- 博客(170)
- 资源 (41)
- 收藏
- 关注
RSS订阅原创 CUDA并行、GLSL并行、CPU并行 相互转换
以《[CUDA实战] 第一个样例程序》来说明。 __global__ void add(int a, int b, int *c)//kernel函数，在gpu上运行。 { *c = a + b; } int main() { int c; int *dev_c; cudaMalloc((void**)&dev_c, sizeof(int));//分配gpu的内存，第一个参数指向新
2021-05-30 07:39:33
561
1
原创 GLSL层卷积（宽*高*输出通道数）（计算单位数）
增加计算单位数，可以加快计算速度。计算单位 从 iWidth * iHeight 增加到 iWidth * iHeight * outNum： mNumGroupsX = iWidth; int xSize = iHeight; mNumGroupsY = outNum; mNumGroupsZ = 1;//inNum; if (iHeight > 1024) printf("图片高度太大，不支持\n"); else textureParameters.shader_sou
2020-10-15 13:08:13
423
原创 GLSL层卷积（宽*高）（计算单位数）
这一步，用计算着色器来作层卷积接口于前面相同。这里将一个“缓存对象”来传送全部输入数据，卷积核，并回收卷积结果（前面部分结果，中间输入数据，后面部分卷积核）。用不到纹理，FBO（屏幕外帧缓冲区）。启用计算单位： mNumGroupsX = iWidth; mNumGroupsY = iHeight; mNumGroupsZ = 1;分配数据空间，并传送数据： //glGenBuffers(1, &buffOut);//在初始化中生成 glBindBuffer(
2020-10-12 10:47:16
665
原创 图像处理（使用计算着色器）
前面层卷积（使用片元着色器）还不够快，这里准备使用计算着色器。先实现一个小目标。使用计算着色器作图像处理。即一个卷积。以《GPGPU基础（五）：使用compute shader进行通用计算及示例》为模板。有个疑问：该文为什么要计算2次，并使用了3个纹理呢？终于在《OpenGL编程指南（第八版）-中文扫描版》的第12.4.2章《计算着色器-示例-图像处理》找到答案：第一次对图像水平处理，第二次垂直处理。所以我们去掉哪个中间纹理，只要两个纹理(输入，输出)，一次计算（卷积）就可以了。先载入
2020-10-04 19:47:22
867
1
原创 GLSL层卷积（缓存对象）
下载了《OpenGL编程指南（第八版）-中文扫描版》以及《OpenGL编程指南 VS2015代码》。该例子工程包已经设置好了 freeglut，glew 等库，只要安装了vs2015，马上就可以用，非常方便。在第11课《11.2-01BufferObject》中讲了：着色器可以对“缓存对象”读写。我们的层卷积中，也用一个“缓存对象”传送卷积核，并回收卷积结果（前半部分结果，后半部分核）。//核数据，核宽，输入维度，输出维度，偏置数据，输入数据，输出数据，是否激活//核大小：kw * kw
2020-09-21 19:23:02
269
原创 GLSL层卷积（纹理数组）
在《OpenGL-纹理数组》一文中看到纹理数组只用一个纹理对象就可以加载多个通道数据。在《学一学, Texture Array纹理数组》一文可以下载一个程序包，可以看到纹理数组的运用细节。在层卷积中可以减少着色器运行次数。把输入的多通道数据载入一个纹理数组中：int LoadGLTextures_arrayG(float *pTexData,int num){ glGenTextures(1, &texture); //绑定纹理 glBindTexture(
2020-09-15 09:21:30
674
原创 GLSL层卷积（先清理）
测试了《GPU编程之GLSL（五）——二维离散卷积》一文的程序，发现先运行哪个“clean.frag”，程序总运行时间更短，就以该文为模板来运行层卷积。先把《glsl着色器实现多重纹理与帧缓冲对象（fbo）》一文的着色器出错提示部分复制过来（不然，将不能调试着色器）。接口和前面相同，为了区别加一个G：void conv_initG(int argc, char* argv[],int h,int w)//核数据，核宽，输入维度，输出维度，偏置数据，输入数据，输出数据，是否激活//核大小：
2020-09-14 09:51:16
154
原创 GLSL层卷积（中间结果回传）
在Pudn.com 复制了一个 ”helloGPGPU_GLSL.cpp“ ,在《GPU通用计算——从Hello GPGPU开始》一文中有中文注解。该程序中 使用了一个纹理，用来保存着色器中间数据并再传着色器。这里也用1个纹理来回传中间结果相加，其它7个纹理用于卷积。生成一个空数据纹理：//加法纹理void initadd(){ float * TexData= new float[imgWidth * imgHeight]; memset(TexData, 0,img.
2020-09-12 19:24:41
262
原创 C++ 实现 实例分割（Mask_RCNN-81类）
在https://github.com/matterport/Mask_RCNN下载《Mask_RCNN-master》，并下载训练权重（mask_rcnn_coco.h5）。然后安装 Keras 2.0.8。pycocotools 就不用装了。由于我的TensorFlow 是1.0 <1.3，所以按提示修改一二处Keras 中的代码，就可以运行了。流程图：...
2020-04-20 14:48:05
1303
翻译 C++ 实现 语义分割（ade20-150类）
在http://sceneparsing.csail.mit.edu/model/pytorch中也有一些模型，下一个试试效果：ade20k-mobilenetv2dilated-c1_deepsup模型结构：SegmentationModule( (encoder): MobileNetV2Dilated( (features): Sequential( ...
2020-02-25 16:56:06
1363
3
原创 C++ 实现 语义分割 deeplab_v3
在https://github.com/tensorflow/models/blob/master/research/deeplab/g3doc/model_zoo.md中有许多个模型。先下一个试试效果如何：http://download.tensorflow.org/models/deeplabv3_mnv2_dm05_pascal_trainaug_2018_10_01.tar.g...
2020-02-16 13:20:19
2344
1
翻译 C++ 实现 mobileNet分类器
在https://github.com/shicai/MobileNet-Caffe中有两个模型：1。mobilenet.caffemodel2。mobilenet_v2.caffemodel这里用C++实现下mobilenet 结构：
2020-02-12 10:10:44
1065
5
原创 Winograd卷积应用（NEON 和 SSE 对应指令）
用矩阵乘法（im2col+sgemm）的方式卷积，虽然速度很算可以，但非常费内存，不能应用大一点的图片。看了一些博客说到Winograd卷积，比上面的速度更快，用到内存更小，也来试试。下载FeatherCNN地址：http://github.com/tencent/FeatherCNN然后，把一些NEON指令改为SSE指令就可以运行了。这里是一部分对应项：//#inclu...
2020-01-04 08:59:23
769
翻译 C++ 实现 超分 SFTGAN
SFTGAN（通过语义分割先验恢复图像中的真实纹理的超分辨率），大意是有些场合效果可能更好。（https://github.com/xinntao/SFTGAN）生成部分分两块：1。8种类语义分割2 。超分部分主函数：void SFTGAN(char * savefilename, SFTGAN模型 & sr){ int wid=bmp.wi...
2019-12-16 17:15:18
616
原创 C++实现 多维转换（torch.Transpose、permute）{Meta-SR}
这里要实现 Meta-SR 中的元放大部分中的多维操作，比如：torch.cat，torch.arange，torch.matmul，torch.Transpose，Tensor.view，Tensor.permute 等。matmul 是多维矩阵乘法，和二维乘法差不多，只不过是多乘几次。permute比较复杂，可以转化为多个二维交换 Transpose。其它的哪些就比较简单了。定义多...
2019-11-14 20:19:10
3051
1
翻译 C++ 实现 超分 Meta-SR
Meta-SR（任意放大倍数的超分辨率），大概意思是 ：可以是非整数倍的，并且只要一个模型（就可以实现2，3，4 倍及它们之中间倍数，比如，2.3, 3.5 倍等）在《Meta-SR--master》中提供了 一个训练好的模型 （百度盘），这里用C++实现下（便于没有安装Pytorch的电脑运行）。分成 特征学习、元放大 两块。先定义数据池，把训练模型数据载入：str...
2019-11-13 09:41:48
708
原创 步长为2的卷积 VS 步长为1的卷积 + 间隔删除（美颜BeautyGAN）
用以前的代码并不能实现 python、Tensorflow 同样的效果。MatConvNet 和 Tensorflow 中的卷积，在步长为2时，并且图像长宽是偶数时，并不完全相同比如步长为1的一个卷积结果是这样的：[[ 2. 0. 2. 4.] [ 1. 4. 4. 3.] [ 4. 3. 5. 9.] [ 3. 4. 6. 2.]]步长为2的一个...
2019-09-18 10:14:52
6124
2
翻译 C++ 实现美颜（脸部上妆）（BeautyGAN）
在《一键上妆的BeautyGAN》一文中介绍了，BeautyGAN 的实现功能：输入两张人脸图片，一张无妆，一张有妆，模型输出换妆之后的结果，即一张上妆图和一张卸妆图。并在《https://github.com/Honlan/BeautyGAN》中有训练好的模型下载。这里也来试试。python 复现结果：输入图：结果图：我们只关注生成器部分：这个生成...
2019-09-17 18:36:04
2395
原创 C++实现人机对战围棋（使用Leela Zero权重）-自动提子
前面的需要手动提子，非常不方便，这里再实现一个自动提子（判断死子并在棋盘中拿走）功能。在下围棋时，当一个棋子落到棋盘上，它会对周围对方棋子的死活产生影响，如果对方棋子没有气了（死了），必须从棋盘上拿掉（提子）。进一步分析的话，刚落下的棋子，只可能威胁到周围与其紧临的上下左右方向的四个对方棋子（也可能是三个或两个，如在边角的话）， 而这四个方向上的对方棋子，可能是孤立的一个棋子，也可能是...
2019-08-07 19:29:39
2935
2
原创 C++实现人机对战围棋（使用Leela Zero权重）-策略
策略部分就是哪个下载的权重的网络，根据棋面黑白子状态，输出一些下子位置和（在该位的）胜率。网络输入：Leela Zero网络权重输入是:```1）在时间T = 0时行棋的一方2）在时间T = -1时行棋的一方（如果T = 0则为0）...8）在时间T = -7时行棋的一方（如果T <= 6则为0）9）时间T = 0时的另一方10）时间T = -1时的另一方（如果T ...
2019-08-06 17:20:48
2406
原创 C++实现人机对战围棋（使用Leela Zero权重）-界面
1。在《leela-zero-next》包中有一个从人类游戏训练的（较弱的）网络的权重文件（https://sjeng.org/zero/best_v1.txt.zip）（6残差块，128通道）2。并在《easyx吧》百度贴吧下了一个双人对战的五子棋+围棋的游戏（去掉其中的五子棋部分）。把这两个合成一个人机对战围棋。虽然leela-zero也是C++写的，但是我也看不懂，这里只使用...
2019-08-05 21:45:21
3073
翻译 C++运行三维人脸重建 VRN
流程：定义数据池：1。残差块struct 残差块 //标准残差块{ BN层数据 * bn0; 层数据 * conv1; BN层数据 * bn1; 层数据 * conv2; BN层数据 * bn2; 层数据 * conv3;};2。总模型 struct RVN模型{ //层数据 * conv0;//3->64 0 //BN层数据...
2019-07-04 19:55:03
696
原创 体素转换为点云（VRN）
前面我们输出的灰度图是没有鼻孔的（只能是上小下大），这里我们把它转换为点云。流程简图：由于保存192*192*200个点数据比较慢，我们从双线性插值前的48*48*200的数据导出，后面的到C++中处理。# coding=gbkfrom tensorflow.core.framework import graph_pb2from num_save_mat import K_s...
2019-06-11 21:18:02
4766
翻译 运行 三维人脸重建(VRN)
在《vrn-master》可以下载 vrn-unguided.t7 模型（没有安装 torch7，运行不了）。在《vrn-torch-to-keras-master》提供一个 Keras 模型下载地址： vrn-unguided-keras.h5 (drive.google)和一个 Tensorflow 的 pb 模型：vrn-tensorflow.pb (drive.google)。...
2019-06-09 20:30:33
2227
6
翻译 黑白图像自动上色（颜色迁移版）
在《一篇关于如何用深度学习完成自动上色（Automatic Image Colorization）的论文浅析》看到这个模型也可以作颜色风格迁移，这里也来试试，先换另一个模型：colornet_imagenet.t7。看图：这个模型和前面的哪个除了训练集不同外，着色输入层核大小已经换成了1x1了，总体来说基本相同。RGB 和 Lab 互换 按《opencv2，RGB转Lab色彩空间...
2019-05-21 10:41:58
3506
翻译 C++实现超分辨率重建 SRFeat
有个博文介绍了这个 SRFeat ，并且《SRFeat-master》中有模型： SRFeat_full.npz 。这里也用C++来实现下。模型流程图：定义批正则层和残差块:struct tf_BatchNorm层数据{ int 数据长度; float * 偏移;//beta float * 权重;//gamma float * 均值;//moving_mean...
2019-05-20 10:27:02
1142
1
翻译 黑白图像自动上色（Colorization）
在《siggraph2016_colorization-master》有两个可以给黑白图片自动上色的模型：colornet.t7 和 colornet_imagenet.t7。现来把这个 Torch7 代码翻译成 C++ 代码玩玩。colornet.t7流程图：图像中的上半部分就可以完成上色任务了，下半部分是为了加大适用范围加的（大数据训练的分类网络）。哪个共用权重被...
2019-05-15 19:31:31
9670
2
翻译 C++实现超分辨 FALSR(2)之深度卷积
FALSR中除了用到4分组卷积外，也有2分组卷积，这个只要把前面的 4 换成 2 就可以了。这里说一说“深度卷积“，就是说每个深度通道只用一个卷积核。比如：96通道特征图 应用 3x3核 输出 96通道图普通卷积层 需要 96X96 个核深度卷积层 只要 96 个核实现：void 深度卷积(卷积层 & si,卷积层 & di,层数据 * 层...
2019-05-09 10:58:45
429
翻译 C++实现超分辨 FALSR
前面已经准备好网络参数数据，这里正式开始。这里只针对 FALSR-C.pb 模型，流程图：定 义4残差块:struct 残差块{ //残差块--------------------------------> //3x3 层数据 * cell2_bx_0;//48->96 层数据 * cell2_bx_d;//96->96 深度卷积 层数据 * cell2...
2019-05-08 23:27:32
560
4
翻译 从超分辨 FALSR ( tensorflow ) 导出pb模型参数
FALSR （快速、准确和轻量级超分辨率）在《FALSR-master》中有三个模型：FALSR-A.pb、FALSR-B.pb、FALSR-C.pb。我们也来测试下：还是用《tf_estimator_barebone-master》的datast.div2k 来运行模型。可以载入，但不能前推，我的 tensorflow 1.0 不能运行 1.8中的一些特性。好吧。先 prin...
2019-05-07 23:15:25
1063
翻译 C++实现超分辨 MSRN
MSRN （由多尺度残差网络实现的图像超分辨率）在《MSRN-PyTorch-master》中有模型。现在，我们用C++实现其中的4倍模型 MSRN_x4.pt。流程图：多尺度残差块：换一种思路清晰一点的画法：定义多尺度残差块数据池：struct 多尺度残差块{ 层数据 * conv_3_1 ;// 64-->64 3x3 //r...
2019-05-01 08:58:40
1016
翻译 C++实现超分辨 WDSR
WDSR （有更宽的特征的EDSR）终于用 tf.save_model.loader.load 打开了wdsr 的 saved_model.pb 模型。再导出模型参数数据，有 23M，还是比较小的。再到《tf_estimator_barebone-master》找出流程，这时才发现 里面是有一个演示程序可以打开pb 模型。然后，在下面的显示内容中找到图节点名称。g = tf....
2019-04-29 09:31:35
931
原创 用超分辨程序去模糊
超分辨按实现方式分两类：1。双三次放大 + 网络 = 大图2。 小图 + 网络 = 大图对中间部分 “网络” 来说：第1种 学习到了：怎样把 模糊图变成清晰图。SRCNN VDSR DRCN DRRN 是这类。第2种 学习到了：怎样把 小图变成大图 。FSRCNN ESPCN LapSRN EDSR IDN DBPN 等几乎都是。只有...
2019-04-26 07:46:33
1324
4
翻译 C++实现超分辨率 RCAN
RCAN（由很深的通道注意力的残差网络实现的图像超分辨率）在RCAN-master 中有模型（百度网盘），现在我们来实现其中的4倍模型 ：RCAN_BIX4.pt由 Pytorch 中导出后有156M大。流程图：定义数据池：1。残差缩放块struct 残差缩放块 //自适应调整残差（训练得缩放比）{ 层数据 * conv1;//64-->64 块尾层 ...
2019-04-24 19:16:22
1319
翻译 C++实现超分辨率 RDN--密集残差块总成
现在来实现<密集残差块总成> 这个函数：对照下图灰框部分void 密集残差块总成(RDN模型 & sr,卷积层 & s_di)//从s_di 传入并返回{ int wid=s_di.width; int hei=s_di.height; int wh= wid*hei; int whd=wh*s_di.depth; //连接池 卷积...
2019-04-22 20:28:28
783
翻译 C++实现超分辨率 RDN
RDN(由残差密集网络实现的图像超分辨率)在《RDN-TensorFlow-master》有一个3倍模型(也只有这一个了)：rdn_5_3_64_x3这里用C++实现这个的3倍重建：流程图：密集残差块：这个残差块结构内部和前面的ESRGAN（前面的文章）中的密集残差块是一样的，只是外部有点不同。定义密集残差块：struct 密集残差块 // 4个卷积层...
2019-04-21 19:04:30
916
4
翻译 C++实现超分辨率 IDN (2)(4分组卷积)
这里实现《IDN-tensorflow-master》中的IDN，一些不同之处见上章。先说明一下，由于IDN中要用到'组卷积'，vl_nnconv在用到这里时会出错，所以前面矩阵乘法中要修改一下： filters_getHeight= filters_getWidth= filters_biases->核宽; //filters_getSize=filters_bi...
2019-04-19 19:21:07
749
4
有150类的win图像语义分割程序2（更准确）
2020-03-16
有150类的win图像语义分割程序
2020-02-25
win图像语义分割deeplab-v3程序
2020-02-16
两个win32图像分类检测程序(mobilenet 和 mobilenet_v2)
2020-02-12
3D人脸重建win32程序
2019-07-05
给黑白图像自动上色并可以作颜色迁移的win程序
2019-05-22
给黑白图像自动上色的win程序（2）
2019-05-18
给黑白图像自动上色的win程序
2019-05-16
多尺度残差超分辨率重建 MSRN(4倍)win程序
2019-05-09
win32超分辩重建WDSR实用程序
2019-04-29
win32超分辩重建ESRGAN实用程序
2019-03-21
win32位编译的 mosaic图风格转换(style)
2018-12-07
win32位编译的 超分辨率重建(SRGAN_generator)
2018-11-20
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人