10黄页网站建设,江苏省两学一做网站,中国十大企业,最好装修公司排名目录 1、引言2、性能参数3、开箱体验4、实际使用5、性能比较总结参考文章 1、引言 第一次接触香橙派的开发板#xff0c;之前使用过Arduino、树莓派3B、树莓派4B#xff0c;STM32#xff0c;51单片机#xff0c;没有想到国产品牌性能一样强劲#xff0c;使用起来也是很方便… 目录 1、引言2、性能参数3、开箱体验4、实际使用5、性能比较总结参考文章 1、引言 第一次接触香橙派的开发板之前使用过Arduino、树莓派3B、树莓派4BSTM3251单片机没有想到国产品牌性能一样强劲使用起来也是很方便。香橙派是深圳市迅龙软件有限公司旗下开源产品品牌经查资料了解2014年发布了第一款开源产品主打的是超高性价比和优异的使用体验到现在也迭代了30多代产品在一众开发板厂商中是比较优质的存在。本文旨在从性能参数、使用体验上综合给出个人的看法和评价希望能够给大家带来帮助。
2、性能参数 下面列举了部分比较重要的参数具体配置需要去官网查看。香橙派官方页面
部件详细参数昇腾AI处理器4核64位Arm处理器AI处理器AI算力半精度FP164 TFLOPS、整数精度INT88TOPS内存LPDDR4X 可选8GB或16GBWi-Fi蓝牙支持2.4G和5G双频WIFI摄像头2个MIPI CSI 2 Lane接口显示2个HDMI接口1个MIPI DSI 2 Lane接口40 pin扩展口用于扩展UART、I2C、SPI、PWM和GPIO接口电源支持Type-C供电20V PD-65W 适配器风扇接口4pin,0.8mm间距用于接12V风扇支持PWM控制电池接口2pin,2.54mm间距用于接3串电池支持快充
接口详情图 可以看到是堆料满满的一款产品昇腾AI处理器是为了满足飞速发展的深度神经网络对芯片算力的需求由华为公司在2018年推出的AI处理器对整型数INT8、INT4或浮点数FP16提供了强大高效的计算力在硬件结构上对深度神经网络做了优化可以很高效率完成神经网络中的前向计算因此在智能终端领域有很大的应用前景。
3、开箱体验 包装盒精致小巧封装纸盒上是橙子的标志下面用黄色加粗颜色文字强调该产品的特色功能是深度学习领域开发板上下用了泡沫防护总体是很精美的。 拆开包装盒后官方提供了开发板x1Type-C接口的20V PD-65W适配器充电器接头的折叠设计很有意思这个设计便于携带也能够提升产品的使用寿命。 搭配的静音风扇效果很好开机的时候会有较大噪音大约持续几秒后没有任何声音。WIFI和蓝牙的天线扣设计位置也相对方便。
4、实际使用 初次使用最好还是采用HDMI接口连接开发板显示这种方式是最简单也最快捷的官方文档中提供了三种登录系统的方式。 使用HDMI连接便携显示器 一眼看过去很惊艳的Logo输入官方提供的密码就可以进入系统了烧录的系统是ubentu 22.04。 连接上WIFI后可以通过以下方式连接SSH进入系统
ssh HwHiAiUserIP地址不过还是比较喜欢使用VNC多一些下面提供一种连接上WIFL后配置VNC远程连接的方式。 步骤一安装tightvncserver
sudo apt update
sudo apt install tightvncserver步骤二配置vncserver密码
sudo vncserver步骤三修改.vnc/xstartup文件设置vnc服务器启动xfce桌面环境。
sudo vim .vnc/xstartup接下来就可以使用VNC远程连接开发板进入系统了。 32gb内存预装完系统后还有11gb的空闲内存足够做很多东西。
5、性能比较 正好Windows上预装了jupyter notebook因此这里选用了MNIST手写数据集来测试开发板和Windowsa在做导入数据和模型训练时的差异性我的WINDOW使用的是英特尔的至强 E5-2666 v3主频2.90GHz未做任何相关优化处理。 接下来会从数据处理、训练SGD模型、训练BP神经网络模型三个方面来比较运行速度的差异。
import sys
print(Current System:,sys.platform,)
from sklearn.datasets import fetch_openml
import numpy as np
import os
#Rand num
np.random.seed(62)
%matplotlib inline
import matplotlib as mpl
import matplotlib.pyplot as plt
#setting plot
mpl.rc(axes, labelsize14)
mpl.rc(xtick, labelsize12)
mpl.rc(ytick, labelsize12)
mpl.rcParams[font.sans-serif] [uSimHei]
mpl.rcParams[axes.unicode_minus] False#import date
def sort_by_target(mnist):reorder_trainnp.array(sorted([(target,i) for i, target in enumerate(mnist.target[:60000])]))[:,1]reorder_testnp.array(sorted([(target,i) for i, target in enumerate(mnist.target[60000:])]))[:,1]mnist.data[:60000]mnist.data.loc[reorder_train]mnist.target[:60000]mnist.target[reorder_train]mnist.data[60000:]mnist.data.loc[reorder_test60000]mnist.target[60000:]mnist.target[reorder_test60000]import time
atime.time()
mnistfetch_openml(mnist_784,version1,cacheTrue)
mnist.targetmnist.target.astype(np.int8)
sort_by_target(mnist)
btime.time()
print(Finish Time:,b-a)运行同一段代码做数据的导入处理: 开发板完成时间
Windows端完成时间
可以看出处理同一段数据windows没有做相关优化的速度会慢一些。 SGD模型训练代码
import sys
print(Current System:,sys.platform,)
X,ymnist[data],mnist[target]
X_train, X_test, y_train, y_test X[:60000], X[60000:], y[:60000], y[60000:]
import numpy as np
shuffer_indexnp.random.permutation(60000)
X_train,y_trainX_train.iloc[shuffer_index],y_train[shuffer_index]
from sklearn.linear_model import SGDClassifier
sgd_clfSGDClassifier(max_iter5,tolNone,random_state42)
ctime.time()
sgd_clf.fit(X_train,y_train)
d time.time()
print(SGD Model Train Time:,d-c)
SGDClassifier(alpha0.0001, averageFalse, class_weightNone,early_stoppingFalse, epsilon0.1, eta00.0, fit_interceptTrue,l1_ratio0.15, learning_rateoptimal, losshinge, max_iter5,n_iter_no_change5, n_jobsNone, penaltyl2, power_t0.5,random_state42, shuffleTrue, tolNone, validation_fraction0.1,verbose0, warm_startFalse)SGD模型训练时间 开发板
WINDOWS训练时间
BP神经网络训练代码
import sys
print(Current System:,sys.platform,)
X,ymnist[data],mnist[target]
X_train, X_test, y_train, y_test X[:60000], X[60000:], y[:60000], y[60000:]
import numpy as np
shuffer_indexnp.random.permutation(60000)
X_train,y_trainX_train.iloc[shuffer_index],y_train[shuffer_index]
from sklearn.neural_network import MLPClassifier
mlp MLPClassifier(hidden_layer_sizes(100,50), max_iter10)
e time.time()
mlp.fit(X_train, y_train)
f time.time()
print(BP Net Train Time:,f-e)BP神经网络训练时间 开发板 WINDOW 最终结果
设备/时间秒导入数据训练SGD训练BP神经网络香橙派AI PRO12.11s7.65s43.45sE5-2666 v342.13s3.23s22.41s 可以看出本次香橙派AI Pro的实力还是不错的数据处理的速度会比E5-2666 v3快些不过在模型训练方面可能会稍有逊色大约需要花上两倍的时间进行处理开发板达到这个效果已经很棒了。
总结 这款产品综合下来性价比很高并不昂贵的价格采用昇腾AI技术路线提供8TOPS AI算力个人感觉已经满足诸如视频图像分析、自然语言处理、智能小车、人工智能、智能安防、智能家居等多个领域的使用要求相信16GB版本更能让人眼前一亮。
参考文章
1、BP Network mnist手写数据集 基于sklearn 2、基于jupyter notebook的python编程-----MNIST数据集的的定义及相关处理学习 3、MNIST手写数字识别sklearn实践 4、机器学习第三章MNIST手写数字预测 5、瑞芯微RK3399开发板香橙派4使用 VNC 远程登录的方法
