企业官网建设流程全解析

FasterRCNN网络模型prototxt修改

【免费下载链接】geGE（Graph Engine）是面向昇腾的图编译器和执行器，提供了计算图优化、多流并行、内存复用和模型下沉等技术手段，加速模型执行效率，减少模型内存占用。 GE 提供对 PyTorch、TensorFlow 前端的友好接入能力，并同时支持 onnx、pb 等主流模型格式的解析与编译。项目地址: https://gitcode.com/cann/ge

[!NOTE]说明

本章节所有的代码样例都不能直接复制到网络模型中使用，需要用户根据使用的网络模型，自行调整相应参数，比如bottom、top中的参数要和具体网络模型中的bottom、top一一对应，并且bottom和top对应的参数顺序不能更改。

如下以FasterRCNN Resnet34网络模型为例进行说明。

1. proposal算子修改。

   根据《AI框架算子支持清单》>支持Caffe算子清单，该算子有3个输入，2个输出；根据上述原则，对原始proposal算子进行修改，type修改为caffe.proto文件中的类型，增加actual_rois_num输出节点。参见caffe.proto文件中的属性定义增加相应属性信息。修改情况如图1所示，其中左边为原始算子prototxt，右边是适配AI处理器的prototxt。

   图 1原始算子与修改后的算子比对1 ![图示](https://raw.gitcode.com/cann/ge/raw/a67f6ec35ec66842d35cb5db9c8d9a4c34d31086/docs/zh/user_guides/atc_tools/figures/original_vs_modified_op_1.png "原始算子与修改后的算子比对1"?utm_source=gitcode_repo_files)

   代码样例如下：

   layer { name: "faster_rcnn_proposal" type: "Proposal" // 算子Type bottom: "rpn_cls_prob_reshape" bottom: "rpn_bbox_pred" bottom: "im_info" top: "rois" top: "actual_rois_num" // 增加的算子输出 proposal_param { feat_stride: 16 base_size: 16 min_size: 16 pre_nms_topn: 3000 post_nms_topn: 304 iou_threshold: 0.7 output_actual_rois_num: true } }

   参数解释请参见《AI框架算子支持清单》>支持Caffe算子清单。

2. 最后一层增加FSRDetectionOutput算子，用于输出最终的检测结果。

   对于FasterRCNN网络，参考扩展算子列表，在原始prototxt文件的最后增加后处理算子层FSRDetectionOutput ，参见《AI框架算子支持清单》>支持Caffe算子清单，FSRDetectionOutput算子有五个输入，两个输出，此算子的Type及属性定义如下：

   代码样例如下：

   layer { name: "FSRDetectionOutput_1" type: "FSRDetectionOutput" bottom: "rois" bottom: "bbox_pred" bottom: "cls_prob" bottom: "im_info" bottom: "actual_rois_num" top: "actual_bbox_num1" top: "box1" fsrdetectionoutput_param { num_classes:3 score_threshold:0.0 iou_threshold:0.7 batch_rois:1 } }

   参数解释请参见《AI框架算子支持清单》>支持Caffe算子清单。

【免费下载链接】geGE（Graph Engine）是面向昇腾的图编译器和执行器，提供了计算图优化、多流并行、内存复用和模型下沉等技术手段，加速模型执行效率，减少模型内存占用。 GE 提供对 PyTorch、TensorFlow 前端的友好接入能力，并同时支持 onnx、pb 等主流模型格式的解析与编译。项目地址: https://gitcode.com/cann/ge