测模型吗?yolort为您提供了终极解决方案!yolort是一个专门为YOLOv5设计的运行时栈,支持TensorRT、ONNX Runtime、TVM、NCNN和LibTorch等多种后端,让您轻松实现模型的一站式部署。无论您是需要在边缘设备、服务器还是专用加速器上运行目标检测,yolort都能提供简单快速的解决方案。 ## 🤖 什么是yolor

gitblog_00642的博客 838

LDRA Testbed(TBrun)软件单元测试_操作指南

通过前面的几篇文章,使用Testbed进行软件静态分析的内容已经基本讲解完毕。从这篇文章开始,将继续讲解如何使用TBrun进行软件单元测试、软件集成测试。

文章主要涉及嵌入式软件开发、测试、项目管理等,欢迎交流,共同进步。 7801

基于Jetson Nano的边缘AI交通控制系统:从模型部署到硬件集成实战

边缘计算作为将数据处理和分析从云端下沉到网络边缘的关键技术,其核心原理是在靠近数据源头的设备上进行实时计算,以降低延迟、提升响应速度并减少网络带宽依赖。这项技术的核心价值在于为物联网、智慧城市等场景提供了高可靠性、低成本的本地化智能解决方案。在智慧交通领域,边缘AI通过部署轻量化的视觉模型,能够实现车辆检测、车牌识别等实时分析任务。本文聚焦于一个具体的工程实践:利用NVIDIA Jetson Nano开发板,构建一个完整的“道路空间配给”边缘控制系统。该系统通过集成YOLOv5s车辆检测模型与车牌识别模型,

weixin_34212762的博客 405

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

yolort跨平台部署:从云端服务器到边缘设备的完整迁移方案

yolort是一个专为YOLOv5设计的运行时堆栈,支持在TensorRT、LibTorch、ONNX Runtime、TVM和NCNN等多种专用加速器上进行高效部署。本文将为您详细介绍如何将yolort目标检测模型从云端服务器无缝迁移到边缘设备的完整方案,帮助您实现跨平台部署的最佳实践。😊 ## 为什么选择yolort进行跨平台部署? yolort采用动态形状机制,将预处理(letterb

gitblog_00076的博客 431

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

25 厘米、15 个舵机、50 Hz:microduck 双足鸭子机器人怎么开起来?

microduck 是一款 25 厘米高、800 克的双足鸭子机器人:一块 Rockchip RK3566 小板上跑着 7 个 Rust 守护进程,以 50 Hz 控制循环驱动 15 个 Dynamixel 舵机执行强化学习训练出的神经网络策略,让它会走、会捡东西、被打翻会自己站回来。这篇文章只用仓库里真实存在的命令,先让你在窗口里开出一只虚拟鸭,再把真鸭子接上手柄走上地面。 ## 先认识这颗"

gitblog_00795的博客 348

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

Python边缘量化工具链深度评测(2024权威 benchmark 实测:INT8 推理速度提升3.7×,内存下降62%)

面向边缘AI部署,提供高效轻量的边缘Python量化工具链。支持TensorFlow/PyTorch模型INT8量化,实测推理速度提升3.7×、内存占用下降62%,适配树莓派、Jetson等嵌入式平台。开源易集成,显著降低边缘端部署门槛,值得收藏。

ProceNest的博客 307

yolort实战项目:构建实时目标检测系统的完整解决方案

想要构建高性能的实时目标检测系统?yolort为你提供了一个完整的解决方案!yolort是一个专为YOLOv5优化的运行时堆栈,支持在TensorRT、LibTorch、ONNX Runtime、TVM和NCNN等专用加速器上高效运行。无论你是深度学习新手还是经验丰富的开发者,yolort都能帮助你快速搭建和部署目标检测应用。 ## 🚀 为什么选择yolort? yolort的核心优势在于它

gitblog_01120的博客 641

lllyasviel/Annotators:跨平台硬件加速推理引擎的技术架构深度解析

在计算机视觉模型部署的工程实践中,硬件加速已成为决定推理性能与部署效率的核心因素。lllyasviel/Annotators项目作为一个集成了多种预训练视觉模型的仓库,其真正的技术价值不仅在于模型本身的多样性,更在于其面向异构计算环境的系统性硬件加速架构设计。本文将从技术架构师视角,深入剖析该项目在多硬件平台上的优化策略、性能权衡与实施路径。 ## 技术定位:面向生产环境的异构计算解决方案 l

gitblog_00149的博客 464

TVM实战:如何用Python 3分钟搞定ONNX模型到GPU的高效部署

本文详细介绍了如何使用TVM在3分钟内将ONNX模型高效部署到GPU。通过Python代码示例,展示了从环境准备、模型加载转换到GPU加速优化的完整流程,并对比了不同部署方案的性能表现,帮助开发者快速实现深度学习模型的高效部署。

aa123的博客 939
上一篇: 帕金森早期诊断准确率提高至 90.2%,深圳先进院联合中山一院提出 GSP-GCNs 模型
下一篇: 科技部出手!科研人员的 AIGC 使用手册来了,学术界开始防范 AI 枪手
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值