源码FDF互助循环游戏系统开发逻辑智能合约开发详情

源码FDF互助循环游戏系统开发（逻辑）丨智能合约（开发详情）
　　
　　人工智能是一门研究如何使机器能够智能地行动的学科，也是现代人工智能技术制造核心的技术之一。随着人工智能的发展，利用大数据和机器学习等技术，使制造过程更加智能化和自动化。例如，生产计划和调度等工作可以由机器自动完成，同时通过机器学习技术，制造过程中的一些异常情况也可以被及时识别和处理。void Calibration::_updateScale(){开发详情v；wwqqyy420
　　
　　for(const auto&op:_originaleModel->oplists){
　　
　　std::vector<std::string>::iterator iter=std::find(_skip_quant_ops.begin(),_skip_quant_ops.end(),op->name);
　　
　　if(iter!=_skip_quant_ops.end()){
　　
　　continue;
　　
　　}
　　
　　const auto opType=op->type;
　　
　　if(opType!=MNN::OpType_Convolution&&opType!=MNN::OpType_ConvolutionDepthwise&&
　　
　　opType!=MNN::OpType_Eltwise){
　　
　　continue;
　　
　　}
　　
　　auto tensorsPair=_opInfo.find(op->name);
　　
　　if(tensorsPair==_opInfo.end()){
　　
　　MNN_ERROR("Can't find tensors for%sn",op->name.c_str());
　　
　　if(opType==MNN::OpType_Eltwise){
　　
　　auto param=op->main.AsEltwise();
　　
　　//Now only support AddInt8
　　
　　if(param->type!=MNN::EltwiseType_SUM){
　　
　　continue;
　　
　　}
　　
　　const auto&inputScale0=_scales[tensorsPair->second.first[0]];
　　
　　const auto&inputScale1=_scales[tensorsPair->second.first[1]];
　　
　　const auto&outputScale=_scales[tensorsPair->second.second[0]];
　　
　　const int outputScaleSize=outputScale.size();
　　
　　std::vector<float>outputInvertScale(outputScaleSize);
　　
　　Helper::invertData(outputInvertScale.data(),outputScale.data(),outputScaleSize);
　　
　　op->type=MNN::OpType_EltwiseInt8;
　　
　　op->main.Reset();
　　
　　op->main.type=MNN::OpParameter_EltwiseInt8;
　　
　　auto eltwiseInt8Param=new MNN::EltwiseInt8T;
　　
　　auto input0ScaleParam=new MNN::QuantizedFloatParamT;
　　
　　auto input1ScaleParam=new MNN::QuantizedFloatParamT;
　　
　　auto outputScaleParam=new MNN::QuantizedFloatParamT;
　　
　　input0ScaleParam->tensorScale=inputScale0;
　　
　　input1ScaleParam->tensorScale=inputScale1;
　　
　　outputScaleParam->tensorScale=outputInvertScale;
　　
　　eltwiseInt8Param->inputQuan0=std::unique_ptr<MNN::QuantizedFloatParamT>(input0ScaleParam);
　　
　　eltwiseInt8Param->inputQuan1=std::unique_ptr<MNN::QuantizedFloatParamT>(input1ScaleParam);
　　
　　eltwiseInt8Param->outputQuan=std::unique_ptr<MNN::QuantizedFloatParamT>(outputScaleParam);
　　
　　op->main.value=eltwiseInt8Param;
　　
　　continue;
　　
　　}开发模式及分析：wwqqyy420
　　
　　//below is Conv/DepthwiseConv
　　
　　const auto&inputScale=_scales[tensorsPair->second.first[0]];
　　
　　const auto&outputScale=_scales[tensorsPair->second.second[0]];
　　
　　auto param=op->main.AsConvolution2D();
　　
　　const int channles=param->common->outputCount;
　　
　　const int weightSize=param->weight.size();
　　
　　param->symmetricQuan.reset(new MNN::QuantizedFloatParamT);
　　
　　//quantizedParam是param->symmetricQuan的引用
　　
　　auto&quantizedParam=param->symmetricQuan;
　　
　　quantizedParam->scale.resize(channles);
　　
　　quantizedParam->weight.resize(weightSize);
　　
　　quantizedParam->bias.resize(channles);
　　
　　if(opType==MNN::OpType_Convolution){
　　
　　QuantizeConvPerChannel(param->weight.data(),param->weight.size(),param->bias.data(),
　　
　　quantizedParam->weight.data(),quantizedParam->bias.data(),
　　
　　quantizedParam->scale.data(),inputScale,outputScale,_weightQuantizeMethod,_weightClampValue);
　　
　　op->type=MNN::OpType_ConvInt8;
　　
　　}else if(opType==MNN::OpType_ConvolutionDepthwise){
　　
　　QuantizeDepthwiseConv(param->weight.data(),param->weight.size(),param->bias.data(),
　　
　　quantizedParam->weight.data(),quantizedParam->bias.data(),
　　
　　quantizedParam->scale.data(),inputScale,outputScale,_weightQuantizeMethod,_weightClampValue);
　　
　　op->type=MNN::OpType_DepthwiseConvInt8;
　　
　　}
　　
　　if(param->common->relu6){
　　
　　param->common->relu=true;
　　
　　param->common->relu6=false;