glint360k_cosface_r50_fp16_0.1.pth

FP16 仅标头库，用于向/从半精度浮点格式转换 特征 支持IEEE和ARM替代半精度浮点格式 财产转换无限和NaN 正确转换非正规数，即使在没有非正规支持的系统上 仅标头的库，无需安装或构建 与C99和C ++ 11兼容 全面覆盖了单元测试和微基准测试 致谢 该库由佐治亚理工学院的开发。 FP16是位于的HPC车库实验室的一项研究项目，该实验室位于佐治亚理工学院，计算学院，计算科学与工程学院。 本资料基于美国国家科学基金会（NSF）奖号1339745支持的工作。本资料中表达的任何观点，发现，结论或建议均为作者的观点，不一定反映NSF的观点。

A Guide to Tesla’s Configurable Floating Point Formats & Arithmetic 本标准规定了用于深度学习神经网络训练的计算机编程环境中新的 8 位和 16 位二进制浮点算法的特斯拉算法格式和方法。 本标准还规定了异常条件及其状态标志。 符合该标准的浮点系统的实现可以完全用软件、完全用硬件或软件和硬件的任意组合来实现。

内容：vs+libtorch（环境配置以及部署），包含batch推理，FP16推理。 适合人群：libtorch初学者，模型部署应用者， 使用场景：工业缺陷检查或学生学习

摘要：通过使用Achronix Speedster7t FPGA中的机器学习加速器MLP72，开发人员可以轻松选择浮点/定点格式和多种位宽，或快速应用块浮点，并通过内部级联可以达到理想性能。　　神经网络架构中的  之一就是卷积层，卷积的  基本操作就是点积。向量乘法的结果是向量的每个元素的总和相乘在一起，通常称之为点积。此向量乘法如下所示：　　图 1 点积操作　　该总和S由每个矢量元素的总和相乘而成，因此　　本文讲述的是使用FP16格式的点积运算实例，展示了MLP72支持的数字类型和乘数的范围。　　此设计实现了同时处理8对FP16输入的点积。该设计包含四个MLP72，使用MLP内部的级联路径连

MMDet到张量 该项目旨在将mmdetection模型转换为tensorrt模型end2end。现在专注于对象检测。面膜的支持是实验性的。 支持： fp16 int8（实验） 批量输入 动态输入形状 不同模块的组合 深度支持 欢迎提供任何建议，错误报告和建议。 执照 该项目是根据。 要求 mmdet> = 2.3.0 重要的！ 设置环境变量（在〜/ .bashrc中）： export AMIRSTAN_LIBRARY_PATH= ${amirstan_plugin_root} /build/lib 安装 主持人 git clone https://github.com/grimoire/mmdetection-to-tensorrt.git cd mmdetection-to-tensorrt python setup.py develop 码头工人 构建docker镜像（注意Te

tensorflow检测模型

张量FFT 利用张量核，针对fp16数据的FFT算法的实现，以加快处理速度

opencv_face_detector_uint8.pb和 res10_300x300_ssd_iter_140000_fp16.caffemodel 下载

OpenCV实现的SSD人脸检测器，基于深度学习框架Caffe训练的模型。