## Ascend NNN介绍 ➢ Ascend NNN 为新一代图像分析工具加速器，前端支持开源 AA 框架（Caffe），后端支 持 NNN /CPU的异构计算，提供完整的软硬件计算加速方案。 ## 部署架构 NNN 环境包含PC端工具侧开发环境和单板侧板端环境，支持TensorFlow、PyTorch、Caffe、ONNX四种模型，当一个训练好的模型传递过来后： ➢首先可以经过AMCT（Ascend Model Compression Toolkit，昇腾模型压缩工具）进行量化，将模型中部分层量化为8bit计算，提升计算效率； ➢其次使用ATC（Ascend Tensor Compiler）工具将量化后的模型或非量化的模型转换为Ascend NNN 认识的离线模型； ➢ 最后，离线模型放置在板端环境，即可进行推理。

10积分怎么够，里面可以一套程序啊。。。。代码我也是调试很久的。

此资源基于caffe，用于年龄性别表情预测的caffemodel， prototxt，binaryproto文件，以及标签文件。

【OpenCV】基于ResNet和Caffe模型的图像分类文章中的相关文件

此转换器可用于将 Caffe 代码和层移植到 PyTorch。 特征： 将 caffemodel 的权重转储为 hdf5、npy、pt 和 json 格式 加载 Caffe 模型并从 PyTorch 使用它们 模拟 PyCaffe API 以允许平滑移植使用 Caffe 的代码（用于将 train/eval 中的后端更改为脚本如下）： 网络、Blob、SGDSolver 包装 Caffe 的 Python 层（参见 OICR 示例） PyTorch 中 ROI 池化的示例，无需手动编译 CUDA 代码（参见 OICR 示例） 层支持不像那样完整。 目前它支持以下 Caffe 层： 卷积（num_output、kernel_size、stride、pad、dilation；常数和高斯权重/偏置填充） 内部产品（num_output；常数和高斯权重/偏置填充物） 最大/平均池化（

vgg脸 使用PyTorch的人脸分类Python脚本 需要安装PyTorch 运行test.py文件 从获得的原始Caffe模型和测试图像/names.txt 从获得的.h5和

文档里面有模型，本文档用的模型是caffe上面github训练好的识别性别年龄模型。

openpose官方预训练的caffe模型文件-附件资源

yolo-tiny的caffe模型，配合caffe使用 YOLO是一个实时目标检测系统，通俗点说就是在输入数据(图片或者视频)中查找特定的目标。举个例子，如果让一个专门识别龙的YOLO模型观看《权力的游戏》，在理想情况下，一旦画面中出现了龙，YOLO系统就会激动地用框框标记出画面中的龙。

包含bvlc_googlenet.caffemodel、bvlc_googlenet.prototxt、synset_words.txt文件 和GoogleNet-Caffe模型实现图像分类源码、图片素材。 具体实现效果见CSDN博客“DNN系列2_GoogleNet-Caffe模型实现图像分类”