1

我在这里尝试了高通提供的示例：

https://github.com/globaledgesoft/deeplabv3-application-using-neural-processing-sdk

https://github.com/globaledgesoft/deeplabv3-application-using-neural-processing-sdk/blob/master/AndroidApplication/app/src/main/java/com/qdn/segmentation/tasks/SegmentImageTask.java

它说在 GPU16 上完成这段代码需要 31 毫秒：

// [31ms on GPU16, 50ms on GPU] execute the inference

            outputs = mNeuralnetwork.execute(mInputTensorsMap);

对我来说，同样的例子需要 14 秒。我正在使用open-q 845 hdk 开发套件。

我问了我的教授，他说我正在安装的应用程序不受开发工具包固件的信任，这就是为什么我要花这么多时间来执行。他建议我将我的应用程序安装为系统应用程序来重建固件。还有什么其他原因？

4

1 回答 1

1

是的，这很令人困惑，我遇到了同样的问题。我注意到的是，至少在我的设备（Snapdragon 835）上，ResizeBilinear_2 和 ArgMax 需要大量时间。如果禁用 CPU 回退，您将看到实际上不支持 ResizeBilinear_2，因为在 deeplab 实现中他们使用了 align_corner=true。

如果您选择 ResizeBilinear_1 作为输出层，则推理时间将得到显着改善，而您无需自己实现双线性调整大小层和 argmax。

但即便如此，使用 gpu 我也只能达到大约 200 毫秒的运行时间。使用 DSP，我确实设法获得了大约 100 毫秒。

还要确保您的工具包中包含 opencl 支持，否则 gpu 运行时将无法正常工作。

旁注：我目前仍在使用 deeplab + snpe 测试东西。我注意到比较这个和 TFLITE gpu 委托的输出有一些差异。虽然 SNPE 通常快两倍，但存在许多分割伪影错误，这可能导致模型无法使用。看看这个https://developer.qualcomm.com/forum/qdn-forums/software/snapdragon-neural-processing-engine-sdk/34844

到目前为止，我发现如果将输出步幅降低到 16，不仅推理速度会提高一倍，而且所述伪影似乎不太明显。当然，这样做会失去一些准确性。祝你好运！

于 2019-09-19T12:49:28.193 回答