引擎模块

1、数据层 
Image 为一个RGBA32F格局的2D Array纹理，SSBO为一种vbo， 
Program 为 着色器链接而成的 opengl program，NetInfo 由 proto 定义，用于规定收集构造。 
在 shader 中，image 和 SSBO 示例如下：

layout(rgba32f, binding = 0) writeonly uniform highp image2DArray uOutput;//Imagelayout(rgba32f, binding = 1) readonly uniform highp image2DArray uInput;//Imagelayout(binding = 2) readonly buffer kernel {    mat4 values[];} uKernel;//SSBO
1
2
3
4
5
1
2
3
4
5

2、算子层 
包含各类layer的实现，如卷积，正则，内积（全连接），Softmax等。 
每一个layer要负责申请本身的输出内存（image）。

3、构造层 
根据 NetInfo 的信息，创建各类算子并构成DAG（有向无环图），执交运算并输出结不雅。

对象模块

包含一个构造转换器、参数初始化和拷贝对象。拷贝对象是比较轻易掉足的，因为卷积层和内积层的参数须要补零对齐及重排。

机能与效不雅

跟开源的 caffe-android-lib 比较 
https://github.com/sh1r0/caffe-android-lib

库大年夜小

caffe-android-lib 11M 
DeeplearningOGL 440K 
全自立开辟的，毫无疑问要小很多很多。

运行效力

Oppo R9 （MT6755， GPU: Mali-T860）上的测试结不雅： 
持续运行十次，去除第一次的结不雅（移动设备上一般都是动态调频的，第一次跑的时刻CPU/GPU的频率还没调起来，会比较慢）。 
Lenet 收集： 
caffe-android-lib：5.0~5.2ms（线程设为4） 
DeeplearningOGL：3.6-3.8 ms

较CPU版本（包含了neon与多线程优化）晋升了 50%阁下的效力，已经大年夜大年夜超出预期了，在GPU更好的机械上（如mate8上）表示会更佳。 
比拟于 CNNdroid 更是好很多了。

人像抠图的场景很流畅，且不须要隔帧计算。

【编辑推荐】

1. 为什么 Linus Torvalds 偏爱x86而不是ARM架构
2. 数据平滔喔赡计算才能：哪些GPU更合适深度进修和数据库？
3. ARKit & OpenGL ES - ARKit 道理及实现
4. 微办事架构：基于微办事和Docker容器技巧的PaaS云平台架构设计（微办事架构实施道理）
5. 谈一下关于CQRS架构若何实现高机能

【义务编辑：张子龙 TEL：（010）68476606】

　　推荐阅读

　　DDD CQRS架构和传统架构的优缺点比较

比来几年，在DDD的范畴，我们经常会看到CQRS架构的概念。我小我也写了一个ENode框架，专门用来实现这个架构。CQRS架构本身的思惟其实异常简单，就是读写分别。是一个很好懂得的思惟。就像>>>详细阅读

本文标题：基于OpenGL ES 的深度学习框架编写

地址：http://www.17bianji.com/lsqh/36068.html

 1/2    1