معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

A simple framework for accelerating deep learning inference runtime.

ویژگی	مقدار
سیستم عامل	-
نام فایل	dlacc-1.9
نام	dlacc
نسخه کتابخانه	1.9
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	gnomondigital
ایمیل نویسنده	contact@gnomondigital.com
آدرس صفحه اصلی	https://github.com/gnomondigital/dlacc.git
آدرس اینترنتی	https://pypi.org/project/dlacc/
مجوز	Apache Software License (http://www.apache.org/licenses/LICENSE-2.0)

# dl_acceleration # Installation ## Build from source ``` git clone https://github.com/gnomondigital/dlacc.git DLACC_HOME = ./dlacc PYTHONPATH=$DLACC_HOME:${PYTHONPATH} ``` ## Install via pip ``` pip install dlacc ``` # Python SDK ``` python3.9 setup.py sdist bdist_wheel python3.9 -m twine upload dist/* --verbose ``` # Features - Automatic Optimization - Benchmark with various metrics (mean inference time, improvement compare, ..) - Output optimized models - Save tuning log # Usage ## Command line ```python python3.9 main.py --path example1.json ``` ## Python script View examples/getting_started.ipynb ## Supported Targets ``` ['aocl', 'hybrid', 'nvptx', 'sdaccel', 'opencl', 'metal', 'hexagon', 'aocl_sw_emu', 'rocm', 'webgpu', 'llvm', 'cuda', 'vulkan', 'ext_dev', 'c'] ``` Specifying the correct target can have a huge impact on the performance of the compiled module, as it can take advantage of hardware features available on the target. For more information, please refer to Auto-tuning a convolutional network for x86 CPU. We recommend identifying which CPU you are running, along with optional features, and set the target appropriately. For example, for some processors target = "llvm -mcpu=skylake", or target = "llvm -mcpu=skylake-avx512" for processors with the AVX-512 vector instruction set. Notes: Generally: - Use 'cuda' for GPU backend; - Use 'llvm' for CPU backend. specify num_measure_trials=20000 for best performance tuning for optimum.run() method call.

نیازمندی

مقدار	نام
-	onnx
-	onnxruntime
-	pandas
-	google-cloud-storage
-	tvm

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl dlacc-1.9:

pip install dlacc-1.9.whl

نصب پکیج tar.gz dlacc-1.9:

pip install dlacc-1.9.tar.gz