获取卷积层参数的函数

用于预加载卷积层的参数

预加载卷积层参数的函数

真正推理时调用的函数，直接从 __global_params 中读取 weight 所在内存 该函数与 LoadCon2dWeightPreLoad 配合，一个完成数据加载到内存，一个完成数据从内存中读取数据 这样在真正推理时，就没有了 malloc 操作，仅仅需要从__global_params返

获取卷积层权重的函数

用于预加载卷积层的权重，调用LoadData将卷积层的weight加载到 __global_params 中

预加载卷积层权重的函数

加载指定卷积层的参数。 参数: name (str): 卷积层的名称，用于确定要读取的参数文件。 返回: list: 包含卷积参数的列表。

加载指定卷积层的权重。 参数: name (str): 卷积层的名称，用于确定要读取的权重文件。 返回: list: 包含卷积权重的列表。

平均池化操作

定义平均池化层函数，执行实际的计算操作

这段代码实现了一个批归一化（Batch Normalization）操作。 批归一化是深度学习中常用的一种技术，用于标准化神经网络层的输入，以加速训练过程并提高模型稳定性。 这个函数接收一张图像（img），图像的每个通道的均值（mean）、方差（var）、缩放因子（gamma）和偏置（bias） 然

批量归一化函数，执行实际的归一化操作

conv 计算在 preload 中，需要将正确的ho/wo参数计算出来，返回出去

定义预加载版本的 MyConv2d 函数，仅计算输出尺寸，不执行实际卷积运算

这段代码定义了一个自定义的全连接层（Fully Connected Layer，也称为密集层）函数 my_fc 它是神经网络中的一个常见算法。 my_fc 函数接收一个输入数组（img），该数组是前一层的输出，以及与每个神经元相关联的权重数组（weight）和偏置数组（bias）。 函数通过加权求和

定义全连接层函数，执行实际的计算操作

最大池化操作

定义最大池化层函数，执行实际的计算操作

预加载网络参数的函数

权值预加载主函数，调用的都是带 PreLoad 后缀的函数，区分不带PreLoad后缀的函数（用于推理计算）

对指定的图像文件进行预处理。 参数: filename (str): 图像文件的路径。 返回: numpy.ndarray: 预处理后的图像数据。

向图像中添加高斯噪声。 参数: image (numpy.ndarray): 原始图像。 mean (float): 高斯噪声的均值，默认为 0。 sigma (float): 高斯噪声的标准差，默认为 25。 返回: numpy.nda

向图像中添加椒盐噪声。 参数: image (numpy.ndarray): 原始图像。 salt_prob (float): 添加白色（盐）噪声的概率。 pepper_prob (float): 添加黑色（椒）噪声的概率。 返回: nu

定义一个函数，使用 AVX2 指令集对 __m256 类型的向量进行求和操作

使用 AVX2 指令集加速进行向量求和

计算平均池化层

计算平均池化层

计算全连接层

计算全连接层

计算最大池化层

计算最大池化层

生成高斯核。 参数: size (int): 高斯核的大小。 sigma (float): 高斯核的标准差。 返回: numpy.ndarray: 高斯核。

加载卷积层的参数

加载卷积层的参数

加载卷积层的权重

加载卷积层的权重

加载 imagenet 数据中的数据标签 比如标签为1，代表的图像时金鱼（goldfish, Carassius auratus） 共 1000 个分类标签

平均池化操作

平均池化操作

这段代码实现了一个批归一化（Batch Normalization）操作。 批归一化是深度学习中常用的一种技术，用于标准化神经网络层的输入，以加速训练过程并提高模型稳定性。 这个函数接收一张图像（img），图像的每个通道的均值（mean）、方差（var）、缩放因子（gamma）和偏置（bias） 然

这段代码实现了一个批归一化（Batch Normalization）操作。 批归一化是深度学习中常用的一种技术，用于标准化神经网络层的输入，以加速训练过程并提高模型稳定性。 这个函数接收一张图像（img），图像的每个通道的均值（mean）、方差（var）、缩放因子（gamma）和偏置（bias） 然

这段代码定义了一个自定义的二维卷积（convolution）函数 my_conv2d，该函数执行卷积操作，通常用于图像处理和神经网络中 my_conv2d 函数接收一张图像（img）和卷积核权重（weight），以及各种与卷积相关的参数，如输入输出尺寸、通道数、卷积核大小、步长和填充。 函数内部通过

这段代码定义了一个自定义的全连接层（Fully Connected Layer，也称为密集层）函数 my_fc 它是神经网络中的一个常见算法。 my_fc 函数接收一个输入数组（img），该数组是前一层的输出，以及与每个神经元相关联的权重数组（weight）和偏置数组（bias）。 函数通过加权求和

这段代码定义了一个自定义的全连接层（Fully Connected Layer，也称为密集层）函数 my_fc 它是神经网络中的一个常见算法。 my_fc 函数接收一个输入数组（img），该数组是前一层的输出，以及与每个神经元相关联的权重数组（weight）和偏置数组（bias）。 函数通过加权求和

最大池化操作

最大池化操作

绘制和可视化高斯核的二维和三维图像。 参数: kernel (numpy.ndarray): 要绘制的高斯核。

执行 ResNet 模型的前向传播。 参数: img (numpy.ndarray): 预处理后的输入图像。 返回: numpy.ndarray: 模型的输出。

保存批归一化层的参数到文本文件中。 参数: data (BatchNorm2d): PyTorch中的批归一化层对象。 file (str): 保存参数的文件名的基础部分。

保存卷积层的参数到文本文件中。 参数: data (Conv2d): PyTorch中的卷积层对象。 file (str): 保存参数的文件名的基础部分。

对图像进行批量归一化处理。 参数: img (numpy.ndarray): 输入图像。 mean (numpy.ndarray): 归一化处理所用的均值。 var (numpy.ndarray): 归一化处理所用的方差。 gamma (numpy

执行2D卷积操作。 参数: img (numpy.ndarray): 输入图像。 weight (list): 卷积核的权重。 hi, wi (int): 输入图像的高度和宽度。 ci, co (int): 输入和输出通道数。 kernel

执行2D卷积操作，使用优化技巧提高性能。 参数: 同 Conv2d 函数。 返回: numpy.ndarray: 卷积后的输出图像。

执行全连接层的计算。 参数: img (numpy.ndarray): 来自上一层的输入。 weight (list): 全连接层的权重。 bias (list): 全连接层的偏置。 返回: numpy.ndarray: 全连接层的输出。

使用优化版本执行全连接层的计算。 参数: 同 FullyConnect 函数。 返回: numpy.ndarray: 全连接层的输出。

定义预加载版本的平均池化层函数，此版本不执行任何操作

BN 层在 preLoad 中，无需做任何事情，直接返回相关的指针即可。

定义预加载版本的批量归一化函数，此版本不执行任何操作

全连接层在 preload 中，无需做任何事情，直接返回指针即可

定义预加载版本的全连接层函数，此版本不执行任何操作

池化层在 preload 过程中，无需做任何事情，直接返回指针即可

定义预加载版本的最大池化层函数，此版本不执行任何操作

可视化图像的不同通道。 参数: img (numpy.ndarray): 输入的多通道图像。