این برنامه لینوکس با نام MNN است که آخرین نسخه آن را می توان با نام mnn_3.2.0_ios_armv82_cpu_metal_coreml.zip دانلود کرد. می توان آن را به صورت آنلاین در ارائه دهنده میزبانی رایگان OnWorks برای ایستگاه های کاری اجرا کرد.
این برنامه با نام MNN را با OnWorks به صورت آنلاین دانلود و اجرا کنید.
برای اجرای این برنامه این دستورالعمل ها را دنبال کنید:
- 1. این برنامه را در رایانه شخصی خود دانلود کنید.
- 2. در فایل منیجر ما https://www.onworks.net/myfiles.php?username=XXXXX نام کاربری مورد نظر خود را وارد کنید.
- 3. این برنامه را در چنین فایل منیجر آپلود کنید.
- 4. OnWorks Linux آنلاین یا شبیه ساز آنلاین ویندوز یا شبیه ساز آنلاین MACOS را از این وب سایت راه اندازی کنید.
- 5. از سیستم عامل لینوکس OnWorks که به تازگی راه اندازی کرده اید، به مدیر فایل ما https://www.onworks.net/myfiles.php?username=XXXXX با نام کاربری که می خواهید بروید.
- 6. اپلیکیشن را دانلود کرده، نصب و اجرا کنید.
عکس ها
Ad
MNN
شرح
MNN یک چارچوب یادگیری عمیق بسیار کارآمد و سبک است. از استنباط و آموزش مدل های یادگیری عمیق پشتیبانی می کند و دارای عملکرد پیشرو در صنعت برای استنتاج و آموزش روی دستگاه است. در حال حاضر، MNN در بیش از 20 برنامه Alibaba Inc مانند Taobao، Tmall، Youku، Dingtalk، Xianyu و غیره ادغام شده است و بیش از 70 سناریو استفاده از جمله پخش زنده، ضبط ویدیوی کوتاه، توصیه جستجو، محصول را پوشش می دهد. جستجو بر اساس تصویر، بازاریابی تعاملی، توزیع سهام، کنترل ریسک امنیتی. علاوه بر این، MNN در دستگاه‌های تعبیه‌شده مانند اینترنت اشیا نیز استفاده می‌شود. MNN Workbench را می توان از صفحه اصلی MNN بارگیری کرد، که مدل های از پیش آموزش دیده، ابزارهای آموزشی تجسمی، و استقرار مدل ها با یک کلیک روی دستگاه ها را ارائه می دهد. پلتفرم آندروید، هسته پس اندازه حدود 400 کیلوبایت، OpenCL حدود 400 کیلوبایت، Vulkan بنابراین حدود 400 کیلوبایت است. از محاسبات ترکیبی در چندین دستگاه پشتیبانی می کند. در حال حاضر از CPU و GPU پشتیبانی می کند.
امکانات
- برای استفاده کامل از CPU ARM، محاسبات هسته را با تعداد زیادی کد اسمبلی بهینه شده پیاده سازی می کند.
- برای iOS، شتاب GPU (فلزی) را می توان روشن کرد که سریعتر از CoreML اصلی اپل است.
- برای اندروید، OpenCL، Vulkan و OpenGL در دسترس هستند و برای پردازنده‌های گرافیکی اصلی (Adreno و Mali) تنظیم شده‌اند.
- الگوریتم‌های کانولوشن و جابه‌جایی کارآمد و پایدار هستند. الگوریتم کانولوشن وینوگراد به طور گسترده ای برای کانولوشن های متقارن بهتر مانند 3x3 -> 7x7 استفاده می شود.
- افزایش دو برابری سرعت برای معماری جدید ARM v8.2 با پشتیبانی از محاسبه نیمه دقیق FP16
- بهینه شده برای دستگاه ها، بدون وابستگی، به راحتی می توان آن را در دستگاه های تلفن همراه و انواع دستگاه های تعبیه شده مستقر کرد.
زبان برنامه نویسی
++C
دسته بندی ها
این برنامه ای است که می توان آن را از https://sourceforge.net/projects/mnn.mirror/ نیز دریافت کرد. در OnWorks میزبانی شده است تا به آسانی از یکی از سیستم عامل های رایگان ما به صورت آنلاین اجرا شود.
