<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[IT修道者的专栏]]></title><description><![CDATA[算法工程师。兴趣广泛，喜欢尝试不同的东西。]]></description><link>https://blog.youkuaiyun.com/computerme</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; computerme]]></copyright><item><title><![CDATA[调用mosquitto发布消息]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/90112716</link><guid>https://blog.youkuaiyun.com/computerme/article/details/90112716</guid><author>computerme</author><pubDate>Sat, 11 May 2019 17:44:57 +0800</pubDate><description><![CDATA[MQTT 是一个轻型协议，使用基于 TCP/IP 协议的发布/订阅消息转发模式，专门用于机器对机器 (M2M) 通信。 MQTT 协议的中心是 MQTT 服务器或代理 (broker) ，支持发布程序和订阅程序进行访问，如下图所示：
mosquitto 是一个开源的 MQTT broker 。

准备工作
sudo apt-get install mosquitto  #安装后才能运行MQTT b...]]></description><category></category></item><item><title><![CDATA[opencv+libjpeg-turbo交叉编译]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/88047133</link><guid>https://blog.youkuaiyun.com/computerme/article/details/88047133</guid><author>computerme</author><pubDate>Thu, 28 Feb 2019 23:07:24 +0800</pubDate><description><![CDATA[目录libjpeg-turbo简介交叉编译opencv遇到的坑
opencv库中自带了 对JPEG的编解码，其内部实质上是基于第三方库libjpeg进行解码的。但是libjpeg本身的性能并不是很快，特别是在ARM平台下。
libjpeg-turbo简介
libjpeg-turbo是一个使用SIMD技术(MMX、SSE2、AVX2、NEON)进行加速的JPEG编码解码器，能够在基于x86、x86_...]]></description><category></category></item><item><title><![CDATA[Pytorch转tflite]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/84144930</link><guid>https://blog.youkuaiyun.com/computerme/article/details/84144930</guid><author>computerme</author><pubDate>Fri, 16 Nov 2018 19:53:05 +0800</pubDate><description><![CDATA[目标是想把在服务器上用pytorch训练好的模型转换为可以在移动端运行的tflite模型。
最直接的思路是想把pytorch模型转换为tensorflow的模型，然后转换为tflite。但是这个转换目前没有发现比较靠谱的方法。
经过调研发现最新的tflite已经支持直接从keras模型的转换，所以可以采用keras作为中间转换的桥梁，这样就能充分利用keras高层API的便利性。
转换的基本思想就...]]></description><category></category></item><item><title><![CDATA[在tensorfow lite中对各op进行单元测试]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/83018366</link><guid>https://blog.youkuaiyun.com/computerme/article/details/83018366</guid><author>computerme</author><pubDate>Thu, 11 Oct 2018 20:31:38 +0800</pubDate><description><![CDATA[Tensorflow lite源码中提供了对个op的单元测试源码，但是在官方的tflite Makefile中并没有编译该部分代码。本文主要是记录在tflite中对op进行单独测试的方法，平台为ARM嵌入式。
概要
在tflite的源码中单元测试的源码一般在op名后面添加有test，在目录 tensorflow/contrib/lite/kernels下可以看到很多op的单元测试源码，如convo...]]></description><category></category></item><item><title><![CDATA[绑定进程的CPU核以及限制进程的CPU使用率]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/82872776</link><guid>https://blog.youkuaiyun.com/computerme/article/details/82872776</guid><author>computerme</author><pubDate>Thu, 27 Sep 2018 20:22:20 +0800</pubDate><description><![CDATA[在测试程序的性能时，需要对进程运行的CPU进行绑定，甚至需要测试进程只使用部分CPU资源时能达到的性能。比如，你可能需要测试某程序在只用一个核的80%CPU资源时的延时。
本文主要总结采用taskset和cpulimit工具来实现目标。
1. 使用taskset绑定进程CPU
taskset使绑定进程CPU的工具，使用方式如下:
taskset -c 1 ./command. 执行command命...]]></description><category></category></item><item><title><![CDATA[tensorflow batch_normalization的正确使用姿势]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/80836060</link><guid>https://blog.youkuaiyun.com/computerme/article/details/80836060</guid><author>computerme</author><pubDate>Wed, 27 Jun 2018 22:40:36 +0800</pubDate><description><![CDATA[BN在如今的CNN结果中已经普遍应用，在tensorflow中可以通过tf.layers.batch_normalization()这个op来使用BN。该op隐藏了对BN的mean var alpha beta参数的显示申明，因此在训练和部署测试中需要特征注意正确使用BN的姿势。

正确使用BN训练

注意把tf.layers.batch_normalization(x, training=is_...]]></description><category></category></item><item><title><![CDATA[tensorflow模型转换成tensorflow lite模型]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/80699671</link><guid>https://blog.youkuaiyun.com/computerme/article/details/80699671</guid><author>computerme</author><pubDate>Thu, 14 Jun 2018 23:23:33 +0800</pubDate><description><![CDATA[1.把graph和网络模型打包在一个文件中



  bazel build tensorflow/python/tools:freeze_graph &amp;amp;&amp;amp; \
  bazel-bin/tensorflow/python/tools/freeze_graph \
  --input_graph=eval_graph_def.pb \
  --input_checkpoint=che...]]></description><category></category></item><item><title><![CDATA[onnx与tensorflow格式的相互转换]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/80517796</link><guid>https://blog.youkuaiyun.com/computerme/article/details/80517796</guid><author>computerme</author><pubDate>Wed, 30 May 2018 23:32:56 +0800</pubDate><description><![CDATA[onnx是Facebook打造的AI中间件，但是Tensorflow官方不支持onnx，所以只能用onnx自己提供的方式从tensorflow尝试转换



Tensorflow模型转onnx

Tensorflow转onnx， onnx官方github上有提供转换的方式，地址为https://github.com/onnx/tutorials/blob/master/tutorials/Onnx...]]></description><category></category></item><item><title><![CDATA[在ARM板子上把玩Tensorflow Lite]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/80345065</link><guid>https://blog.youkuaiyun.com/computerme/article/details/80345065</guid><author>computerme</author><pubDate>Thu, 17 May 2018 00:36:20 +0800</pubDate><description><![CDATA[前几天Google的IO大会上发布的ML Kit，ML Kit为端上部署深度学习模型提供了一套完整的解决方案，本地运行、云端都支持。里面本地部署用到的就是Tensorflow lite。

Tensorflow Lite是在Google去年IO大会上发表的，目前Tensorflow Lite也还在不断的完善迭代中。

Tensorflow Lite在Android和iOS上部署官网有比较详细的介绍...]]></description><category></category></item><item><title><![CDATA[Linux下手动安装screen]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/80154666</link><guid>https://blog.youkuaiyun.com/computerme/article/details/80154666</guid><author>computerme</author><pubDate>Tue, 01 May 2018 10:47:20 +0800</pubDate><description><![CDATA[简单说来就是自己用screen源码编译安装

第一步：下载screen源码并解压

下载地址：http://ftp.gnu.org/gnu/screen/



第二步：运行配置程序，生成Makefile文件

运行源码目录下的./configure，运行成功会得到如下提示：



Now please check the pathnames in the Makefile and in the ...]]></description><category></category></item><item><title><![CDATA[在iOS上实现YOLO目标检测算法]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/78948219</link><guid>https://blog.youkuaiyun.com/computerme/article/details/78948219</guid><author>computerme</author><pubDate>Mon, 01 Jan 2018 23:37:30 +0800</pubDate><description><![CDATA[本文主要介绍YOLOv2在iOS手机端的实现 
Paper：https://arxiv.org/abs/1612.08242 
Github：https://github.com/pjreddie/darknet 
Website：https://pjreddie.com/darknet/yolo



YOLOv2简介

yolov2的输入为416x416，然后通过一些列的卷积、BN、Pooli...]]></description><category></category></item><item><title><![CDATA[在服务器上配置jupyter notebook]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/78751670</link><guid>https://blog.youkuaiyun.com/computerme/article/details/78751670</guid><author>computerme</author><pubDate>Fri, 08 Dec 2017 14:55:20 +0800</pubDate><description><![CDATA[anaconda一般自带安装好了juypter ，如果没有，可以用conda install jupyter命令安装。安装好以后，需要在服务器上配置jupyter以便任何浏览器都能通过IP直接访问服务器上的juypter服务。]]></description><category></category></item><item><title><![CDATA[在caffe中用python添加confusion matrix层]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/78645445</link><guid>https://blog.youkuaiyun.com/computerme/article/details/78645445</guid><author>computerme</author><pubDate>Mon, 27 Nov 2017 15:23:50 +0800</pubDate><description><![CDATA[confusion matrix(混淆矩阵)在分类问题中能比单纯的准确率更全面地反应模型的好坏，本文主要目的是在caffe中用python添加confusion matrix层。]]></description><category></category></item><item><title><![CDATA[ARM NOEN vfmaq_laneq_f32与vextq_f32指令例子]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/78245574</link><guid>https://blog.youkuaiyun.com/computerme/article/details/78245574</guid><author>computerme</author><pubDate>Sun, 15 Oct 2017 23:56:13 +0800</pubDate><description><![CDATA[vfmaq_laneq_f32是乘法运算相关指令，vextq_f32是取数据相关指令。具体功能用文字描述比较麻烦，直接看个列子一下就懂了，所以在这里记录下来。]]></description><category></category></item><item><title><![CDATA[Image-to-Image Translation with Conditional Adversarial Networks笔记]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/78067979</link><guid>https://blog.youkuaiyun.com/computerme/article/details/78067979</guid><author>computerme</author><pubDate>Fri, 22 Sep 2017 23:44:09 +0800</pubDate><description><![CDATA[对论文Image-to-Image Translation with Conditional Adversarial Networks中的方法进行了总结]]></description><category></category></item><item><title><![CDATA[解决UIImage显示方向和内存方向不一致的问题]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/77890476</link><guid>https://blog.youkuaiyun.com/computerme/article/details/77890476</guid><author>computerme</author><pubDate>Fri, 08 Sep 2017 08:03:55 +0800</pubDate><description><![CDATA[iOS中的UIImage中有imageOrientation属性，该属性决定了UIImage在手机上显示时的方向。如果imageOrientation的值为left或right，那么显示出来的图像和实际图像在内存中的存储就存在90度的旋转问题。比如显示出来的图片是720*1280的，实际上该图在内存中是按1280*720存储的。 
在stackoverflow上折腾了一番，找到了下面靠谱的解决办法。]]></description><category></category></item><item><title><![CDATA[在ncnn上把玩mobileNet]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/77876633</link><guid>https://blog.youkuaiyun.com/computerme/article/details/77876633</guid><author>computerme</author><pubDate>Thu, 07 Sep 2017 07:20:27 +0800</pubDate><description><![CDATA[ncnn是腾讯优图最近开源的适合移动端的深度学习框架。mobileNet是谷歌在2017年4月份发表的论文MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications中提出的网络。]]></description><category></category></item><item><title><![CDATA[在Metal上实现对多通道feature map的双线性插值]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/77140651</link><guid>https://blog.youkuaiyun.com/computerme/article/details/77140651</guid><author>computerme</author><pubDate>Sun, 13 Aug 2017 10:28:07 +0800</pubDate><description><![CDATA[kernel void resize_interpolation_array(
                                  texture2d_array<half, access::sample> inTexture [[texture(0)]],
                                  texture2d_array<half, access:]]></description><category></category></item><item><title><![CDATA[用swift+Metal shader文件编译framework动态库]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/76064364</link><guid>https://blog.youkuaiyun.com/computerme/article/details/76064364</guid><author>computerme</author><pubDate>Tue, 25 Jul 2017 12:21:45 +0800</pubDate><description><![CDATA[若想用swift语言生成库则只能生成动态库，若是纯swift代码脚本，问题不大，按一般流程就行。
若是编译的库中有shader文件则需要先编译出Metal库。具体方法可采用如下的方式。]]></description><category></category></item><item><title><![CDATA[人脸对齐]]></title><link>https://blog.youkuaiyun.com/computerme/article/details/74625483</link><guid>https://blog.youkuaiyun.com/computerme/article/details/74625483</guid><author>computerme</author><pubDate>Fri, 07 Jul 2017 07:30:44 +0800</pubDate><description><![CDATA[人脸相关应用的重要预处理，very useful!]]></description><category></category></item></channel></rss>