Api 免费Api接口汇总

但是找了半天没找到Hyper-V这个选项，查了VMware Workstation 与 Device/Credential Guard 不兼容。在禁用 Device/Credential Guard 后，可以运行 VMware
第二步需要用到的禁用Device Guard：[win+R] 打开输入 gpedit.msc ，依次本地计算机策略 –> 计算机配置 –> 管理模板>系统 –> Device Guard，将基于虚拟化的安全设置设置为 “已禁用”。

方法二：
1、按下WIN+R打开运行，然后输入services.msc回车；
2、在服务中找到 HV主机服务，双击打开设置为禁用
3、win+x，然后打开powershell（管理员）运行命令bcdedit /set hypervisorlaunchtype off。
4、重启电脑，大功告成。

其他解决办法

解决办法参考地址：
https://blog.csdn.net/qq_35812205/article/details/121050789

Python Python基本命令数组的一些操作

发表于 2023-05-22

字数统计: 1,581 字 | 阅读时长 ≈ 7 min

环境

window10
python = 3.7

命令

reshape 将数组转换为二维数组

# 导入需要用到的package
import numpy as np
import json

# 假设 data 是一维数组
datatest = np.array([4, 3, 2, 5, 1,6]) 
# 如果 data 有一个特征，可以使用 reshape(-1, 1) 将其转换为二维数组
data_2d1 = datatest.reshape(-1, 1)
print("#################### data_2d1 ####################")
print(data_2d1)
# 如果 data 只有一个样本，可以使用 reshape(1, -1) 将其转换为二维数组
data_2d2 = datatest.reshape(1, -1) 
print("#################### data_2d2 ####################")
print(data_2d2)
# 想获得，两个样本，每个样本三个数据，可以使用 reshape(2, 3) 将其转换为二维数组
data_2d3 = datatest.reshape(2, 3)
print("#################### data_2d3 ####################")
print(data_2d3)
# 想获得，三个样本，每个样本俩个数据，可可以使用 reshape(3,2) 将其转换为二维数组
data_2d4 = datatest.reshape(3,2)
print("#################### data_2d4 ####################")
print(data_2d4)

输出如下

#################### data_2d1 ####################
[[4]
 [3]
 [2]
 [5]
 [1]
 [6]]
#################### data_2d2 ####################
[[4 3 2 5 1 6]]
#################### data_2d3 ####################
[[4 3 2]
 [5 1 6]]
#################### data_2d4 ####################
[[4 3]
 [2 5]
 [1 6]]

max(axis=0)和min(axis=0) 获得二维数组中，样本的最大值和最小值，

# 导入需要用到的package
import numpy as np
import json

# 假设 data 是二维数组 
datatest2 = np.array([[4,3],[2,5],[1,6]]) 

maximums1, minimums1 = datatest2.max(axis=0), datatest2.min(axis=0)

print("#################### maximums1 ####################")
print(maximums1)
print("#################### minimums1 ####################")
print(minimums1)

``` 
输出为

#################### maximums1 ####################
[4 6]
#################### minimums1 ####################
[1 3]



#### 数组内冒号的用法
 
##### 数组内单冒号的用法 [:]
``` 
# 导入需要用到的package
import numpy as np
import json

# 假设 data 是一维数组，其长度为 n
datatest = np.array([4, 3, 2, 5, 1,6]) 

#数字在前，且为正整数，一个冒号在后，则是表示，取以左侧数字为数组下标以及以后的数字（包含下标）
dataMh1 = datatest[1:]
print("#################### dataMh1 ####################")
print(dataMh1)
#一个冒号在后，数字在后，且为正整数，则是表示，取以右侧侧数字为数组下标以及以前的数字（不包含下标）
dataMh2 = datatest[:3]
print("#################### dataMh2 ####################")
print(dataMh2)
#数字在前，且为负整数，一个冒号在后，则是表示，取以数组长度加数字（负数数字）右侧数字为数组下标以及以后的数字（包含下标） 6 +（-1）=5 即 datatest[-1:] = datatest[5:]
dataMh3 = datatest[-1:]
dataMh33 = datatest[5:]
print("#################### dataMh3 ####################")
print(dataMh3)
print(dataMh33)
#一个冒号在后，数字在后，且为负整数，则是表示，取以数组长度加数字（负数数字）右侧数字为数组下标以及以前的数字（包含下标） 6 +（-1）=5 即 datatest[:-1] = datatest[:5]
dataMh4 = datatest[:-1]
dataMh44 = datatest[:5]
print("#################### dataMh4 ####################")
print(dataMh4)
print(dataMh44)

#################### dataMh1 ####################
[3 2 5 1 6]
#################### dataMh2 ####################
[4 3 2]
#################### dataMh3 ####################
[6]
[6]
#################### dataMh4 ####################
[4 3 2 5 1]
[4 3 2 5 1]

数组内双冒号的用法 [::]

# 导入需要用到的package
import numpy as np
import json

# 假设 data 是一维数组 
datatest = np.array([4, 3, 2, 5, 1,6]) 

# 两个冒号在前，一个正整数数字在后，取数组，每一个下标为该数字倍数的数组，组成新的数组 （第一个数下表为0 也包含）
data2Mh1 = datatest[::1]
print("#################### data2Mh1 ####################")
print(data2Mh1)
# 两个冒号在前，一个正整数数字在后，取数组，每一个下标为该数字倍数的数组，组成新的数组 （第一个数下表为0 也包含）
data2Mh2 = datatest[::2]
print("#################### data2Mh2 ####################")
print(data2Mh2)
#两个冒号在后，一个正整数数字在后，取以左侧数字为数组下标以及以后的数字（包含下标）
data2Mh3 = datatest[1::]
print("#################### data2Mh3 ####################")
print(data2Mh3)
#两个冒号在后，一个正整数数字在后，取以左侧数字为数组下标以及以后的数字（包含下标）
data2Mh4 = datatest[2::]
print("#################### data2Mh4 ####################")
print(data2Mh4)

#两个冒号在后，一个负整数数字在后，先将数组数据倒叙排列，每一个下标为该数字倍数的数组，组成新的数组 （第一个数下表为0 也包含）
data2Mh5 = datatest[::-1]
print("#################### data2Mh5 ####################")
print(data2Mh5)
#两个冒号在后，一个负整数数字在后，先将数组数据倒叙排列，每一个下标为该数字倍数的数组，组成新的数组 （第一个数下表为0 也包含）
data2Mh6 = datatest[::-2]
print("#################### data2Mh6 ####################")
print(data2Mh6)
##数字在前，且为负整数，两个冒号在后，则是表示，取以数组长度加数字（负数数字）右侧数字为数组下标以及以后的数字（包含下标） 6 +（-1）=5 即 datatest[-1::] = datatest[5:]
data2Mh7 = datatest[-1::]
data2Mh77 = datatest[5:]
print("#################### data2Mh7 ####################")
print(data2Mh7)
print(data2Mh77)
##数字在前，且为负整数，两个冒号在后，则是表示，取以数组长度加数字（负数数字）右侧数字为数组下标以及以后的数字（包含下标） 6 +（-2）=4 即 datatest[-2::] = datatest[4:]
data2Mh8 = datatest[-2::]
data2Mh88 = datatest[4:]
print("#################### data2Mh8 ####################")
print(data2Mh8)
print(data2Mh88)

输出

#################### data2Mh1 ####################
[4 3 2 5 1 6]
#################### data2Mh2 ####################
[4 2 1]
#################### data2Mh3 ####################
[3 2 5 1 6]
#################### data2Mh4 ####################
[2 5 1 6]
#################### data2Mh5 ####################
[6 1 5 2 3 4]
#################### data2Mh6 ####################
[6 5 3]
#################### data2Mh7 ####################
[6]
[6]
#################### data2Mh8 ####################
[1 6]
[1 6]

二维数组数组内双冒号的用法 [1:,1:]

逗号前的为对一维数组操作
逗号后的为对二位数组操作

# 导入需要用到的package
import numpy as np
import json

# 假设 data 是二维数组 
datatest3 = np.array([[4,3],[2,5],[1,6]]) 

data2data = datatest3[1:,1:]
print("#################### data2data ####################")
print(data2data)

输出为

1
2
3

#################### data2data ####################
[[5]
 [6]]

dot 数组相乘

# 导入需要用到的package
import numpy as np
import json
print("#################### dot ####################")

# 等于 3*2+1*1+1*1+1*1+1*1 = 10
a = np.array([3, 1, 1, 1, 1])
b = np.array([2, 1, 1, 1, 1])
print(np.dot(a, b))
``` 
输出为

#################### dot ####################
10

```

Python Vscode中开发python时pylance误报错误

发表于 2023-05-21

字数统计: 264 字 | 阅读时长 ≈ 1 min

报错

代码

# 静态图导出的ONNX模型测试
import time
import paddle
import numpy as np 
from paddle.vision.transforms import Compose, Normalize
from paddle.metric import Accuracy
from onnxruntime import InferenceSession
import cv2

# 加载ONNX模型
model = InferenceSession('./testfive/onnxSave/linear_net.onnx')
#model = InferenceSession('./testfive/onnx/test.onnx')
  
#model.eval() # 设置为预测模型

# 使用transform对数据集做归一化
transform = Compose([Normalize(mean=[127.5], std=[127.5], data_format='CHW')])
test_dataset = paddle.vision.datasets.MNIST(mode='test',  transform=transform)
# train_dataset = paddle.vision.datasets.MNIST(mode='train',  transform=transform)

报错

1	"vision" is not a known member of modulePylancereportGeneralTypeIssues

解决

在vscode的settings.json文件中添加以下内容

1	"python.analysis.diagnosticSeverityOverrides": {"reportGeneralTypeIssues":"none"},

在vscode的settings.json文件中添加以下内容

"python.linting.pylintArgs": ["--generate-members"],

参考地址：
https://www.jianshu.com/p/89dbf4946adf

https://blog.csdn.net/weixin_44479045/article/details/106324096

Python Paddlepaddle模型转onnx模型并验证

发表于 2023-05-20

字数统计: 680 字 | 阅读时长 ≈ 3 min

代码方式转化

注意定义输入个数据格式地方，InputSpec([1, 1, 28, 28], ‘float32’, ‘x’) ，此处按照实际情况编写，和后面的使用的输入要保持一致

import os
import time
import paddle
from paddle.static import InputSpec

model = paddle.jit.load("./testfive/mnist_checkpoint/test")
model.eval() # 设置为预测模型

# 将模型设置为评估状态
model.eval()

# 定义输入数据

#x_spec = InputSpec([None, 784], 'float32', 'x')
x_spec = InputSpec([1, 1, 28, 28], 'float32', 'x')
# ONNX模型导出
paddle.onnx.export(model, './testfive/onnxSave/linear_net',input_spec=[x_spec])

输出


[INFO]      Static PaddlePaddle model saved in ./testfive/onnx.save\paddle_model_static_onnx_temp_dir.
[Paddle2ONNX] Start to parse PaddlePaddle model...
[Paddle2ONNX] Model file path: ./testfive/onnx.save\paddle_model_static_onnx_temp_dir\model.pdmodel
[Paddle2ONNX] Paramters file path: ./testfive/onnx.save\paddle_model_static_onnx_temp_dir\model.pdiparams
[Paddle2ONNX] Start to parsing Paddle model...
[Paddle2ONNX] Use opset_version = 9 for ONNX export.
[Paddle2ONNX] PaddlePaddle model is exported as ONNX format now.
[INFO]      ONNX model saved in ./testfive/onnx.save/linear_net.onnx.

保存文件的地址

1	D:\vsCodeWorkspace\pythonpaddleNumber\testfive\onnxSave\linear_net.onnx

模型验证

# 导入 ONNX 库
import onnx
# 载入 ONNX 模型
#onnx_model = onnx.load("./testfive/onnx/test.onnx")
onnx_model = onnx.load("./testfive/onnxSave/linear_net.onnx")

# 使用 ONNX 库检查 ONNX 模型是否合理
onnx.checker.check_model(onnx_model)
 
# onnx.checker.check_model 不报错则证明onnx 网格没问题

运行之后 onnx.checker.check_model 不报错则证明没有任何问题

模型使用

# 静态图导出的ONNX模型测试
import time
import paddle
import numpy as np 
from paddle.vision.transforms import Compose, Normalize
from paddle.metric import Accuracy
from onnxruntime import InferenceSession
import cv2

# 加载ONNX模型
model = InferenceSession('./testfive/onnxSave/linear_net.onnx')
#model = InferenceSession('./testfive/onnx/test.onnx')
  
#model.eval() # 设置为预测模型 

# 使用transform对数据集做归一化
transform = Compose([Normalize(mean=[127.5], std=[127.5], data_format='CHW')])
test_dataset = paddle.vision.datasets.MNIST(mode='test',  transform=transform)
# train_dataset = paddle.vision.datasets.MNIST(mode='train',  transform=transform)
 
img1,label1 = test_dataset[0];

x = np.array([img1])
print(x.shape) 

print("x---------------------------------------------")
#print(x)
#pre = model.run(output_names=None, input_feed={'inputs': img1})
pre = model.run(output_names=None, input_feed={'x': x})
print("预测数字：", np.argmax(pre))     # 输出预测数字

print("真实数字：", label1) # 输出真实数字

注意 x.shape 必须为上述要求的输入格式，不然会有下面的报错

1 2	INVALID_ARGUMENT : Invalid rank for input: modelInput Got: 3 Expected: 4 Please fix either the inputs or the model

输出

[W:onnxruntime:, graph.cc:108 onnxruntime::MergeShapeInfo] Error merging shape info for output. 'translated_layer/scale_0.tmp_1' source:{1,10} target:{64,10}. Falling back to lenient merge.
x1---------------------------------------------
(1, 1, 28, 28)
x---------------------------------------------
预测数字： 7
真实数字： [7]

Python Paddlepaddle模型转onnx模型

发表于 2023-05-19

字数统计: 1,031 字 | 阅读时长 ≈ 5 min

环境准备

python3.7
paddlepaddle
paddle2onnx

安装paddle2onnx

1	pip install paddle2onnx

命令行转化

准备好 paddlepaddle 训练好的模型文件

1
2
3

D:\vsCodeWorkspace\python20230512paddleNumber\testfive\mnist_checkpoint\test.pdiparams
D:\vsCodeWorkspace\python20230512paddleNumber\testfive\mnist_checkpoint\test.pdiparams.info
D:\vsCodeWorkspace\python20230512paddleNumber\testfive\mnist_checkpoint\test.pdmodel

执行命令

paddle2onnx  --model_dir D:\vsCodeWorkspace\python20230512paddleNumber\testfive\mnist_checkpoint --model_filename test.pdmodel --params_filename test.pdiparams --opset_version 11 --save_file ./onnx/test.onnx

注意 model_filename 和 params_filename 虽标注为可选项，但实际测试中发现若无此参数会报错

参数说明：
https://github.com/PaddlePaddle/Paddle2ONNX

参数	参数说明
–model_dir	配置包含 Paddle 模型的目录路径
–model_filename	[可选] 配置位于 `--model_dir` 下存储网络结构的文件名
–params_filename	[可选] 配置位于 `--model_dir` 下存储模型参数的文件名称
–save_file	指定转换后的模型保存目录路径
–opset_version	[可选] 配置转换为 ONNX 的 OpSet 版本，目前支持 7~16 等多个版本，默认为 9
–enable_dev_version	[可选] 是否使用新版本 Paddle2ONNX（推荐使用），默认为 True
–enable_onnx_checker	[可选] 配置是否检查导出为 ONNX 模型的正确性, 建议打开此开关，默认为 False
–enable_auto_update_opset	[可选] 是否开启 opset version 自动升级功能，当低版本 opset 无法转换时，自动选择更高版本的 opset进行转换，默认为 True
–deploy_backend	[可选] 量化模型部署的推理引擎，支持 onnxruntime、tensorrt 或 others，当选择 others 时，所有的量化信息存储于 max_range.txt 文件中，默认为 onnxruntime
–save_calibration_file	[可选] TensorRT 8.X版本部署量化模型需要读取的 cache 文件的保存路径，默认为 calibration.cache
–version	[可选] 查看 paddle2onnx 版本
–external_filename	[可选] 当导出的 ONNX 模型大于 2G 时，需要设置 external data 的存储路径，推荐设置为：external_data
–export_fp16_model	[可选] 是否将导出的 ONNX 的模型转换为 FP16 格式，并用 ONNXRuntime-GPU 加速推理，默认为 False
–custom_ops	[可选] 将 Paddle OP 导出为 ONNX 的 Custom OP，例如：–custom_ops ‘{“paddle_op”:”onnx_op”}，默认为 {}

使用 onnxruntime 验证转换模型, 请注意安装最新版本（最低要求 1.10.0）

执行结果如下

[Paddle2ONNX] Start to parse PaddlePaddle model...
[Paddle2ONNX] Model file path: D:\vsCodeWorkspace\python20230512paddleNumber\testfive\mnist_checkpoint\test.pdmodel
[Paddle2ONNX] Paramters file path: D:\vsCodeWorkspace\python20230512paddleNumber\testfive\mnist_checkpoint\test.pdiparams
[Paddle2ONNX] Start to parsing Paddle model...
[Paddle2ONNX] Use opset_version = 11 for ONNX export.
[Paddle2ONNX] PaddlePaddle model is exported as ONNX format now.
[INFO]      ===============Make PaddlePaddle Better!================
[INFO]      A little survey: https://iwenjuan.baidu.com/?code=r8hu2s

获得onnx 的输出文件

1	D:\vsCodeWorkspace\python20230512paddleNumber\testfive\onnx\test.onnx

代码方式转化

import os
import time
import paddle
from paddle.static import InputSpec

model = paddle.jit.load("./testfive/mnist_checkpoint/test")
model.eval() # 设置为预测模型

# 将模型设置为评估状态
model.eval()

# 定义输入数据
 
x_spec = InputSpec([None, 784], 'float32', 'x')
# ONNX模型导出
paddle.onnx.export(model, './testfive/onnxSave/linear_net',input_spec=[x_spec])

输出


[INFO]      Static PaddlePaddle model saved in ./testfive/onnx.save\paddle_model_static_onnx_temp_dir.
[Paddle2ONNX] Start to parse PaddlePaddle model...
[Paddle2ONNX] Model file path: ./testfive/onnx.save\paddle_model_static_onnx_temp_dir\model.pdmodel
[Paddle2ONNX] Paramters file path: ./testfive/onnx.save\paddle_model_static_onnx_temp_dir\model.pdiparams
[Paddle2ONNX] Start to parsing Paddle model...
[Paddle2ONNX] Use opset_version = 9 for ONNX export.
[Paddle2ONNX] PaddlePaddle model is exported as ONNX format now.
[INFO]      ONNX model saved in ./testfive/onnx.save/linear_net.onnx.

保存文件的地址

1	D:\vsCodeWorkspace\pythonpaddleNumber\testfive\onnxSave\linear_net.onnx

模型验证

# 导入 ONNX 库
import onnx
# 载入 ONNX 模型
#onnx_model = onnx.load("./testfive/onnx/test.onnx")
onnx_model = onnx.load("./testfive/onnxSave/linear_net.onnx")

# 使用 ONNX 库检查 ONNX 模型是否合理
onnx.checker.check_model(onnx_model)
 
# onnx.checker.check_model 不报错则证明onnx 网格没问题

运行之后 onnx.checker.check_model 不报错则证明没有任何问题

报错问题解决

问题1

将训练的模型转化为.onnx文件，然而，在模型验证的时候报错，错误如下：

1	ValidationError: Your model ir_version is higher than the checker's

解决问题1

原因：版本不匹配
需要升级一下onnx

1	pip install --upgrade onnx -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

升级之后就不会报错了。

继开

一辈子很短，努力的做好两件事就好：第一件事是热爱生活，好好的去爱身边的人；第二件事是努力学习，在工作中取得不一样的成绩，实现自己的价值，而不是仅仅为了赚钱。

RSS

gitee E-Mail