器集群產(chǎn)品圖..png)
器產(chǎn)品圖.png)
器產(chǎn)品圖.png)
器產(chǎn)品圖.png)
器產(chǎn)品圖1-8080.png)
品主圖.png)
TPU編程競賽系列｜基于TPU-MLIR實(shí)現UNet模型部署，比“快”更快！
由算能舉辦的TPU編程競賽-深度學(xué)習應用挑戰賽正式開(kāi)賽啦！本次大賽會(huì )為選手們提供一個(gè)預訓練的分割模型UNet及數據集，無(wú)需訓練模型，選手使用算能的MLIR開(kāi)源編譯器進(jìn)行編譯、量化及調優(yōu)，兼顧精度與推理速度，最終實(shí)現UNet模型在算能1684X處理器上的部署。
圖像分割是圖像處理和計算機視覺(jué)領(lǐng)域的一個(gè)重要課題，廣泛應用于場(chǎng)景理解、醫學(xué)圖像分析、機器人感知、視頻監控、增強現實(shí)和圖像壓縮等領(lǐng)域，UNet作為經(jīng)典的神經(jīng)網(wǎng)絡(luò )，在圖像分割任務(wù)中具有大量的應用。
有許多新的方法在此基礎上融合改進(jìn)，基于UNet的模型簡(jiǎn)單、高效，可以從小數據集中訓練就能獲得很好的效果，將UNet移植到TPU上可以進(jìn)一步放大模型的優(yōu)勢，在實(shí)際的深度學(xué)習部署中非常有價(jià)值。
本次比賽要求使用開(kāi)源的TPU-MLIR進(jìn)行編譯。TPU-MLIR項目是算能智能深度學(xué)習處理器的TPU編譯器工程。該工程提供了一套完整的工具鏈，其可以將不同框架下預訓練的神經(jīng)網(wǎng)絡(luò )，轉化為可以在算能TPU上高效運算的二進(jìn)制文件。
?
?
分享到 ：