TensorRT&Sample&Python[introductory_parser_samples]
本文是基于TensorRT 5.0.2基础上，关于其内部的introductory_parser_samples例子的分析和介绍。
1 引言
假设当前路径为：
TensorRT-5.0.2.6/samples
其对应当前例子文件目录树为：
# tree python
python/
├── common.py
├── introductory_parser_samples
│ ├── caffe_resnet50.py
│ ├── onnx_resnet50.py
│ ├── README.md
│ ├── requirements.txt
│ └── uff_resnet50.py
该例子展示如何使用TensorRT和包含的对应解析器（UFF，Caffe，ONNX解析器），基于在不同框架下训练的ResNet-50结构来进行inference。
- caffe_resnet50: 该例子展示如何构建基于Caffe解析器去解析Caffe训练的模型，并构建引擎然后进行inference；
- onnx_resnet50:该例子展示如何基于开源的ONNX解析ONNX模型，并inference；
- uff_resnet50: 该例子展示如何从一个UFF模型文件（从一个tf protobuf转换过来）构建引擎，然后inference。
2 caffe_resnet50
所需要的文件内容包含：
/TensorRT-5.0.2.6/python/data/resnet50/
├── binoculars-cc0.jpeg
├── binoculars.jpeg
├── canon-cc0.jpeg
├── class_labels.txt
├── mug-cc0.jpeg
├── reflex_camera.jpeg
├── ResNet50_fp32.caffemodel
├── resnet50-infer-5.uff
├── ResNet50_N2.prototxt
├── ResNet50.onnx
└── tabby_tiger_cat.jpg
先上完整代码，从main函数开始，逐个调用外部的参数完成整个流程，整个代码还是挺简单的：
# 该例子使用Caffe ResNet50 模型去创建一个TensorRT Inference Engine
import random
import argparse
from collections import namedtuple
from PIL import Image
import numpy as np
import pycuda.driver as cuda
import pycuda.autoinit # 该import会让pycuda自动管理CUDA上下文的创建和清理工作
import tensorrt as trt
import sys, os
# sys.path.insert(1, os.path.join(sys.path[0], ".."))
# import common
# 这里将common中的GiB和find_sample_data函数移动到该py文件中，保证自包含。
def GiB(val):
'''以GB为单位，计算所需要的存储值，向左位移10bit表示KB，20bit表示MB '''
return val * 1 << 30
def find_sample_data(description="Runs a TensorRT Python sample", subfolder="", find_files=[]):
'''该函数就是一个参数解析函数。
Parses sample arguments.
Args:
description (str): Description of the sample.
subfolder (str): The subfolder containing data relevant to this sample
find_files (str): A list of filenames to find. Each filename will be replaced with an absolute path.
Returns:
str: Path of data directory.
Raises:
FileNotFoundError
'''
# 为了简洁，这里直接将路径硬编码到代码中。
data_root = kDEFAULT_DATA_ROOT = os.path.abspath("/TensorRT-5.0.2.6/python/data/resnet50/")
subfolder_path = os.path.join(data_root, subfolder)
if not os.path.exists(subfolder_path):
print("WARNING: " + subfolder_path + " does not exist. Using " + data_root + " instead.")
data_path = subfolder_path if os.path.exists(subfolder_path) else data_root
if not (os.path.exists(data_path)):
raise FileNotFoundError(data_path + " does not exist.")
for index, f in enumerate(find_files):
find_files[index] = os.path.abspath(os.path.join(data_path, f))
if not os.path.exists(find_files[index]):
raise FileNotFoundError(find_files[index] + " does not exist. ")
if find_files:
return data_path, find_files
else:
return data_path
#-----------------
_ModelData = namedtuple('_ModelData', ['MODEL_PATH', 'DEPLOY_PATH', 'INPUT_SHAPE', 'OUTPUT_NAME', 'DTYPE'])
ModelData = _ModelData(MODEL_PATH = "ResNet50_fp32.caffemodel",
DEPLOY_PATH = "ResNet50_N2.prototxt",
INPUT_SHAPE = (3, 224, 224),
OUTPUT_NAME = "prob",
DTYPE = trt.float32 ) # 可以将TensorRT数据类型用trt.nptype()转换到numpy类型
TRT_LOGGER = trt.Logger(trt.Logger.WARNING)
'''main中第二步：构建一个tensorRT engine '''
# The Caffe path is used for Caffe2 models.
def build_engine_caffe(model_file, deploy_file):
with trt.Builder(TRT_LOGGER) as builder, \
builder.create_network() as network, \
trt.CaffeParser() as parser:
# Workspace size是builder在构建engine时候最大可以使用的内存大小，其越高越好
builder.max_workspace_size = GiB(1)
# 载入caffe模型，然后进行解析,并填充TensorRT的network。该函数返回一个对象，其可以通过name进行检索tensors
model_tensors = parser.parse(deploy=deploy_file, model=model_file, network=network, dtype=ModelData.DTYPE)
# 对于caffe，需要手动标记网络的输出；因为我们原本就该知道输出tensor的name，所以可以直接找到
network.mark_output(model_tensors.find(ModelData.OUTPUT_NAME))
return builder.build_cuda_engine(network)
'''main中第三步：分配host和device端的buffers，然后创建一个流 '''
def allocate_buffers(engine):
# 设定维度，然后在host端内存创建page-locked memory buffers (i.e. won't be swapped to disk)去存储host端的输入/输出。
h_input = cuda.pagelocked_empty(trt.volume(engine.get_binding_shape(0)), dtype=trt.nptype(ModelData.DTYPE))
h_output = cuda.pagelocked_empty(trt.volume(engine.get_binding_shape(1)), dtype=trt.nptype(ModelData.DTYPE))
# 为输入和输出分配device端内存.
d_input = cuda.mem_alloc(h_input.nbytes)
d_output = cuda.mem_alloc(h_output.nbytes)
# 创建一个流来copy输入/输出，并用于执行inference。
stream = cuda.Stream()
return h_input, d_input, h_output, d_output, stream
'''main中第四步：读取测试样本，并归一化 '''
def load_normalized_test_case(test_image, pagelocked_buffer):
# 将输入图像变换成CHW Numpy数组
def normalize_image(image):
c, h, w = ModelData.INPUT_SHAPE
return np.asarray(image.resize((w, h),
Image.ANTIALIAS)).transpose([2, 0, 1]).astype(trt.nptype(ModelData.DTYPE)).ravel()
# 归一化该图片，然后copy到内存设定的pagelocked buffer区域.
np.copyto(pagelocked_buffer, normalize_image(Image.open(test_image)))
return test_image
'''main中第五步：执行inference '''
def do_inference(context, h_input, d_input, h_output, d_output, stream):
# 将输入数据移动到GPU的device端
cuda.memcpy_htod_async(d_input, h_input, stream)
# 执行inference
context.execute_async(bindings=[int(d_input), int(d_output)], stream_handle=stream.handle)
# 将结果从device端移动到host端
cuda.memcpy_dtoh_async(h_output, d_output, stream)
# 同步流操作
stream.synchronize()
def main():
''' 1 - 读取模型文件，测试样本等等 '''
data_path, data_files = find_sample_data(
description="Runs a ResNet50 network with a TensorRT inference engine.",
subfolder="resnet50",
find_files=["binoculars.jpeg",
"reflex_camera.jpeg",
"tabby_tiger_cat.jpg",
ModelData.MODEL_PATH,
ModelData.DEPLOY_PATH,
"class_labels.txt"])
test_images = data_files[0:3] # 三张测试图片
caffe_model_file, caffe_deploy_file, labels_file = data_files[3:] # caffe的模型文件，部署文件和标签文件
labels = open(labels_file, 'r').read().split('\n') # 读取标签
''' 2 - 用build_engine_caffe函数构建一个TensorRT engine. '''
with build_engine_caffe(caffe_model_file, caffe_deploy_file) as engine:
# Inference不论用哪个parser构建engine都是这个流程
''' 3 - 分配buffer和创建一个CUDA流. '''
h_input, d_input, h_output, d_output, stream = allocate_buffers(engine)
''' 4 - 下面的context用于执行inference '''
with engine.create_execution_context() as context:
''' 选择测试样本，然后进行归一化，并塞入host端的page-locked buffer '''
test_image = random.choice(test_images)
test_case = load_normalized_test_case(test_image, h_input)
# 运行该engine。输出是一个1000的向量，每个值表示分到该类的概率。
do_inference(context, h_input, d_input, h_output, d_output, stream)
# 提取最高概率的元素，并将其索引映射到对应的label上
pred = labels[np.argmax(h_output)]
if "_".join(pred.split()) in os.path.splitext(os.path.basename(test_case))[0]:
print("Correctly recognized " + test_case + " as " + pred)
else:
print("Incorrectly recognized " + test_case + " as " + pred)
if __name__ == '__main__':
main()
3 onnx_resnet50
从下面的代码和上面例子代码进行对比，发现还是相对一致的流程，就是其中个别函数有所不同。
# # 该例子使用ONNX ResNet50 模型去创建一个TensorRT Inference Engine
import random
from PIL import Image
from collections import namedtuple
import numpy as np
import pycuda.driver as cuda
import pycuda.autoinit # 该import会让pycuda自动管理CUDA上下文的创建和清理工作
import tensorrt as trt
import sys, os
# import common
# 这里将common中的GiB和find_sample_data函数移动到该py文件中，保证自包含。
def GiB(val):
'''以GB为单位，计算所需要的存储值，向左位移10bit表示KB，20bit表示MB '''
return val * 1 << 30
def find_sample_data(description="Runs a TensorRT Python sample", subfolder="", find_files=[]):
'''该函数就是一个参数解析函数。
Parses sample arguments.
Args:
description (str): Description of the sample.
subfolder (str): The subfolder containing data relevant to this sample
find_files (str): A list of filenames to find. Each filename will be replaced with an absolute path.
Returns:
str: Path of data directory.
Raises:
FileNotFoundError
'''
# 为了简洁，这里直接将路径硬编码到代码中。
data_root = kDEFAULT_DATA_ROOT = os.path.abspath("/TensorRT-5.0.2.6/python/data/resnet50/")
subfolder_path = os.path.join(data_root, subfolder)
if not os.path.exists(subfolder_path):
print("WARNING: " + subfolder_path + " does not exist. Using " + data_root + " instead.")
data_path = subfolder_path if os.path.exists(subfolder_path) else data_root
if not (os.path.exists(data_path)):
raise FileNotFoundError(data_path + " does not exist.")
for index, f in enumerate(find_files):
find_files[index] = os.path.abspath(os.path.join(data_path, f))
if not os.path.exists(find_files[index]):
raise FileNotFoundError(find_files[index] + " does not exist. ")
if find_files:
return data_path, find_files
else:
return data_path
#-----------------
_ModelData = namedtuple('_ModelData', ['MODEL_PATH', 'INPUT_SHAPE', 'DTYPE'])
ModelData = _ModelData(MODEL_PATH = "ResNet50.onnx",
INPUT_SHAPE = (3, 224, 224),
DTYPE = trt.float32 ) # 可以将TensorRT数据类型用trt.nptype()转换到numpy类型
TRT_LOGGER = trt.Logger(trt.Logger.WARNING)
'''main中第二步：构建一个tensorRT engine '''
# The Onnx path is used for Onnx models.
def build_engine_onnx(model_file):
with trt.Builder(TRT_LOGGER) as builder, \
builder.create_network() as network, \
trt.OnnxParser(network, TRT_LOGGER) as parser:
# Workspace size是builder在构建engine时候最大可以使用的内存大小，其越高越好
builder.max_workspace_size = GiB(1)
''' 载入caffe模型，然后进行解析,并填充TensorRT的network'''
with open(model_file, 'rb') as model:
parser.parse(model.read())
return builder.build_cuda_engine(network)
'''main中第三步：分配host和device端的buffers，然后创建一个流 '''
def allocate_buffers(engine):
# 设定维度，然后在host端内存创建page-locked memory buffers (i.e. won't be swapped to disk)去存储host端的输入/输出。
h_input = cuda.pagelocked_empty(trt.volume(engine.get_binding_shape(0)), dtype=trt.nptype(ModelData.DTYPE))
h_output = cuda.pagelocked_empty(trt.volume(engine.get_binding_shape(1)), dtype=trt.nptype(ModelData.DTYPE))
# 为输入和输出分配device端内存.
d_input = cuda.mem_alloc(h_input.nbytes)
d_output = cuda.mem_alloc(h_output.nbytes)
# 创建一个流来copy输入/输出，并用于执行inference。
stream = cuda.Stream()
return h_input, d_input, h_output, d_output, stream
'''main中第四步：读取测试样本，并归一化 '''
def load_normalized_test_case(test_image, pagelocked_buffer):
# 将输入图像变换成CHW Numpy数组
def normalize_image(image):
'''这个函数与第一个例子略有不同 '''
c, h, w = ModelData.INPUT_SHAPE
image_arr = np.asarray(image.resize((w, h), Image.ANTIALIAS)).transpose([2, 0, 1]).astype(trt.nptype(ModelData.DTYPE)).ravel()
# 该ResNet 5-需要一些预处理，特别是均值归一化
return (image_arr / 255.0 - 0.45) / 0.225
# 归一化该图片，然后copy到内存设定的pagelocked buffer区域.
np.copyto(pagelocked_buffer, normalize_image(Image.open(test_image)))
return test_image
'''main中第五步：执行inference '''
def do_inference(context, h_input, d_input, h_output, d_output, stream):
# 将输入数据移动到GPU的device端
cuda.memcpy_htod_async(d_input, h_input, stream)
# 执行inference
context.execute_async(bindings=[int(d_input), int(d_output)], stream_handle=stream.handle)
# 将结果从device端移动到host端
cuda.memcpy_dtoh_async(h_output, d_output, stream)
# 同步流操作
stream.synchronize()
def main():
''' 1 - 读取模型文件，测试样本等等 '''
data_path, data_files = find_sample_data(
description="Runs a ResNet50 network with a TensorRT inference engine.",
subfolder="resnet50",
find_files=["binoculars.jpeg",
"reflex_camera.jpeg",
"tabby_tiger_cat.jpg",
ModelData.MODEL_PATH,
"class_labels.txt"])
test_images = data_files[0:3] # 三张测试图片
onnx_model_file, labels_file = data_files[3:] # ONNX模型文件和标签文件
labels = open(labels_file, 'r').read().split('\n') # 读取标签
''' 2 - 用build_engine_onnx函数构建一个TensorRT engine. '''
with build_engine_onnx(onnx_model_file) as engine:
# Inference不论用哪个parser构建engine都是这个流程，因为这里都是resnet-50结构
''' 3 - 分配buffer和创建一个CUDA流. '''
h_input, d_input, h_output, d_output, stream = allocate_buffers(engine)
''' 4 - 下面的context用于执行inference '''
with engine.create_execution_context() as context:
''' 选择测试样本，然后进行归一化，并塞入host端的page-locked buffer '''
test_image = random.choice(test_images)
test_case = load_normalized_test_case(test_image, h_input)
# 运行该engine。输出是一个1000的向量，每个值表示分到该类的概率。
do_inference(context, h_input, d_input, h_output, d_output, stream)
# 提取最高概率的元素，并将其索引映射到对应的label上
pred = labels[np.argmax(h_output)]
if "_".join(pred.split()) in os.path.splitext(os.path.basename(test_case))[0]:
print("Correctly recognized " + test_case + " as " + pred)
else:
print("Incorrectly recognized " + test_case + " as " + pred)
if __name__ == '__main__':
main()
4 uff_resnet50
从下面的例子可以看出，这三个例子流程大致一致，只有个别区域有少许变化。
UFF是TensorRT内部使用的统一框架格式，用于表示优化前的网络结构图，可以将诸如pb等模型格式先转换成uff格式tensorrt-3-faster-tensorflow-inference
# 该例子使用UFF ResNet50 模型去创建一个TensorRT Inference Engine
import random
from PIL import Image
import numpy as np
import pycuda.driver as cuda
import pycuda.autoinit # 该import会让pycuda自动管理CUDA上下文的创建和清理工作
import tensorrt as trt
import sys, os
#sys.path.insert(1, os.path.join(sys.path[0], ".."))
# import common
# 这里将common中的GiB和find_sample_data函数移动到该py文件中，保证自包含。
def GiB(val):
'''以GB为单位，计算所需要的存储值，向左位移10bit表示KB，20bit表示MB '''
return val * 1 << 30
def find_sample_data(description="Runs a TensorRT Python sample", subfolder="", find_files=[]):
'''该函数就是一个参数解析函数。
Parses sample arguments.
Args:
description (str): Description of the sample.
subfolder (str): The subfolder containing data relevant to this sample
find_files (str): A list of filenames to find. Each filename will be replaced with an absolute path.
Returns:
str: Path of data directory.
Raises:
FileNotFoundError
'''
# 为了简洁，这里直接将路径硬编码到代码中。
data_root = kDEFAULT_DATA_ROOT = os.path.abspath("/TensorRT-5.0.2.6/python/data/resnet50/")
subfolder_path = os.path.join(data_root, subfolder)
if not os.path.exists(subfolder_path):
print("WARNING: " + subfolder_path + " does not exist. Using " + data_root + " instead.")
data_path = subfolder_path if os.path.exists(subfolder_path) else data_root
if not (os.path.exists(data_path)):
raise FileNotFoundError(data_path + " does not exist.")
for index, f in enumerate(find_files):
find_files[index] = os.path.abspath(os.path.join(data_path, f))
if not os.path.exists(find_files[index]):
raise FileNotFoundError(find_files[index] + " does not exist. ")
if find_files:
return data_path, find_files
else:
return data_path
#-----------------
class ModelData(object):
MODEL_PATH = "resnet50-infer-5.uff"
INPUT_NAME = "input"
INPUT_SHAPE = (3, 224, 224)
OUTPUT_NAME = "GPU_0/tower_0/Softmax"
# We can convert TensorRT data types to numpy types with trt.nptype()
DTYPE = trt.float32
_ModelData = namedtuple('_ModelData', ['MODEL_PATH', 'INPUT_NAME', 'INPUT_SHAPE', 'OUTPUT_NAME', 'DTYPE'])
ModelData = _ModelData(
MODEL_PATH = "resnet50-infer-5.uff",
INPUT_NAME = "input",
INPUT_SHAPE = (3, 224, 224),
OUTPUT_NAME = "GPU_0/tower_0/Softmax",
DTYPE = trt.float32 ) # 可以将TensorRT数据类型用trt.nptype()转换到numpy类型
TRT_LOGGER = trt.Logger(trt.Logger.WARNING)
'''main中第二步：构建一个tensorRT engine '''
# The UFF path is used for TensorFlow models. You can convert a frozen TensorFlow graph to UFF using the included convert-to-uff utility.
def build_engine_uff(model_file):
with trt.Builder(TRT_LOGGER) as builder, \
builder.create_network() as network, \
trt.UffParser() as parser:
# Workspace size是builder在构建engine时候最大可以使用的内存大小，其越高越好
builder.max_workspace_size = GiB(1)
''' 这里需要手动注册输入和输出节点到UFF'''
parser.register_input(ModelData.INPUT_NAME, ModelData.INPUT_SHAPE)
parser.register_output(ModelData.OUTPUT_NAME)
''' 载入UFF模型，然后进行解析,并填充TensorRT的network'''
parser.parse(model_file, network)
return builder.build_cuda_engine(network)
'''main中第三步：分配host和device端的buffers，然后创建一个流 '''
def allocate_buffers(engine):
# 设定维度，然后在host端内存创建page-locked memory buffers (i.e. won't be swapped to disk)去存储host端的输入/输出。
h_input = cuda.pagelocked_empty(trt.volume(engine.get_binding_shape(0)), dtype=trt.nptype(ModelData.DTYPE))
h_output = cuda.pagelocked_empty(trt.volume(engine.get_binding_shape(1)), dtype=trt.nptype(ModelData.DTYPE))
# 为输入和输出分配device端内存.
d_input = cuda.mem_alloc(h_input.nbytes)
d_output = cuda.mem_alloc(h_output.nbytes)
# 创建一个流来copy输入/输出，并用于执行inference。
stream = cuda.Stream()
return h_input, d_input, h_output, d_output, stream
'''main中第四步：读取测试样本，并归一化 '''
def load_normalized_test_case(test_image, pagelocked_buffer):
# 将输入图像变换成CHW Numpy数组
def normalize_image(image):
c, h, w = ModelData.INPUT_SHAPE
return np.asarray(image.resize((w, h), Image.ANTIALIAS)).transpose([2, 0, 1]).astype(trt.nptype(ModelData.DTYPE)).ravel()
# 归一化该图片，然后copy到内存设定的pagelocked buffer区域.
np.copyto(pagelocked_buffer, normalize_image(Image.open(test_image)))
return test_image
'''main中第五步：执行inference '''
def do_inference(context, h_input, d_input, h_output, d_output, stream):
# 将输入数据移动到GPU的device端
cuda.memcpy_htod_async(d_input, h_input, stream)
# 执行inference
context.execute_async(bindings=[int(d_input), int(d_output)], stream_handle=stream.handle)
# 将结果从device端移动到host端
cuda.memcpy_dtoh_async(h_output, d_output, stream)
# 同步流操作
stream.synchronize()
def main():
''' 1 - 读取模型文件，测试样本等等 '''
data_path, data_files = find_sample_data(
description="Runs a ResNet50 network with a TensorRT inference engine.",
subfolder="resnet50",
find_files=["binoculars.jpeg",
"reflex_camera.jpeg",
"tabby_tiger_cat.jpg",
ModelData.MODEL_PATH,
"class_labels.txt"])
test_images = data_files[0:3] # 三张测试图片
uff_model_file, labels_file = data_files[3:] # UFF模型文件和标签文件
labels = open(labels_file, 'r').read().split('\n') # 读取标签
''' 2 - 用build_engine_uff函数构建一个TensorRT engine. '''
with build_engine_uff(uff_model_file) as engine:
# Inference不论用哪个parser构建engine都是这个流程，因为这里都是resnet-50结构
''' 3 - 分配buffer和创建一个CUDA流. '''
h_input, d_input, h_output, d_output, stream = allocate_buffers(engine)
''' 4 - 下面的context用于执行inference '''
with engine.create_execution_context() as context:
''' 选择测试样本，然后进行归一化，并塞入host端的page-locked buffer '''
test_image = random.choice(test_images)
test_case = load_normalized_test_case(test_image, h_input)
# 运行该engine。输出是一个1000的向量，每个值表示分到该类的概率。
do_inference(context, h_input, d_input, h_output, d_output, stream)
# 提取最高概率的元素，并将其索引映射到对应的label上
pred = labels[np.argmax(h_output)]
if "_".join(pred.split()) in os.path.splitext(os.path.basename(test_case))[0]:
print("Correctly recognized " + test_case + " as " + pred)
else:
print("Incorrectly recognized " + test_case + " as " + pred)
if __name__ == '__main__':
main()
.
TensorRT&Sample&Python[introductory_parser_samples]的更多相关文章
- TensorRT&Sample&Python[yolov3_onnx]
本文是基于TensorRT 5.0.2基础上,关于其内部的yolov3_onnx例子的分析和介绍. 本例子展示一个完整的ONNX的pipline,在tensorrt 5.0的ONNX-TensorRT ...
- TensorRT&Sample&Python[uff_custom_plugin]
本文是基于TensorRT 5.0.2基础上,关于其内部的uff_custom_plugin例子的分析和介绍. 本例子展示如何使用cpp基于tensorrt python绑定和UFF解析器进行编写pl ...
- TensorRT&Sample&Python[fc_plugin_caffe_mnist]
本文是基于TensorRT 5.0.2基础上,关于其内部的fc_plugin_caffe_mnist例子的分析和介绍. 本例子相较于前面例子的不同在于,其还包含cpp代码,且此时依赖项还挺多.该例子展 ...
- TensorRT&Sample&Python[network_api_pytorch_mnist]
本文是基于TensorRT 5.0.2基础上,关于其内部的network_api_pytorch_mnist例子的分析和介绍. 本例子直接基于pytorch进行训练,然后直接导出权重值为字典,此时并未 ...
- TensorRT&Sample&Python[end_to_end_tensorflow_mnist]
本文是基于TensorRT 5.0.2基础上,关于其内部的end_to_end_tensorflow_mnist例子的分析和介绍. 1 引言 假设当前路径为: TensorRT-5.0.2.6/sam ...
- tensorRT使用python进行网络定义
- Python API vs C++ API of TensorRT
Python API vs C++ API of TensorRT 本质上,C++ API和Python API应该在支持您的需求方面接近相同.pythonapi的主要优点是数据预处理和后处理都很容易 ...
- （原）pytorch中使用TensorRT
转载请注明出处: https://www.cnblogs.com/darkknightzh/p/11332155.html 代码网址: https://github.com/darkknightzh/ ...
- 基于TensorRT 3的自动驾驶快速INT8推理
基于TensorRT 3的自动驾驶快速INT8推理 Fast INT8 Inference for Autonomous Vehicles with TensorRT 3 自主驾驶需要安全性,需要一种 ...
随机推荐
- FALSE
Topic Link http://ctf5.shiyanbar.com/web/false.php 1)源代码分析 2)发现 输入的name和password不能相等相等但是sha1值却相等这在sh ...
- 痞子衡嵌入式：飞思卡尔i.MX RT系列MCU启动那些事（8）- 从Raw NAND启动
大家好,我是痞子衡,是正经搞技术的痞子.今天痞子衡给大家介绍的是飞思卡尔i.MX RT系列MCU的Raw NAND启动. 前面铺垫了七篇启动系列文章,终于该讲具体Boot Device了,我们知道i. ...
- Jenkins结合.net平台综合应用之使用FileZilla搭建ftp服务器
上一节我们讲解了如何编译web项目,web项生成以后我们是手动复制到iis目录下的,这显然不符合devops初衷,这里我们讲解如何利用ftp协议把文件传到远程服务器的iis目录下. 这一讲分两部分一部 ...
- python实战学习之matplotlib绘图续
学习完matplotlib绘图可以设置的属性,还需要学习一下除了折线图以外其他类型的图如直方图,条形图,散点图等,matplotlib还支持更多的图,具体细节可以参考官方文档:https://matp ...
- Python爬虫之使用celery加速爬虫
celery是一个基于分布式消息传输的异步任务队列,它专注于实时处理,同时也支持任务调度.关于celery的更多介绍及例子,笔者可以参考文章Python之celery的简介与使用. 本文将介绍 ...
- DSAPI HTTP监听服务端与客户端_指令版
前面介绍了DSAPI多功能组件编程应用-HTTP监听服务端与客户端的内容,这里介绍一个适用于更高效更快速的基于HTTP监听的服务端.客户端. 在本篇,你将见到前所未有的超简化超傻瓜式的HTTP监听服务 ...
- JS的splice()方法在for循环中使用可能会遇到的坑
在写JS代码时,我们常常使用 splice 函数来删除数组中的元素,因为 splice 函数会直接对数组进行修改,从而不需再自己写一个算法来移动数组中的其他元素填补到被删除的位置.splice 功能十 ...
- 反射：修改请求头HttpWebRequest/Webclient Header属性的date值-"此标头必须使用适当的属性进行修改"
场景:调用外部接口,接口要求Header信息里面包涵Date信息,且Date信息必须是格式化好的,(他们用的是Java),但是C#默认的是Date属性不能被修改, 所以就会出现下面的错误: 未处理的异 ...
- Chrome 下input的默认样式
一.去除默认边框以及padding border: none;padding:0 二.去除聚焦蓝色边框 outline: none; 三.form表单自动填充变色 1.给input设置内置阴影,至少要 ...
- Mac 系统占用100g的解决办法
Mac 关于本机-磁盘管理,如果发现系统占用超过80g以上的小伙伴们可以做以下操作只需要以下4个步骤,轻松降到30g以内!!!!!!!(仅适用于安装了Xcode的小伙伴) 打开Finder,comma ...