基于Intel OpenVINO的搭建及应用，包含分类，目标检测，及分割，超分辨

PART I: 搭建环境OPENVINO+Tensorflow1.12.0

I: l_openvino_toolkit_p_2019.1.094

第一步常规安装参考链接：https://docs.openvinotoolkit.org/latest/_docs_install_guides_installing_openvino_linux.html

第二步编译Inference Engine Samples:

cd /PATH/TO/deployment_tools/inference_engine/samples

run ./build_samples.sh

编译后的生成文件路径

/root/inference_engine_samples_build/intel64/Release

II. tensorflow编译

Bazel编译Tensorflow

参考链接：https://blog.csdn.net/chenyuping333/article/details/82108509

Bazel下载连接：https://github.com/bazelbuild/bazel/releases

(bazel-0.18.0-installer-linux-x86_64.sh)

2. Tensorflow下载连接：https://github.com/tensorflow/tensorflow/tags (tensorflow-1.12.0)

Step 1: cd /PATH/TO/tensorflows

Step2: ./configure (全选No)

Step3: 编译freeze_graph

bazel build tensorflow/python/tools:freeze_graph

可能会遇到的问题：

error:Python.h:No such file or directory

solutions:yum install python34-devel

note:一定将默认python改为python3，缺少numpy文件，yum安装时报错，更改对应文件头部的/usr/bin/python地址为/usr/bin/python2，使用pip3 安装numpy

错误参考链接: https://www.jianshu.com/p/db943b0f1627 https://blog.csdn.net/xjmxym/article/details/73610648

https://www.cnblogs.com/toSeek/p/6192481.html

Step4: 编译transform_graph

bazel build tensorflow/tools/graph_transforms:transform_graph

Step5: 编译summarize_graph

bazel build tensorflow/tools/graph_transforms:summarize_graph

PART II: OPENVINO for Classification

数据集准备：ImageNet val

分别制作六个文件夹每个文件夹内的图片数量依次为1,8,16,32,64,96

形式如下

测试模型：VGG-19,resnet-50,resnet-101,resnet-152,inception-v3,inception-v4

参考链接: https://github.com/vdevaram/deep_learning_utilities_cpu/blob/master/dldt/run_dldt_tf.sh

StepI: 下载预训练的模型(6个)

mkdir pretrainedModels && cd pretrainedModels

wget http://download.tensorflow.org/models/vgg_19_2016_08_28.tar.gz

tar -xvf vgg_19_2016_08_28.tar.gz

wget http://download.tensorflow.org/models/inception_v3_2016_08_28.tar.gz

tar -xvf inception_v3_2016_08_28.tar.gz

wget http://download.tensorflow.org/models/inception_v4_2016_09_09.tar.gz

tar -xvf inception_v4_2016_09_09.tar.gz

wget http://download.tensorflow.org/models/resnet_v1_50_2016_08_28.tar.gz

tar -xvf resnet_v1_50_2016_08_28.tar.gz

wget http://download.tensorflow.org/models/resnet_v1_101_2016_08_28.tar.gz

tar -xvf resnet_v1_101_2016_08_28.tar.gz

wget http://download.tensorflow.org/models/resnet_v1_152_2016_08_28.tar.gz

tar -xvf resnet_v1_152_2016_08_28.tar.gz

解压后的形式如下所示

StepII: 生成对应分类预训练模型的.pb文件

cd /PATH/TO/pretrainedModels

mkdir frozen && mkdir pb

(*不同网络的对应指令有些许不同)

1． python3.6 /PATH/TO/tensorflowModels/research/slim/export_inference_graph.py \

--alsologtostderr \

--model_name=vgg_19 \

--output_file=/PATH/TO/pb/vgg_19.pb \

--labels_offset=1

2. python3.6 /PATH/TO/tensorflowModels/research/slim/export_inference_graph.py \

--alsologtostderr \

--model_name=resnet_v1_50 \

--output_file=/PATH/TO/pb/resnet_v1_50.pb \

--labels_offset=1

3. python3.6 /PATH/TO/tensorflowModels/research/slim/export_inference_graph.py \

--alsologtostderr \

--model_name=resnet_v1_101 \

--output_file=/PATH/TO/pb/resnet_v1_101.pb \

--labels_offset=1

4. python3.6 /PATH/TO/tensorflowModels/research/slim/export_inference_graph.py \

--alsologtostderr \

--model_name=resnet_v1_152 \

--output_file=/PATH/TO/pb/resnet_v1_152.pb \

--labels_offset=1

5. python3.6 /PATH/TO/tensorflowModels/research/slim/export_inference_graph.py \

--alsologtostderr \

--model_name=inception_v3 \

--output_file=/PATH/TO/pb/inception_v3.pb

6. python3.6 /PATH/TO/tensorflowModels/research/slim/export_inference_graph.py \

--alsologtostderr \

--model_name=inception_v4 \

--output_file=/PATH/TO/pb/inception_v4.pb

StepIII: 对生成对应分类预训练模型的.pb文件进行freeze操作

(*若下面指令报错可以使用python3.6 运行对应的freeze_graph.py文件进行生成)

cd /PATH/TO/TensorflowModels

1. bazel-bin/tensorflow/python/tools/freeze_graph \

--input_graph=/PATH/TO/pb/vgg_19.pb \

--input_checkpoint=/PATH/TO/vgg_19.ckpt \

--input_binary=true \

--output_graph=/PATH/TO/frozen/frozen_vgg_19.pb \

--output_node_names=vgg_19/fc8/squeezed

2. bazel-bin/tensorflow/python/tools/freeze_graph \

--input_graph=/PATH/TO/pb/resnet_v1_50.pb \

--input_checkpoint=/PATH/TO/resnet_v1_50.ckpt \

--input_binary=true \

--output_graph=/PATH/TO/frozen/frozen_resnet_v1_50.pb \

--output_node_names=resnet_v1_50/predictions/Reshape_1

3. bazel-bin/tensorflow/python/tools/freeze_graph \

--input_graph=/PATH/TO/pb/resnet_v1_101.pb \

--input_checkpoint=/PATH/TO/resnet_v1_101.ckpt \

--input_binary=true \

--output_graph=/PATH/TO/frozen/frozen_resnet_v1_101.pb \

--output_node_names=resnet_v1_101/predictions/Reshape_1

4. bazel-bin/tensorflow/python/tools/freeze_graph \

--input_graph=/PATH/TO/pb/resnet_v1_152.pb \

--input_checkpoint=/PATH/TO/resnet_v1_152.ckpt \

--input_binary=true \

--output_graph=/PATH/TO/frozen/frozen_resnet_v1_152.pb \

--output_node_names=resnet_v1_152/predictions/Reshape_1

5. bazel-bin/tensorflow/python/tools/freeze_graph \

--input_graph=/PATH/TO/pb/inception_v3.pb \

--input_checkpoint=/PATH/TO/inception_v3.ckpt \

--input_binary=true \

--output_graph=/PATH/TO/frozen/frozen_inception_v3.pb \

--output_node_names=InceptionV3/Predictions/Reshape_1

6. bazel-bin/tensorflow/python/tools/freeze_graph \

--input_graph=/PATH/TO/pb/inception_v4.pb \

--input_checkpoint=/PATH/TO/inception_v4.ckpt \

--input_binary=true \

--output_graph=/PATH/TO/frozen/frozen_inception_v4.pb \

--output_node_names=InceptionV4/Logits/Predictions

StepIV: 生成IR文件

cd /PATH/TO /deployment_tools/model_optimizer

1. python3.6 mo.py --framework tf \

--input_model /PATH/TO/frozen/frozen_vgg_19.pb \

--data_type FP32 \

--output_dir /PATH/TO/frozen/ \

--reverse_input_channels \

--batch 64

(batch大小可选1,8,16,32,64,96)

2. python3.6 mo.py --framework tf \

--input_model /PATH/TO/frozen/frozen_inception_v3.pb \

--data_type FP32 \

--scale 255 \

--reverse_input_channels \

--output_dir /PATH/TO/frozen/ \

--batch 16

3. python3.6 mo.py --framework tf \

--input_model /PATH/TO/frozen/frozen_inception_v4.pb \

--data_type FP32 \

--scale 255 \

--reverse_input_channels \

--output_dir /PATH/TO/frozen/ \

--batch 16

4. python3.6 mo.py --framework tf \

--input_model /PATH/TO/frozen/frozen_resnet_v1_50.pb \

--data_type FP32 \

--output_dir /PATH/TO/frozen/ \

--reverse_input_channels \

--batch 16

5. python3.6 mo.py --framework tf \

--input_model /PATH/TO/frozen/frozen_resnet_v1_101.pb \

--data_type FP32 \

--output_dir /PATH/TO/frozen/ \

--reverse_input_channels \

--batch 16

6. python3.6 mo.py --framework tf \

--input_model /PATH/TO/frozen/frozen_resnet_v1_152.pb \

--data_type FP32 \

--output_dir /PATH/TO/frozen/ \

--reverse_input_channels \

--batch 16

StepV:测试(-ni -niter 迭代100次)

cd /root/inference_engine_samples_build/intel64/Release

./classification_sample \

-i /PATH/TO/frozen/frozen_inception_v3.xml \

-d CPU -ni 100 \

-l /PATH/TO/deployment_tools/inference_engine/samples/intel64/Release/lib/libcpu_extension.so \

-nt 1 \

-i /PATH/TO/val1

./benchmark_app \

-m /PATH/TO /frozen/ frozen_inception_v3.xml \

-d CPU -api async -niter 100 \

-l /PATH/TO/deployment_tools/inference_engine/samples/intel64/Release/lib/libcpu_extension.so -nireq 32 \

-i /PATH/TO/val1

(-nireq单CPU核的数量，通过lscpu指令查看)

(上述输入图片的数量与batch的大小相同，对应前面的val数据集，通过更改不同模型对应的.xml文件来测试不同的模型)

PART III: OPENVINO for Object Detection Test

数据集准备：COCO val2017

分别制作六个文件夹每个文件夹内的图片数量依次为1,8,16,32,64,96

形式如下

Note: Tensorflow Object_Detection API参考：

https://github.com/tensorflow/models/tree/master/research/object_detection

Step I:预训练模型的下载

mkdir object_detection && cd object_detection && mkdir test_models
下载对应的预训练的目标检测模型

模型链接：

https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md

解压后的文件格式如下图

Step II: 生成IR文件

参考链接：

https://docs.openvinotoolkit.org/latest/_docs_MO_DG_prepare_model_convert_model_tf_specific_Convert_Object_Detection_API_Models.html

（更改SSD,Faster R-CNN,RFCN,Mask R-CNN对应的 .json及pipeline.config文件

对应的.json文件如下

ssd_v2_support.json

faster_rcnn_support.json

rfcn_support.json

mask_rcnn_support.json）

python3.6 mo_tf.py \

--input_model=/PATH/TO/frozen_inference_graph.pb \

--tensorflow_use_custom_operations_config /PATH/TO/deployment_tools/model_optimizer/extensions/front/tf/ssd_v2_support.json \

--tensorflow_object_detection_api_pipeline_config /PATH/TO/pipeline.config \

--reverse_input_channels --batch 16

(batch只针对SSD的大小可调,Faster RCNN 及RFCN只能测试batch为1的情形)

StepIII:测试

For SSD/Faster RCNN/RFCN series

(benchmark_app只适用于SSD)

./benchmark_app \

-m /PATH/TO/frozen_inference_graph.xml \

-d CPU -api async -niter 100 \

-l /PATH/TO/intel64/Debug/lib/libcpu_extension.so \

-nireq 32 -i /PATH/TO /val1/

(-nireq代表单CPU的核数，通过lscpu可以查看，val与batch的大小相对应)

(RFCN, SSD 及 Faster R-CNNs, 测试指令都为object_detection_sample_ssd

***Faster R-CNN/RFCN的只适用于batch=1

)

./object_detection_sample_ssd \

-m /PATH/TO/frozen_inference_graph.xml -d CPU -ni 100 \

-l /PATH/TO/intel64/Debug/lib/libcpu_extension.so -i /PATH/TO /val1/

For Mask R-CNN

参考链接：https://docs.openvinotoolkit.org/latest/_inference_engine_samples_mask_rcnn_demo_README.html

./mask_rcnn_demo \

-m /PATH/TO/frozen_inference_graph.xml -d CPU -ni 100 \

-l /root/inference_engine_samples_build/intel64/Debug/lib/libcpu_extension.so \

-i /PATH/TO/coco_val/val64/

在Mask R-CNN进行batch 值大于16以上时，会出现错误

“segmentation fault”是因为在测试时会生成在当前路径下生成图片，随着batch的增加，内存爆掉。此部分代码可以注释，并不影响正常时间的测量。

注释部分代码如下图。

main.cpp 路径：/opt/intel/openvino_2019.1.0394/deployment_tools/inference_engine/samples/mask_rcnn_demo

此处开始注释

此处结束注释

文件修改后重新进行编译

run ./build_samples.sh

PART IV: OpenVINO for DeepLabV3+

Reference：https://github.com/FionaZZ92/OpenVINO/tree/master/DeeplabV3%2B_MobileNetV2

Tensorflow运行指令(wwen.sh)：

echo 1 > /proc/sys/vm/compact_memory

echo 3 > /proc/sys/vm/drop_caches

echo 100 > /sys/devices/system/cpu/intel_pstate/min_perf_pct

echo 0 > /sys/devices/system/cpu/intel_pstate/no_turbo

echo 0 > /proc/sys/kernel/numa_balancing

cpupower frequency-set -g performance

export KMP_BLOCKTIME=0

export KMP_SETTINGS=1

export KMP_AFFINITY=granularity=fine,compact,1,0

export OMP_NUM_THREADS=16

numactl --physcpubind=0-15,32-47 --membind=0 python3.6 demo_multi.py --input_folder ./img --output_folder ./output --logdir ./model > node_2_1.log 2>&1 &

numactl --physcpubind=16-31,48-63 --membind=1 python3.6 demo_multi.py --input_folder ./img --output_folder ./output --logdir ./model > node_2_2.log 2>&1 &

Step1: IR文件的生成

python3.6 mo_tf.py --input_model /home/gsj/deeplab/research/deeplab/model/frozen_inference_graph.pb --data_type FP32 --output_dir /home/gsj/super-resolution/tf_estimator_barebone/models/ --input 0:xception_65/Pad --output aspp0/Relu,aspp1_pointwise/Relu,aspp2_pointwise/Relu,aspp3_pointwise/Relu,ResizeBilinear_1 --input_shape [1,1953,2593,3](根据下一步inference过程，预处理图片对应输出尺寸进行调整，如下图)

Step2: Inference(infer_IE_TF.py位于intel64/Release下)

echo 1 > /proc/sys/vm/compact_memory

echo 3 > /proc/sys/vm/drop_caches

echo 100 > /sys/devices/system/cpu/intel_pstate/min_perf_pct

echo 0 > /sys/devices/system/cpu/intel_pstate/no_turbo

echo 0 > /proc/sys/kernel/numa_balancing

cpupower frequency-set -g performance

export KMP_BLOCKTIME=0

export KMP_SETTINGS=1

export KMP_AFFINITY=granularity=fine,compact,1,0

export OMP_NUM_THREADS=16

python3.6 infer_IE_TF.py -m /home/gsj/super-resolution/tf_estimator_barebone/models/frozen_inference_graph.xml -i 1.jpg -l lib/libcpu_extension .so

#infer_IE_TF.py代码

#author:fourmi_gsj

from __future__ import print_function

import sys

import os

from argparse import ArgumentParser

import numpy as np

import cv2

import time 

import tensorflow as tf

from tensorflow.python.platform import gfile

from openvino.inference_engine import IENetwork,IEPlugin

def build_argparser():

    parser = ArgumentParser()

    parser.add_argument("-m", "--model" ,help="Path to an .xml file with a trained model.",required=True,type=str)

    parser.add_argument("-i", "--input", help="Path to a folder with images or path to an image files", required=True,

                        type=str)

    parser.add_argument("-l", "--cpu_extension",

                        help="MKLDNN (CPU)-targeted custom layers.Absolute path to a shared library with the kernels "

                             "impl.", type=str, default=None)

    parser.add_argument("-pp", "--plugin_dir", help="Path to a plugin folder", type=str, default=None)

    parser.add_argument("-d", "--device",

                        help="Specify the target device to infer on; CPU, GPU, FPGA or MYRIAD is acceptable. Sample "

                             "will look for a suitable plugin for device specified (CPU by default)", default="CPU",

                        type=str)

    parser.add_argument("-nt", "--number_top", help="Number of top results", default=10, type=int)

    parser.add_argument("-pc", "--performance", help="Enables per-layer performance report", action='store_true')

    return parser

def resoze_for_concat(a0,a1,a2,a3,RB):

    iimg_ir = []

    '''

    print('a0:',a0.shape)

    print('a1:',a1.shape)

    print('a2:',a2.shape)

    print('a3:',a3.shape)

    print('RB:',RB.shape)

    resize_aspp0 =np.float32(np.zeros((1,256,123,163)))

    resize_ResizeBilinear_1=np.float32(np.zeros((1,256,123,163)))

    resize_aspp1 =np.float32(np.zeros((1,256,123,163)))

    resize_aspp2 =np.float32(np.zeros((1,256,123,163)))

    resize_aspp3 =np.float32(np.zeros((1,256,123,163)))

    for i in range(256):

        resize_aspp0[0,i]=cv2.resize(a0[0,i],(163,123), interpolation=cv2.INTER_LINEAR)

        resize_ResizeBilinear_1[0,i]=cv2.resize(RB[0,i],(163,123), interpolation=cv2.INTER_LINEAR)

        resize_aspp1[0,i]=cv2.resize(a1[0,i],(163,123), interpolation=cv2.INTER_LINEAR)

        resize_aspp2[0,i]=cv2.resize(a2[0,i],(163,123), interpolation=cv2.INTER_LINEAR)

        resize_aspp3[0,i]=cv2.resize(a3[0,i],(163,123), interpolation=cv2.INTER_LINEAR)

    ResizeBilinear_1=resize_ResizeBilinear_1.transpose((0,2,3,1))

    aspp0=resize_aspp0.transpose((0,2,3,1))

    aspp1=resize_aspp1.transpose((0,2,3,1))

    aspp2=resize_aspp2.transpose((0,2,3,1))

    aspp3=resize_aspp3.transpose((0,2,3,1))

    '''

    ResizeBilinear_1=RB.transpose((0,2,3,1))

    aspp0=a0.transpose((0,2,3,1))

    aspp1=a1.transpose((0,2,3,1))

    aspp2=a2.transpose((0,2,3,1))

    aspp3=a3.transpose((0,2,3,1))

    '''

    print(aspp0.shape)

    print(aspp1.shape)

    print(aspp2.shape)

    print(aspp3.shape)

    print(ResizeBilinear_1.shape)

    '''

    iimg_ir.append(ResizeBilinear_1)

    iimg_ir.append(aspp0)

    iimg_ir.append(aspp1)

    iimg_ir.append(aspp2)

    iimg_ir.append(aspp3)

    return iimg_ir

class _model_preprocess():

    def __init__(self):

        graph = tf.Graph()

        f_handle = gfile.FastGFile("/home/gsj/deeplab/research/deeplab/model/frozen_inference_graph.pb",'rb')

        graph_def = tf.GraphDef.FromString(f_handle.read())

        with graph.as_default():

            tf.import_graph_def(graph_def,name='')

        self.sess = tf.Session(graph=graph)

    def _pre_process(self,image):

        seg_map = self.sess.run('sub_7:0',feed_dict={'ImageTensor:0':[image]})

        #print('The shape of the seg_map is :',seg_map.shape)

        return seg_map

class _model_postprocess():

    def __init__(self):

        graph = tf.Graph()

        f_handle = gfile.FastGFile("/home/gsj/deeplab/research/deeplab/model/frozen_inference_graph.pb",'rb')

        graph_def = tf.GraphDef.FromString(f_handle.read())

        with graph.as_default():

            new_input0=tf.placeholder(tf.float32,shape=(1,123,163,256),name='new_input0')

            new_input1=tf.placeholder(tf.float32,shape=(1,123,163,256),name='new_input1')

            new_input2=tf.placeholder(tf.float32,shape=(1,123,163,256),name='new_input2')

            new_input3=tf.placeholder(tf.float32,shape=(1,123,163,256),name='new_input3')

            new_input4=tf.placeholder(tf.float32,shape=(1,123,163,256),name='new_input4')

            tf.import_graph_def(graph_def,input_map={'ResizeBilinear_1:0':new_input0,'aspp0/Relu:0':new_input1,'aspp1_pointwise/Relu:0':new_input2,'aspp2_pointwise/Relu:0':new_input3,'aspp3_pointwise/Relu:0':new_input4},name='')

        self.sess = tf.Session(graph=graph)

    def _post_process(self,image_ir,image):

        seg_map = self.sess.run('SemanticPredictions:0', feed_dict={'ImageTensor:0': [image], 'new_input0:0': image_ir[0],

                                    'new_input1:0': image_ir[1],'new_input2:0': image_ir[2],'new_input3:0': image_ir[3],

                                    'new_input4:0': image_ir[4]})

        return seg_map

_pre = _model_preprocess()

_post = _model_postprocess()

def main_IE_infer():

    args = build_argparser().parse_args()

    model_xml = args.model

    model_bin = os.path.splitext(model_xml)[0] + ".bin"

    image = cv2.imread(args.input)

    print("The size of the orig image is:",image.shape[0],image.shape[1])

    h_input_size=1360 #the height of the output

    w_input_size=1020 #the width of the output

    h_ratio = 1.0 * h_input_size / image.shape[0]

    w_ratio = 1.0 * w_input_size / image.shape[1]

    shrink_size = (int(w_ratio * image.shape[1]),int(h_ratio*image.shape[0]))

    image = cv2.resize(image,shrink_size, interpolation=cv2.INTER_LINEAR)

    print("The shape of the resized Image is:",image.shape)

    # Plugin initialization for specified device and load extensions library if specified

    plugin = IEPlugin(device=args.device, plugin_dirs=args.plugin_dir)

    if args.cpu_extension and 'CPU' in args.device:

        plugin.add_cpu_extension(args.cpu_extension)

    if args.performance:

        plugin.set_config({"PERF_COUNT": "YES"})

    # Read IR

    net = IENetwork.from_ir(model=model_xml, weights=model_bin)

    #print("the output Info of the net is :",net.outputs)

    input_blob = next(iter(net.inputs))

    print('input_blob is :',input_blob)

    exec_net = plugin.load(network=net)

    img_ir = []

    for itr in range(1):

        now = time.time()

        image_ = _pre._pre_process(image)

        image_ = image_.transpose((0,3,1,2))

        #print("the shape of the Front Net'output:",image_.shape)

        res =exec_net.infer(inputs={input_blob:image_})

        #print(res.keys())

        aspp0 = res['aspp0/Relu']

        aspp1 = res['aspp1_pointwise/Relu']

        aspp2 = res['aspp2_pointwise/Relu']

        aspp3 = res['aspp3_pointwise/Relu']

        ResizeBilinear_1=res['ResizeBilinear_1']

        img_ir = resoze_for_concat(aspp0,aspp1,aspp2,aspp3,ResizeBilinear_1)

        result = _post._post_process(img_ir,image)[0]

    print('time cost:',time.time()-now)

        #print(result)

    result[result!=0]=255

    cv2.imwrite('./result_deeplabv3.jpg', result)

    del net

    del exec_net

    del plugin

if __name__=='__main__':

    sys.exit(main_IE_infer() or 0)

PART V: OpenVINO for Super Resolution

Step 1: tensorflow进行测试

Github: https://github.com/ychfan/tf_estimator_barebone

运行inference程序，查找该模型的输出节点，查找到的节点名称为”clip_by_value”

指令执行路径：/home/gsj/super-resolution/tf_estimator_barebone/

运行相关指令如下：

export KMP_BLOCKTIME=1

export KMP_AFFINITY=granularity=fine,compact,1,0

export OMP_NUM_THREADS=16

numactl -C 0-15,32-47 -m 0 python3.6 -m datasets.div2k --mode wdsr --model-dir /home/gsj/super-resolution/tf_estimator_barebone/models/ --input-dir /home/gsj/super-resolution/tf_estimator_barebone/data/DIV2K_valid_HR/ --output-dir ../output

Step 2:

将文件夹models下的模型相关文件(saved_model.pb, variabels文件夹)进行处理，freeze saved_model.pb文件，生成pruned_saved_model_or_whatever.pb文件

指令执行路径：/home/gsj/super-resolution/tf_inference_demo/tensorflow-1.12.0

基于Intel OpenVINO的搭建及应用，包含分类，目标检测，及分割，超分辨的更多相关文章

面向服务体系架构（SOA）和数据仓库（DW）的思考基于 IBM 产品体系搭建基于 SOA 和 DW 的企业基础架构平台
面向服务体系架构(SOA)和数据仓库(DW)的思考基于 IBM 产品体系搭建基于 SOA 和 DW 的企业基础架构平台当前业界对面向服务体系架构(SOA)和数据仓库(Data Warehouse, ...
基于 Hexo + GitHub Pages 搭建个人博客（二）
在基于 Hexo + GitHub Pages 搭建个人博客(一) 这篇文章中,我们已经知道如何使用 Hexo + GitHub Pages 搭建一个个人博客,GitHub 为我们提供了免费的域名和 ...
Asp.Net Core 2.0 项目实战（2）NCMVC一个基于Net Core2.0搭建的角色权限管理开发框架
Asp.Net Core 2.0 项目实战(1) NCMVC开源下载了 Asp.Net Core 2.0 项目实战(2)NCMVC一个基于Net Core2.0搭建的角色权限管理开发框架 Asp.Ne ...
基于INTEL FPGA硬浮点DSP实现卷积运算
概述卷积是一种线性运算,其本质是滑动平均思想,广泛应用于图像滤波.而随着人工智能及深度学习的发展,卷积也在神经网络中发挥重要的作用,如卷积神经网络.本参考设计主要介绍如何基于INTEL 硬浮点的DS ...
基于Intel x86 Android的RAD游戏开发
zip文件还包含编译的"MonkeyGame-debug".可以在模拟器中运行的二进制文件.在"game.build"文件夹中有一个HTML5 build.在C ...
基于云开发 CloudBase 搭建在线视频会议应用教程
基于云开发 CloudBase 搭建在线视频会议应用在线视频会议应用是基于浏览器的能力 WebRTC 以及腾讯云开发 CloudBase 能力构建而成的应用. 在云开发的助力下, 一个复杂的在线会 ...
基于Gin+Gorm框架搭建MVC模式的Go语言后端系统
文/朱季谦环境准备:安装Gin与Gorm 本文搭建准备环境:Gin+Gorm+MySql. Gin是Go语言的一套WEB框架,在学习一种陌生语言的陌生框架,最好的方式,就是用我们熟悉的思维去学.作为 ...
基于CentOS与VmwareStation10搭建Oracle11G RAC 64集群环境：2.搭建环境-2.7. 配置资源与参数
2.7.配置资源与参数 2.7.1. 修改主机名称 [root@linuxrac1 ~]# cd /etc/sysconfig [root@linuxrac1 sysconfig]# vi netwo ...
基于CentOS与VmwareStation10搭建Oracle11G RAC 64集群环境：2.搭建环境-2.6. 安装Oracle所依赖的必要包
2.6. 安装Oracle所依赖的必要包 2.6.1. 检查Oracle所依赖的必要rpm包 [root@localhost /]#rpm -q binutils compat-libstdc elf ...

随机推荐

【2019.7.25 NOIP模拟赛 T3】树（tree）（dfs序列上开线段树）
没有换根操作考虑如果没有换根操作,我们该怎么做. 我们可以求出原树的$dfs$序列,然后开线段树维护. 对于修改操作,我们可以倍增求$LCA$,然后在线段树上修改子树内的值. 对于询问操作, ...
Linux中$()和${}区别(转)
文章转自 https://blog.csdn.net/hxchuangxiaochuan/article/details/81204084 $( )中放的是命令,相当于` `,例如todaydate ...
JSP页面的注释细节
业务场景:通过后台传参,jstl标签控制一个页签是否显示,不过现在要去掉判断,直接让页签显示在sublime直接这样注释,然后刷新,一直找不到标签显示,其它的都是正常的 <!--<c:i ...
Express 框架以及与http-proxy-middleware整合实现代理
1.Express的简单使用 1.简介 Express 是一个简洁而灵活的 node.js Web应用框架, 提供了一系列强大特性帮助你创建各种 Web 应用,和丰富的 HTTP 工具. 使用 Exp ...
IDEA帮助文档快捷键ctrl+q 查看类方法变量帮助文档注释快捷键
IDEA查看类成员变量局部变量注释快捷键,Ctrl +Q 查看帮助文档实际项目中,通常一个类中的代码都不少,而且有很多的变量那么如何快速知道这个变量的一些信息,比如类型,定义? 比如在第50 ...
Window权限维持（八）：时间服务器
Windows操作系统正在利用时间提供者体系结构,以便从网络中的其他网络设备或客户端获取准确的时间戳.时间提供者以DLL文件的形式实现,该文件位于System32文件夹中.Windows启动期间将启动 ...
HTTP Error 502.5 - ANCM Out-Of-Process Asp.Net Core发布到IIS失败
问题概述 asp.net core网站发布到windows server 2012r2 IIS后,出现这个报错.dotnet xx.dll命令网站能够正常运行.说明不是程序问题. 经过一番折腾终于部署 ...
phpmyadmin 在服务起上检测到错误,请查看窗口底部
使用phpmyadmin一直提示这个警告,看着难受: 解决: 修改文件:/etc/phpmyadmin/config.inc.php 在最后添加这一句, $cfg['SendErrorReports' ...
Java生鲜电商平台-源码地址公布与思考和建议
Java生鲜电商平台-源码地址公布与思考和建议说明:今天是承诺给大家的最后一天,我公布了github地址(QQ群里面有).诚然这个是我的计划中的事情,但是有以下几点思考请大家共勉: 1. 你下了那么 ...
spring cloud 框架源码 activiti工作流 vue.js html 跨域前后分离 springboot
1.代码生成器: [正反双向](单表.主表.明细表.树形表,快速开发利器)freemaker模版技术 ,0个代码不用写,生成完整的一个模块,带页面.建表sql脚本.处理类.service等完整模块2. ...

基于Intel OpenVINO的搭建及应用，包含分类，目标检测，及分割，超分辨

基于Intel OpenVINO的搭建及应用，包含分类，目标检测，及分割，超分辨的更多相关文章

随机推荐

热门专题