caffe2 tensor＆lt; cudacontext＆gt;作业，施工或副本

这是一个远景，如果您认为问题过于本地化，请进行投票以结束。我搜索了 caffe2 github 存储库，打开一个问题问同样的问题，在 caffe2_ccp_tutorials 存储库是因为其作者似乎最好地理解它，请阅读有关Doxygen文档 caffe2 ::张量和 caffe2 :: cudacontext，甚至穿过caffe2 源代码，以及特定的 tensor.h, context_gpu.h 和 context_gpu.cc.

我知道目前 caffe2不允许将设备内存复制到张量。我愿意扩展图书馆并执行拉动请求以实现这一目标。我背后的原因是我使用 cv::cuda::* 在设备内存上运行的方法，因此我认为在GPU上进行预处理，只是将结果重新下载到主机上，然后将其重新上传到从主机到设备的网络上，这显然是一个问题。

看着的构造函数 Tensor<Context> 我可以看到也许只有

template<class SrcContext , class ContextForCopy > 
Tensor (const Tensor< SrcContext > &src, ContextForCopy *context)

可能会实现我想要的，但我不知道如何设置 <ContextForCopy> 然后将其用于施工。

此外，我看到我可以用正确的尺寸构造张量，然后也许使用

template <typename T>
T* mutable_data()

我可以分配/复制数据。数据本身存储在 std::vector<cv::cuda::GpuMat，所以我必须迭代它，然后使用任何一个 cuda::PtrStepSz 或者 cuda::PtrStep 访问基础设备分配的数据。这与我需要复制/分配到的数据相同 caffe2::Tensor<CUDAContext>.

我一直在试图找出内部 Tensor<CPUContext> 被复制到 Tensor<CUDAContext> 由于我已经看到了它的示例，但是我无法弄清楚，尽管我认为使用的方法是 CopyFrom。如已经提到的通常示例，从CPU复制到GPU：

TensorCPU tensor_cpu(...);
TensorCUDA tensor_cuda = workspace.CreateBlob("input")->GetMutable<TensorCUDA>();
tensor_cuda->ResizeLike(tensor_cpu);
tensor_cuda->ShareData(tensor_cpu);

我非常惊讶，没有人遇到过这项任务，简短的搜索只能产生一个公开问题作者（@peterneher）或多或少地问同一件事。

看答案

我设法弄清楚了。最简单的方法是告诉OpenCV 哪个内存位置要使用。这可以通过使用第七和第8个超负荷 cv::cuda::GpuMat 构造函数如下所示：

cv::cuda::GpuMat::GpuMat(int    rows,
                         int    cols,
                         int    type,
                         void *     data,
                         size_t     step = Mat::AUTO_STEP 
                        )       

cv::cuda::GpuMat::GpuMat(Size   size,
                         int    type,
                         void *     data,
                         size_t     step = Mat::AUTO_STEP 
                        )

这样做意味着 caffe2::TensorCUDA 已被宣布分配预先：

std::vector<caffe2::TIndex> dims({1, 3, 224, 224});
caffe2::TensorCUDA tensor;
auto ptr = tensor.mutable_data<float>();
cv::cuda::GpuMat matrix(224, 224, CV_32F, ptr);

例如，使用3通道BGR Float矩阵使用 cv::cuda::split:

cv::cuda::GpuMat mfloat;
// TODO: put your BGR float data in `mfloat`
auto ptr = tensor.mutable_data<float>();
size_t width = mfloat.cols * mfloat.rows;
std::vector<cv::cuda::GpuMat> input_channels {
    cv::cuda::GpuMat(mfloat.rows, mfloat.cols, CV_32F, &ptr[0]),
    cv::cuda::GpuMat(mfloat.rows, mfloat.cols, CV_32F, &ptr[width]),
    cv::cuda::GpuMat(mfloat.rows, mfloat.cols, CV_32F, &ptr[width * 2])
};
cv::cuda::split(mfloat, input_channels);

希望这将帮助任何人居住在Caffe2的C ++方面。

笔记那 caffe2::Predictor 不使用 caffe2::TensorCUDA，您将需要手动传播张量。有关此的更多信息， caffe2_cpp_tutorial mnist.cc.

智能推荐

【caffe2从头学】：3.5.Models and Datasets

本片文章是我的【caffe2从头学】系列中的一篇，如果想看其他文章，请看目录： 0.目录 1.快速开始 1.1.什么是caffe2 ？ 1.2.安装caffe2 2.学习caffe2 3.caffe2官方教程的安装与使用 3.1.Blobs and Workspace, Tensors，Net 概念 3.2.Caffe2 的一些基本概念 - Workspaces&Operators &am...

Caffe2 实现卷积计算原理（1）

最近花费两个月时间接触caffe2框架和卷积计算； 1.卷积计算原理借用yangqing大神的原图（1）矩阵变换图片维度：通道（C）*高度（H）*宽度（W）），可以看到按照通道方向，即C方向进行矩阵变换（2）按行获取图像中每个点的值，依次进行矩阵变换依次按照通道方向，即C方向取值（3）获取最终图像矩阵虽然按照通道方向取值每个点，实际过程中是将每个通道划分为小段进行取值。将图像转换后的...

Ubuntu源码配置Caffe2（问题集合）

现在时间是2018.03.14，在Ubuntu16.04 平台源码方式编译安装Caffe2（CPU版），遇到了一些问题，以及最后的解决方案整理如下。 Step1：安装安装过程参考的是官方主页上给出的安装教程，链接 https://caffe2.ai/docs/getting-started.html?platform=ubuntu&configuration=compile 在执行最...

ubuntu16.04中安装caffe2 和 detectron

参考文章：https://www.cnblogs.com/zhencv/p/8384419.html 1，首先安装好cuda和cudnn，我目前是使用cuda8.0，cudnn6.1（安装教程参考本博客其他文章，基本所有的框架都是需要这个步骤） 2，按照官网教程按照caffe2： &nb...

Caffe2(3)----下载现成的模型并使用

Caffe2(3)----下载现成的模型并使用 Caffe2训练好的模型可在Model Zoo下载，下载的命令很简单，接下来以下载和使用squeezenet为例，进行简单说明。 1.浏览可下载的模型已有模型都放在github上，地址：https://github.com/caffe2/caffe2/wiki/Model-Zoo，当前有caffe和caffe2两种版本的选择。 &nb...

猜你喜欢

Caffe2：移动计算的深度学习框架

文章讲的是Caffe2：移动计算的深度学习框架，Caffe2是Facebook新的开源深度学习框架。与之前的PyTorch不同，Caffe2专门用于将深度学习移植到移动应用程序中，这将会让智能手机更“深入”、更智能! 　　如果你认为深度学习还只是一个概念，你就错了。世界各地的研究实验室都试图开发高效快速的软件框架，使研究人员或程序员能够实施和测试深度学习模型。现在，每个新的...

关于caffe2中的make,cmake

今天在装caffe2中的时候，提示我需要make，搞不懂什么是make,甚至都忘了什么是编译和链接了。巩固了下知识：首先对上图进行解释： CMake是一种跨平台编译工具，比make更为高级，使用起来要方便得多。CMake主要是编写CMakeLists.txt文件，然后用cmake命令将CMakeLists.txt文件转化为make所需要的makefile文件，最后用make命令编译源码生成可执...

「机器学习_5」逻辑回归（Logistic Regression ）

学习逻辑回归需要清楚的几件事：假设函数怎么用（怎么预测），决策边界怎么用（一般取0.5），损失函数如果计算（因为要取最小），优化方法（重新计算各个权重）建议：我阅读的英文参考资料的相关内容除了公式我并没有往上发布。但是我会放到我的下载资料中，建议，想彻底理解这几个内容的，如果不想直接从公式推导入手，可以考虑看下具体的例子，就会明白其中的含义。前言　本文主要介绍逻辑回归的基础知识...

工业4.0知识图谱

编者按本篇文章来自于17th Extended Semantic Web Conference (ESWC2020) 会议。该文章提出了基于语义标注网络的结构化数据集，包含工业4.0标准、范式和框架，并给出了知识图谱在工业4.0应用的现有案例。本文作者北京大学周雨奇，将对原文进行概要阐述。文末提供获...

缓冲区溢出实例（二)–Linux

原理：crossfire 1.9.0 版本接受入站 socket 连接时存在缓冲区溢出漏洞。工具：调试工具：edb； ###python在漏洞溢出方面的渗透测试和漏洞攻击中，具有很大的优势实验对象：crossfire【多人在线RPG游戏】运行平台：Kali i386 虚拟机【32位，计算机CPU位数是指地址总线位数，64位系统的寻址空间为2^64，寻址过大，难以处理，为了简化操作，所以选用...