Diskussion zum Artikel "Arbeiten mit ONNX-Modellen in den Datenformaten float16 und float8"
.
Bitte fügen Sie rechts ein weiteres Bild in der gleichen Größe hinzu - ein vierfaches (statt eines Pixels - vier (2x2) der gleichen Farbe) Originalbild.
Sie können den Code ersetzen, um es anzuzeigen:
//ShowImage(canvas_original, "original_image",new_image_width,0,image_width,image_height,image_data); ShowImage4(canvas_original,"original_image",new_image_width,0,image_width,image_height,image_data);
//+------------------------------------------------------------------+ //| ShowImage4| //+------------------------------------------------------------------+ bool ShowImage4(CCanvas &canvas,const string name,const int x0,const int y0,const int image_width,const int image_height, const uint &image_data[]) { if(ArraySize(image_data)==0 || name=="") return(false); //--- Leinwand vorbereiten canvas.CreateBitmapLabel(name,x0,y0,4*image_width,4*image_height,COLOR_FORMAT_XRGB_NOALPHA); //--- Bild auf Leinwand kopieren for(int y=0; y<4*image_height-1; y++) for(int x=0; x<4*image_width-1; x++) { uint clr =image_data[(y/4)*image_width+(x/4)]; canvas.PixelSet(x,y,clr); } //--- bereit zum Zeichnen canvas.Update(true); return(true); }
Danke! Verkleinert um einen Faktor von zwei an jeder Koordinate, um das richtige Bild wie das Original zu erhalten.
Ich dachte, dass float16/32 mit dieser Transformation nahe an das Original herankommen würde. Aber sie sind spürbar besser! D.h. UpScale+DownScale >> Original.
ZY Überrascht. Es scheint sinnvoll, alle alten Bilder/Videos durch ein solches onnx-Modell laufen zu lassen.
Wenn dem onnx-Modell dieselben Daten eingegeben werden, ist dann die Ausgabe immer dieselbe?
Gibt es ein Zufallselement im onnx-Modell?
Wenn das onnx-Modell mit den gleichen Daten als Eingabe gefüttert wird, aber die Ausgabe immer das gleiche Ergebnis hat?
Gibt es ein Zufallselement im onnx-Modell?
Im Allgemeinen hängt es davon ab, welche Operatoren innerhalb des ONNX-Modells verwendet werden.
Bei diesem Modell sollte das Ergebnis dasselbe sein, da es deterministische Operationen enthält (insgesamt 1195)
- Hinzufügen (93)
- Auswerfen (8)
- Zusammenfügen (276)
- Konstante (94)
- Konv (351)
- LeakyRelu (279)
- Mul (92)
- Größe ändern (2).
Примеры чисел половинной точности
In diesen Beispielen werden Fließkommazahlen in Binärform dargestellt. Sie enthalten das Vorzeichenbit, den Exponenten und die Mantisse.
0 01111 0000000000 = +1 *215-15 = 1
0 01111 0000000001 = +1.0000000001 2 *215-15=1+ 2-10 = 1.0009765625 (die nächsthöhere Zahl nach 1)
D.h. für Zahlen mit 5 Dezimalstellen (die meisten Währungen) kann nach 1,00000 nur noch 1,00098 verwendet werden.
Cool! Aber nicht für den Handel und die Arbeit mit Kursen.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Arbeiten mit ONNX-Modellen in den Datenformaten float16 und float8 :
Die Datenformate, die zur Darstellung von Modellen des maschinellen Lernens verwendet werden, spielen eine entscheidende Rolle für deren Effektivität. In den letzten Jahren sind mehrere neue Datentypen aufgetaucht, die speziell für die Arbeit mit Deep-Learning-Modellen entwickelt wurden. In diesem Artikel werden wir uns auf zwei neue Datenformate konzentrieren, die sich in modernen Modellen durchgesetzt haben.
In diesem Artikel werden wir uns auf zwei dieser neuen Datenformate konzentrieren - float16 und float8, die allmählich aktiv in modernen ONNX-Modellen verwendet werden. Diese Formate sind eine Alternative zu den präziseren, aber ressourcenintensiven Fließkommadatenformaten. Sie bieten ein optimales Gleichgewicht zwischen Leistung und Genauigkeit, was sie für verschiedene Aufgaben des maschinellen Lernens besonders attraktiv macht. Wir werden die wichtigsten Eigenschaften und Vorteile der Formate float16 und float8 kennenlernen und Funktionen für die Konvertierung in die Standardformate float und double vorstellen.
Dies wird Entwicklern und Forschern helfen, besser zu verstehen, wie sie diese Formate in ihren Projekten und Modellen effektiv nutzen können. Als Beispiel wird die Funktionsweise des ESRGAN ONNX-Modells untersucht, das zur Verbesserung der Bildqualität eingesetzt wird.
Autor: MetaQuotes