Onnx 1-深度学习-Operators

自动化测试-芯片神经网络-模型ONNX-Operators

• 概念综述
• 一: Operators
• • 1> Conv
  • 2> MaxPool
  • • 1. 参数
    • 2. shape 计算demo
  • 3> roipooling
  • • 1. Roi-pooling 概念
    • 2. ROI pooling步骤
    • 3. demo
    • 4. R-CNN & Fast R-CNN
• 二：维度变换
• • 1> Reshape-改变形状
  • • 1. 参数
    • 2. shape 计算demo
    • 3. demo
  • 2> Transpose-交换维度
  • • 1. 参数
    • 2. shape 计算demo
  • 3> Slice 切片
  • • 1. 参数
    • 2. shape 计算demo
  • 4> Squeeze-删除维度
  • • 1. 参数
    • 2. shape 计算demo
    • 3. demo
  • 5> Unsqueeze-解压
  • • 1. 参数
    • 2. shape 计算demo
    • 3. demo
  • 6> Expand-插入新维度
  • • 1. 参数
    • 2. shape 计算demo

概念综述

名词	含义
VGG（Visual Geometry Group）	是一个视觉几何组在2014年提出的深度卷积神经网络架构,VGG网络被广泛应用于图像分类、目标检测、语义分割等计算机视觉任务中，并且其网络结构的简单性和易实现性使得VGG成为了深度学习领域的经典模型之一;
R-CNN	全称是Region-CNN，是第一个成功将深度学习应用到目标检测上的算法。R-CNN基于卷积神经网络(CNN)，线性回归，和支持向量机(SVM)等算法，实现目标检测技术
Faster R-CNN 结构	一种用于对象检测的深度神经网络架构。它是一个多任务学习的网络，在单个神经网络中同时学习目标检测和特征提取；分为四个模块：1. Conv layers，特征提取网络：用于从输入图像中提取特征，可以是预先训练的卷积神经网络（如VGG，ResNet等）或自定义的神经网络 ； 2. Region proposal Network（RPN）区域候选网络：RPN是一种生成提议的网络，它接收特征图并在其中生成对象的矩形提议； 3. ROI pooling，兴趣域池化：这一层以RPN网络输出的兴趣区域和Conv layers输出的feature map为输入，将两者进行综合后得到固定大小的区域特征图（proposal feature map）并输出到后面的全连接网络中进行分类； 4. Classification and Regression，分类和回归：输入为