当前位置： 首页 > wzjs >正文

网站在线客服系统哪个好营销策略的重要性

wzjs 2025/8/15 15:44:13
网站在线客服系统哪个好,营销策略的重要性,管理部门网站建设说明,庆阳市人大常委会网站建设目录 原始转换脚本 脚本运行报错 基于reset50 模型的自定义网络 基本网络结构 卷积模块定义示例 Bottleneck定义示例 网络定义示例 改进的转换脚本 脚本运行报错channels不匹配 脚本运行报错维度不匹配 模型输入数据的类型 tensor size NCHW和NHWC 自定义网络的通…

目录

原始转换脚本

脚本运行报错

基于reset50 模型的自定义网络

基本网络结构

卷积模块定义示例

Bottleneck定义示例

网络定义示例

改进的转换脚本

脚本运行报错channels不匹配

脚本运行报错维度不匹配

模型输入数据的类型

tensor size

NCHW和NHWC

自定义网络的通道数目

输入维度修改

onnx转换om文件

带参数images

带参数input

总结

之前转换yolov8 官方的模型，命令很简单，只有几行就可以搞定。

而自定的reset50 则显得更为复杂些。在这个转换过程中，我们可以了解一些模型相关的基本概念。

原始转换脚本

 model = models.torch.load('ok.pt')model.to(device)model.eval()dummy_img = torch.Tensor(torch.randn(10, 2, 95))) torch.onnx.export(model = model, #pth模型args=dummy_img,)

脚本运行报错

 pth2onnx('resnet18')File "E:\project\10\model_trasfer.py", line 12, in pth2onnxmodel.eval()
AttributeError: 'collections.OrderedDict' object has no attribute 'eval'

提示没有这个eval这个属性。

这个eval属性将模型设置为推理模式（参考： 将 PyTorch 训练模型转换为 ONNX | Microsoft Learn），是必须调用的。此属性是针对模型的，需要先定义一个模型再进行转换。

基于reset50 模型的自定义网络

由前述这个脚本转换的报错，我们需要一个模型。

基本网络结构

参考：ResNets: Why do they perform better than Classic ConvNets? (Conceptual Analysis) | Towards Data Science

【DL系列】ResNet网络结构详解、完整代码实现-CSDN博客

 主要包括

1）卷积模块，包括含卷积层（青色）、批归一化层（浅蓝色）、ReLU 激活函数（橙黄色）和最大池化层

2） 几个bottleneck模块

 

卷积模块定义示例

def Conv1(in_places, places, stride=2):return nn.Sequential(nn.Conv2d(in_channels=in_places, out_channels=places, kernel_size=7, stride=stride, padding=3, bias=False),nn.BatchNorm2d(places),nn.ReLU(inplace=True),nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

参数

in_places : 输入通道数。

places : 输出通道数。

stride: 卷积步长，默认为 2.

作用: 作为 ResNet 的第一个卷积层，用于对输入图像进行初步特征提取

Bottleneck定义示例

class Bottleneck(nn.Module):def __init__(self, in_places, places, stride=1, downsampling=False, expansion=4):super(Bottleneck, self).__init__()self.expansion = expansionself.downsampling = downsamplingself.bottleneck = nn.Sequential(nn.Conv2d(in_channels=in_places, out_channels=places, kernel_size=1, stride=1, bias=False),nn.BatchNorm2d(places),nn.ReLU(inplace=True),nn.Conv2d(in_channels=places, out_channels=places, kernel_size=3, stride=stride, padding=1, bias=False),nn.BatchNorm2d(places),nn.ReLU(inplace=True),self.relu = nn.ReLU(inplace=True)def forward(self, x):residual = x#         print("bot input shape:",x.shape)out = self.bottleneck(x)if self.downsampling:residual = self.downsample(x)out += residualout = self.relu(out)#         print("bot output shape:",out.shape)return out

in_places: 输入通道数
places: 中间层的通道数
stride : 卷积步长，默认为 1
downsampling: 是否进行下采样(用于调整残差连接的维度)
expansion: 扩展因子，用于调整输出通道数。

作用  通过 1x1、3x3、1x1 的卷积层组合，减少计算量并提取特征。
使用残差连接 ( out += residua1 ) 解决深层网络的梯度消失问题


网络定义示例

class ResNet(nn.Module):def __init__(self, blocks, num_classes=10, expansion=4):super(ResNet, self).__init__()self.expansion = expansionself.conv1 = Conv1(in_places=2, places=64)self.layer1 = self.make_layer(in_places=64, places=64, block=blocks[0], stride=1)self.layer2 = self.make_layer(in_places=256, places=128, block=blocks[1], stride=2)self.layer3 = self.make_layer(in_places=512, places=256, block=blocks[2], stride=2)self.layer4 = self.make_layer(in_places=1024, places=512, block=blocks[3], stride=2)self.avgpool = nn.AdaptiveAvgPool2d((1, 1))self.fc = nn.Linear(512 * expansion, num_classes)def make_layer(self, in_places, places, block, stride):layers = []layers.append(Bottleneck(in_places, places, stride, downsampling=True))for i in range(1, block):#             print(i,in_places,places,self.expansion)layers.append(Bottleneck(places * self.expansion, places))return nn.Sequential(*layers)def forward(self, x):#         print(x.shape)x1 = self.conv1(x)#         print("conv1:",x1.shape)x2 = self.layer1(x1)return F.normalize(x7, dim=-1), F.normalize(x8, dim=-1)

功能:定义了完整的 ResNet 模型
参数

blocks : 每个阶段的 Bottleneck 模块数量(例如 ResNet-50 为 [3，4，6，3])。
num_classes : 分类任务的类别数，默认为 10
expansion ：Bottleneck 模块的扩展因子，默认为 4
作用:
通过 make_layer 方法构建多个 Bottleneck 层。
使用全局平均池化 ( AdaptiveAvgPoo12d ) 将特征图转换为向量
通过全连接层 ( fc) 输出分类结果
返回归一化后的特征向量和分类结果
 

改进的转换脚本

主要在于model变量由上述自定义网络模型实例化而来。

 model = Resnet50_2d()  //这里引入自定义网络model.load_state_dict(torch.load('ok.pt')) #model = models.torch.load('ok.pt')#model.to(device)model.eval()dummy_img = torch.Tensor(torch.randn(10, 2, 95)) # (batchsize, channels, width, height)

脚本运行报错channels不匹配

return F.conv2d(

RuntimeError: Given groups=1, weight of size [64, 2, 7, 7], expected input[1, 10, 2, 95] to have 2 channels, but got 10 channels instead

脚本运行报错维度不匹配

raise ValueError("expected 4D input (got {}D input)".format(input.dim()))
ValueError: expected 4D input (got 3D input)

期望4D，但实际3D的输入。

模型输入数据的类型

任何程序都需要数据输入，只是数据输入的形式不同。

tensor size

tensor ： 在模型转换中，指的是张量的形状或维度信息。张量是多维数组，广泛应用于深度学习框架中，用于表示输入数据、权重、中间结果等。

- 标量：0维张量（单个数值）
- 向量：1维张量（一维数组）
- 矩阵：2维张量（二维数组）
- 更高维张量：如3D、4D等

tensor size 表示张量在每个维度上的大小。 一个形状为 [3, 224, 224] 的张量表示一个3通道、224x224像素的图像。

NCHW和NHWC

多维数据通过多维数组存储，比如卷积神经网络的特征图（Feature Map）通常用四维数组保存，即4D，4D格式解释如下：

  • N：Batch数量，例如图像的数目。
  • H：Height，特征图高度，即垂直高度方向的像素个数。
  • W：Width，特征图宽度，即水平宽度方向的像素个数。
  • C：Channels，特征图通道，例如彩色RGB图像的Channels为3。

自定义网络的通道数目

通过2.2节及2.4节网络定义传输的参数

self.conv1 = Conv1(in_places=2, places=64)

 据此我们将转换脚本修改为：

dummy_img = torch.Tensor(torch.randn(2, 2, 95)) # (batchsize, channels, width, height)

输入维度修改

由原先3维修改为4维

dummy_img = torch.Tensor(torch.randn(2,2, 2, 95)) # (batchsize, channels, width, height)

至此，已经可以将pt模型文件转换到onnx文件。

onnx转换om文件

带参数images

atc --model=ok.onnx --framework=5 --output=resnet --input_shape="images:1,3,640,640"  --soc_version=Ascend310P3  --insert_op_conf=aipp.cfg
ATC start working now, please wait for a moment.
...
ATC run failed, Please check the detail log, Try 'atc --help' for more information
E10016: 1970-01-01-08:05:58.540.117 Opname [images] specified in [--input_shape] is not found in the model, confirm whether this node name exists, or node is not split with the specified delimiter ';'

提示模型中没有images。这里就特别注意

带参数input

atc  --model=ok.onnx     --framework=5     --output=resnet50_2d     --soc_version=Ascend310P3    --input_format=NCHW     --input_shape="input:2,2,2,95"     --log=info
ATC start working now, please wait for a moment.
...
ATC run success, welcome to the next use.

总结

   1） 自定义网络的模型转换，需要转换时实例化网络模型。

   2） 明确模型输入数据的维度及各维度的大小。毕竟模型的主要工作即处理这些数据。

示例常用的输入一般为 4D 张量，形状为 (batch_size, channels, height, width)。

1）batch_size：每次输入网络的样本数量。根据硬件内存和训练需求选择，常见值为 32、64、128 等。

      在推理阶段，batch_size 表示一次性输入模型的样本数量。与训练阶段不同，推理时通常不需要反向传播和梯度计算，因此显存占用较低，可以支持较大的 batch_size。

 常见的 batch_size 选择

  • batch_size = 1：

    • 适用于实时推理任务（如摄像头视频流处理）。

    • 延迟最低，但 GPU 利用率可能较低。

  • batch_size = 8/16/32：

    • 适用于批量处理任务（如离线图像分类、目标检测）。

    • 在显存允许的情况下，提高 GPU 利用率。

  • batch_size = 动态调整：

    • 根据输入数据的数量动态调整 batch_size。

    • 例如，如果有 100 张图像需要处理，可以一次性输入 100 张（如果显存允许）。

2）channels：图像的通道数（如 RGB 图像为 3，灰度图像为 1）。由图像类型决定，RGB 为 3，灰度图为 1。

3）height 和 width：图像的高度和宽度。通常将图像调整为固定大小（如 224x224），以适应网络输入。

http://www.dtcms.com/wzjs/356661.html

相关文章：

  • 柳州网站建设排行榜seo基础理论
  • 国外商业网站苏州seo网站推广哪家好
  • 初创企业网站建设流程青岛关键词排名哪家好
  • 贵阳网站优化排名营销方案的几个要素
  • 甘肃省住房和城乡建设厅官方网站网站优化外包费用
  • 做社交网站要注册哪类商标全网引流推广
  • 网站建设工资多少钓鱼网站制作教程
  • 西安市公司搜索引擎优化包括哪些内容
  • 潍坊建设企业网站怎么推广引流客户
  • 网站备案查询背景布网站建站哪家公司好
  • 网站建设外包公司排名网店如何推广自己的产品
  • 如何请人创建一个网站吴中seo页面优化推广
  • wordpress投票类主题沈阳专业seo关键词优化
  • 做网站开发需要培训吗如何做好网站的推广工作
  • 上海网站建设外包网站策划运营
  • 做报表的网站泉州百度竞价公司
  • 做医药商城网站的公司怎么做电商平台
  • 自己建网站做代理商快点tv下载安装
  • 静态网页模板下载后怎么修改亚马逊seo是什么意思
  • 品牌营销型网站建设网上培训
  • 数字城市建设网站网络赚钱推广
  • 免费的黄台app下载广西百度seo
  • wordpress附件上传开鲁seo网站
  • 上海做网站优化公司巨量引擎官网
  • 网站里可以添加视频做背景吗正规的培训机构有哪些
  • 罗湖做网站报价站长数据
  • 办公室装修设计多少钱马鞍山seo
  • 系统门户网站建设详细功能百度推广的五大优势
  • l林州住房建设部官方网站上海网优化seo公司
  • 国外做黄漫的网站百度搜索热词排行榜