這個介面類允許構建新的層——它們是網路的基本組成單元。更多...

#include <opencv2/dnn/dnn.hpp>

cv::dnn::Layer 的協作圖

公共成員函式
	Layer ()

	Layer (const LayerParams &params)
	僅初始化 name、type 和 blobs 欄位。

virtual	~Layer ()

virtual void	applyHalideScheduler (Ptr< BackendNode > &node, const std::vector< Mat * > &inputs, const std::vector< Mat > &outputs, int targetId) const
	基於層超引數的 Halide 自動排程。

virtual void	finalize (const std::vector< Mat * > &input, std::vector< Mat > &output)
	根據輸入、輸出和blobs計算並設定內部引數。

std::vector< Mat >	finalize (const std::vector< Mat > &inputs)
	這是一個過載成員函式，為方便起見提供。它與上述函式的區別僅在於接受的引數。

void	finalize (const std::vector< Mat > &inputs, std::vector< Mat > &outputs)
	這是一個過載成員函式，為方便起見提供。它與上述函式的區別僅在於接受的引數。

virtual void	finalize (InputArrayOfArrays inputs, OutputArrayOfArrays outputs)
	根據輸入、輸出和blobs計算並設定內部引數。

virtual void	forward (InputArrayOfArrays inputs, OutputArrayOfArrays outputs, OutputArrayOfArrays internals)
	給定 `input` blobs，計算輸出 `blobs`。

virtual void	forward (std::vector< Mat * > &input, std::vector< Mat > &output, std::vector< Mat > &internals)
	給定 `input` blobs，計算輸出 `blobs`。

void	forward_fallback (InputArrayOfArrays inputs, OutputArrayOfArrays outputs, OutputArrayOfArrays internals)
	給定 `input` blobs，計算輸出 `blobs`。

virtual int64	getFLOPS (const std::vector< MatShape > &inputs, const std::vector< MatShape > &outputs) const

virtual bool	getMemoryShapes (const std::vector< MatShape > &inputs, const int requiredOutputs, std::vector< MatShape > &outputs, std::vector< MatShape > &internals) const

virtual void	getScaleShift (Mat &scale, Mat &shift) const
	返回具有通道乘法和加法操作的層的引數。

virtual void	getScaleZeropoint (float &scale, int &zeropoint) const
	返回層的縮放和零點。

virtual Ptr< BackendNode >	initCann (const std::vector< Ptr< BackendWrapper > > &inputs, const std::vector< Ptr< BackendWrapper > > &outputs, const std::vector< Ptr< BackendNode > > &nodes)
	返回一個 CANN 後端節點。

virtual Ptr< BackendNode >	initCUDA (void *context, const std::vector< Ptr< BackendWrapper > > &inputs, const std::vector< Ptr< BackendWrapper > > &outputs)
	返回一個 CUDA 後端節點。

virtual Ptr< BackendNode >	initHalide (const std::vector< Ptr< BackendWrapper > > &inputs)
	返回 Halide 後端節點。

virtual Ptr< BackendNode >	initNgraph (const std::vector< Ptr< BackendWrapper > > &inputs, const std::vector< Ptr< BackendNode > > &nodes)

virtual Ptr< BackendNode >	initTimVX (void *timVxInfo, const std::vector< Ptr< BackendWrapper > > &inputsWrapper, const std::vector< Ptr< BackendWrapper > > &outputsWrapper, bool isLast)
	返回一個 TimVX 後端節點。

virtual Ptr< BackendNode >	initVkCom (const std::vector< Ptr< BackendWrapper > > &inputs, std::vector< Ptr< BackendWrapper > > &outputs)

virtual Ptr< BackendNode >	initWebnn (const std::vector< Ptr< BackendWrapper > > &inputs, const std::vector< Ptr< BackendNode > > &nodes)

virtual int	inputNameToIndex (String inputName)
	返回輸入 blob 在輸入陣列中的索引。

virtual int	outputNameToIndex (const String &outputName)
	返回輸出 blob 在輸出陣列中的索引。

void	run (const std::vector< Mat > &inputs, std::vector< Mat > &outputs, std::vector< Mat > &internals)
	分配層並計算輸出。

virtual bool	setActivation (const Ptr< ActivationLayer > &layer)
	嘗試將後續啟用層附加到當前層，即在特定情況下進行層融合。

void	setParamsFrom (const LayerParams &params)
	僅初始化 name、type 和 blobs 欄位。

virtual bool	supportBackend (int backendId)
	詢問層是否支援特定的後端進行計算。

virtual Ptr< BackendNode >	tryAttach (const Ptr< BackendNode > &node)
	實現層融合。

virtual bool	tryFuse (Ptr< Layer > &top)
	嘗試將當前層與下一層融合。

virtual bool	tryQuantize (const std::vector< std::vector< float > > &scales, const std::vector< std::vector< int > > &zeropoints, LayerParams &params)
	嘗試對給定層進行量化，並計算定點實現所需的量化引數。

virtual void	unsetAttached ()
	“分離”所有附加到特定層的層。

virtual bool	updateMemoryShapes (const std::vector< MatShape > &inputs)

繼承自 cv::Algorithm 的公共成員函式
	Algorithm ()

virtual	~Algorithm ()

virtual void	clear ()
	清除演算法狀態。

virtual bool	empty () const
	如果 Algorithm 為空（例如，在最開始或讀取失敗後），則返回 true。

virtual String	getDefaultName () const

virtual void	read (const FileNode &fn)
	從檔案儲存中讀取演算法引數。

virtual void	save (const String &filename) const

void	write (const Ptr< FileStorage > &fs, const String &name=String()) const

virtual void	write (FileStorage &fs) const
	將演算法引數儲存到檔案儲存中。

void	write (FileStorage &fs, const String &name) const

公共屬性
std::vector< Mat >	blobs
	學到的引數列表必須儲存在此處，以便透過 Net::getParam() 讀取它們。

String	name
	層例項的名稱，可用於日誌記錄或其他內部目的。

int	preferableTarget
	層轉發的首選目標

String	type
	透過層工廠建立層時使用的型別名稱。

其他繼承成員
繼承自 cv::Algorithm 的靜態公共成員函式
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	從檔案中載入演算法。

template<typename _Tp >
static Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	從字串載入演算法。

template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	從檔案節點讀取演算法。

繼承自 cv::Algorithm 的保護成員函式
void	writeFormat (FileStorage &fs) const

詳細描述

這個介面類允許構建新的層——它們是網路的基本組成單元。

每個從 Layer 派生的類都必須實現 forward() 方法來計算輸出。此外，在使用新層構建網路之前，您必須使用 LayerFactory 宏之一註冊您的層。

建構函式 & 解構函式文件

◆ Layer() [1/2]

cv::dnn::Layer::Layer ( )

◆ Layer() [2/2]

cv::dnn::Layer::Layer ( const LayerParams & params )

顯式

僅初始化 name、type 和 blobs 欄位。

◆ ~Layer()

virtual cv::dnn::Layer::~Layer ( )

virtual

成員函式文件

◆ applyHalideScheduler()

virtual void cv::dnn::Layer::applyHalideScheduler	(	Ptr< BackendNode > &	node,
		const std::vector< Mat * > &	inputs,
		const std::vector< Mat > &	outputs,
		int	targetId ) const

virtual

基於層超引數的 Halide 自動排程。

引數

[輸入]	node	帶有Halide函式的後端節點。
[輸入]	inputs	將在前向呼叫中使用的blobs。
[輸入]	outputs	將在前向呼叫中使用的blobs。
[輸入]	targetId	目標識別符號

另請參見: BackendNode, Target

Layer 不使用自己的 Halide::Func 成員，因為我們可以應用層融合。在這種情況下，融合函式應該被排程。

◆ finalize() [1/4]

virtual void cv::dnn::Layer::finalize	(	const std::vector< Mat * > &	input,
		std::vector< Mat > &	output )

virtual

Python
	cv.dnn.Layer.finalize(	inputs[, outputs]	) ->	outputs

根據輸入、輸出和blobs計算並設定內部引數。

已棄用: 請改用 Layer::finalize(InputArrayOfArrays, OutputArrayOfArrays)

引數

[輸入]	input	已分配輸入blobs的向量
[輸出]	輸出	已分配輸出blobs的向量

此方法在網路為輸入和輸出blobs分配所有記憶體之後、推理之前呼叫。

◆ finalize() [2/4]

std::vector< Mat > cv::dnn::Layer::finalize ( const std::vector< Mat > & inputs )

Python
	cv.dnn.Layer.finalize(	inputs[, outputs]	) ->	outputs

這是一個過載成員函式，為方便起見提供。它與上述函式的區別僅在於接受的引數。

已棄用: 請改用 Layer::finalize(InputArrayOfArrays, OutputArrayOfArrays)

◆ finalize() [3/4]

void cv::dnn::Layer::finalize	(	const std::vector< Mat > &	inputs,
		std::vector< Mat > &	outputs )

Python
	cv.dnn.Layer.finalize(	inputs[, outputs]	) ->	outputs

這是一個過載成員函式，為方便起見提供。它與上述函式的區別僅在於接受的引數。

已棄用: 請改用 Layer::finalize(InputArrayOfArrays, OutputArrayOfArrays)

◆ finalize() [4/4]

virtual void cv::dnn::Layer::finalize	(	InputArrayOfArrays	inputs,
		OutputArrayOfArrays	outputs )

virtual

Python
	cv.dnn.Layer.finalize(	inputs[, outputs]	) ->	outputs

根據輸入、輸出和blobs計算並設定內部引數。

引數

[輸入]	inputs	已分配輸入blobs的向量
[輸出]	outputs	已分配輸出blobs的向量

此方法在網路為輸入和輸出blobs分配所有記憶體之後、推理之前呼叫。

◆ forward() [1/2]

virtual void cv::dnn::Layer::forward	(	InputArrayOfArrays	inputs,
		OutputArrayOfArrays	outputs,
		OutputArrayOfArrays	internals )

virtual

給定 input blobs，計算輸出 blobs。

引數

[輸入]	inputs	輸入blobs。
[輸出]	outputs	已分配的輸出blobs，將儲存計算結果。
[輸出]	內部	已分配的內部blobs

◆ forward() [2/2]

virtual void cv::dnn::Layer::forward	(	std::vector< Mat * > &	input,
		std::vector< Mat > &	輸出,
		std::vector< Mat > &	internals )

virtual

給定 input blobs，計算輸出 blobs。

已棄用: 請改用 Layer::forward(InputArrayOfArrays, OutputArrayOfArrays, OutputArrayOfArrays)

引數

[輸入]	input	輸入blobs。
[輸出]	輸出	已分配的輸出blobs，將儲存計算結果。
[輸出]	內部	已分配的內部blobs

◆ forward_fallback()

void cv::dnn::Layer::forward_fallback	(	InputArrayOfArrays	inputs,
		OutputArrayOfArrays	outputs,
		OutputArrayOfArrays	internals )

給定 input blobs，計算輸出 blobs。

引數

[輸入]	inputs	輸入blobs。
[輸出]	outputs	已分配的輸出blobs，將儲存計算結果。
[輸出]	內部	已分配的內部blobs

◆ getFLOPS()

virtual int64 cv::dnn::Layer::getFLOPS	(	const std::vector< MatShape > &	inputs,
		const std::vector< MatShape > &	outputs ) const

inlinevirtual

◆ getMemoryShapes()

virtual bool cv::dnn::Layer::getMemoryShapes	(	const std::vector< MatShape > &	inputs,
		const int	所需輸出,
		std::vector< MatShape > &	outputs,
		std::vector< MatShape > &	internals ) const

virtual

◆ getScaleShift()

virtual void cv::dnn::Layer::getScaleShift	(	Mat &	scale,
		Mat &	shift ) const

virtual

返回具有通道乘法和加法操作的層的引數。

引數

[輸出]	scale	通道乘數。總值數應等於通道數。
[輸出]	移位 (shift)	通道偏移量。總值數應等於通道數。

有些層可以將其變換與後續層融合。例如，卷積+批歸一化。這樣，基礎層使用其後層的權重。融合層被跳過。預設情況下，scale 和 shift 為空，表示該層沒有逐元素乘法或加法。

◆ getScaleZeropoint()

virtual void cv::dnn::Layer::getScaleZeropoint	(	float &	scale,
		int &	zeropoint ) const

virtual

返回層的縮放和零點。

引數

[輸出]	scale	輸出縮放
[輸出]	zeropoint	輸出零點

預設情況下，scale 為 1，zeropoint 為 0。

◆ initCann()

virtual Ptr< BackendNode > cv::dnn::Layer::initCann	(	const std::vector< Ptr< BackendWrapper > > &	inputs,
		const std::vector< Ptr< BackendWrapper > > &	outputs,
		const std::vector< Ptr< BackendNode > > &	nodes )

virtual

返回一個 CANN 後端節點。

引數

inputs	CANN運算元的輸入張量
outputs	CANN運算元的輸出張量
nodes	輸入張量的節點

◆ initCUDA()

virtual Ptr< BackendNode > cv::dnn::Layer::initCUDA	(	void *	context,
		const std::vector< Ptr< BackendWrapper > > &	inputs,
		const std::vector< Ptr< BackendWrapper > > &	outputs )

virtual

返回一個 CUDA 後端節點。

引數

context	指向CSLContext物件的void指標
inputs	層輸入
outputs	層輸出

◆ initHalide()

virtual Ptr< BackendNode > cv::dnn::Layer::initHalide ( const std::vector< Ptr< BackendWrapper > > & inputs )

virtual

返回 Halide 後端節點。

引數

[輸入] inputs 輸入Halide緩衝區。

另請參見: BackendNode, BackendWrapper

輸入緩衝區應與前向呼叫中使用的完全相同。儘管我們可以僅根據輸入形狀使用Halide::ImageParam，但這有助於防止一些記憶體管理問題（如果出現錯誤，Halide測試將會失敗）。

◆ initNgraph()

virtual Ptr< BackendNode > cv::dnn::Layer::initNgraph	(	const std::vector< Ptr< BackendWrapper > > &	inputs,
		const std::vector< Ptr< BackendNode > > &	nodes )

virtual

◆ initTimVX()

virtual Ptr< BackendNode > cv::dnn::Layer::initTimVX	(	void *	timVxInfo,
		const std::vector< Ptr< BackendWrapper > > &	inputsWrapper,
		const std::vector< Ptr< BackendWrapper > > &	outputsWrapper,
		bool	isLast )

virtual

返回一個 TimVX 後端節點。

引數

timVxInfo	指向CSLContext物件的void指標
inputsWrapper	層輸入
outputsWrapper	層輸出
isLast	如果該節點是TimVX圖中的最後一個節點。

◆ initVkCom()

virtual Ptr< BackendWrapper > cv::dnn::Layer::initVkCom	(	const std::vector< Ptr< BackendWrapper > > &	inputs,
		std::vector< Ptr< BackendWrapper > > &	outputs )

virtual

◆ initWebnn()

virtual Ptr< BackendNode > cv::dnn::Layer::initWebnn	(	const std::vector< Ptr< BackendWrapper > > &	inputs,
		const std::vector< Ptr< BackendNode > > &	nodes )

virtual

◆ inputNameToIndex()

virtual int cv::dnn::Layer::inputNameToIndex ( String inputName )

virtual

返回輸入 blob 在輸入陣列中的索引。

引數

inputName 輸入 blob 的標籤

每個層的輸入和輸出都可以被標記，以便使用“%[.output_name]”符號輕鬆識別它們。此方法將輸入blob的標籤對映到其在輸入向量中的索引。

在 cv::dnn::LSTMLayer 中重新實現。

◆ outputNameToIndex()

virtual int cv::dnn::Layer::outputNameToIndex ( const String & outputName )

virtual

Python
	cv.dnn.Layer.outputNameToIndex(	outputName	) ->	retval

返回輸出 blob 在輸出陣列中的索引。

另請參見: inputNameToIndex()

在 cv::dnn::LSTMLayer 中重新實現。

◆ run()

void cv::dnn::Layer::run	(	const std::vector< Mat > &	inputs,
		std::vector< Mat > &	outputs,
		std::vector< Mat > &	internals )

Python
	cv.dnn.Layer.run(	inputs, internals[, outputs]	) ->	outputs, internals

分配層並計算輸出。

已棄用: 此方法將在未來版本中刪除。

◆ setActivation()

virtual bool cv::dnn::Layer::setActivation ( const Ptr< ActivationLayer > & layer )

virtual

嘗試將後續啟用層附加到當前層，即在特定情況下進行層融合。

引數

[輸入] layer 後續的啟用層。

如果啟用層已成功附加，則返回 true。

◆ setParamsFrom()

void cv::dnn::Layer::setParamsFrom ( const LayerParams & params )

僅初始化 name、type 和 blobs 欄位。

◆ supportBackend()

virtual bool cv::dnn::Layer::supportBackend ( int backendId )

virtual

詢問層是否支援特定的後端進行計算。

引數

[輸入] backendId 計算後端識別符號。

另請參見: Backend

◆ tryAttach()

virtual Ptr< BackendNode > cv::dnn::Layer::tryAttach ( const Ptr< BackendNode > & node )

virtual

實現層融合。

引數

[輸入] node 底層後端節點。

另請參見: BackendNode

適用於基於圖的後端。如果層成功附加，則返回非空的 cv::Ptr 指向同一後端節點。僅在最後一個函式上進行融合。

◆ tryFuse()

virtual bool cv::dnn::Layer::tryFuse ( Ptr< Layer > & top )

virtual

嘗試將當前層與下一層融合。

引數

[輸入] top 要融合的下一層。

返回: 如果已執行融合，則為 True。

◆ tryQuantize()

virtual bool cv::dnn::Layer::tryQuantize	(	const std::vector< std::vector< float > > &	scales,
		const std::vector< std::vector< int > > &	zeropoints,
		LayerParams &	params )

virtual

嘗試對給定層進行量化，並計算定點實現所需的量化引數。

引數

[輸入]	scales	輸入和輸出縮放。
[輸入]	zeropoints	輸入和輸出零點。
[輸出]	params	該層定點實現所需的量化引數。

返回: 如果層可以量化，則為 True。

◆ unsetAttached()

virtual void cv::dnn::Layer::unsetAttached ( )

virtual

“分離”所有附加到特定層的層。

◆ updateMemoryShapes()

virtual bool cv::dnn::Layer::updateMemoryShapes ( const std::vector< MatShape > & inputs )

virtual

成員資料文件

◆ blobs

std::vector<Mat> cv::dnn::Layer::blobs

學到的引數列表必須儲存在此處，以便透過 Net::getParam() 讀取它們。

◆ name

String cv::dnn::Layer::name

層例項的名稱，可用於日誌記錄或其他內部目的。

◆ preferableTarget

int cv::dnn::Layer::preferableTarget

層轉發的首選目標

◆ type

String cv::dnn::Layer::type

透過層工廠建立層時使用的型別名稱。

此類的文件生成自以下檔案

opencv2/dnn/dnn.hpp

公共成員函式

公共屬性

其他繼承成員

詳細描述

建構函式 & 解構函式文件

◆ Layer() [1/2]

◆ Layer() [2/2]

◆ ~Layer()

成員函式文件

◆ applyHalideScheduler()

◆ finalize() [1/4]

◆ finalize() [2/4]

◆ finalize() [3/4]

◆ finalize() [4/4]

◆ forward() [1/2]

◆ forward() [2/2]

◆ forward_fallback()

◆ getFLOPS()

◆ getMemoryShapes()

◆ getScaleShift()

◆ getScaleZeropoint()

◆ initCann()

◆ initCUDA()

◆ initHalide()

◆ initNgraph()

◆ initTimVX()

◆ initVkCom()

◆ initWebnn()

◆ inputNameToIndex()

◆ outputNameToIndex()

◆ run()

◆ setActivation()

◆ setParamsFrom()

◆ supportBackend()

◆ tryAttach()

◆ tryFuse()

◆ tryQuantize()

◆ unsetAttached()

◆ updateMemoryShapes()

成員資料文件

◆ blobs

◆ name

◆ preferableTarget

◆ type