ccccccc@ 发表于 2024-6-4 10:20 这个要看到具体代码才能知晓问题的具体原因，至于contiguous()不能使用，他的作用是将非连续的张量转换为连 ...

感谢回复，我回去尝试一下修改后代码是否可以运行。 下面这些是我当时的报错信息以及我定位到的报错位置：   参考模型结构，我定位到了如下位置： 该模块在代码中的位置应该是这里，但是我后来又查看了最新的RKNNToolKit2_OP_Support-v2.0.0-beta0.md，我发现这段代码的每一个函数好像都是支持的，你知道这是为什么吗？    这是最新的工具包支持的算子的链接： rknn-toolkit2/doc/RKNNToolKit2_OP_Support-v2.0.0-beta0.md at master · airockchip/rknn-toolkit2 (github.com)      或者说是我找错了位置吗？

ONNX模型其实就是我们训练出来的模型的一个权重文件保存形式，我们第一站训练出来的手写识别模型一开始导出的模型为.pth结尾，那我们为什么要将其转换为.ONNX模型呢？ 这是为了方便模型之间的转化，设立了一个中间模型ONNX模型，它其实就相当于.pth改了个后缀而已，但是它可以转化成其他很多模型，比如ncnn、TensorRT、TVM以及我们这里说的RKNN模型。 他充当了一个中转站的功能，类似于我们计算机网络中的交换机，充当一个转发的功能，这样我们就不用为任意两个模型都编写一个转换函数了，以后出现一个新的模型只需要编写一个将其转化为ONNX模型的函数就可以很方便的将其应用在其他不同的地方了。比如我们有3个模型，如果两两之间需要转化每个模型至少需要两个转换函数，如果有30个模型，那每个模型需要适配29个转换函数，这样是非常不合理的，而有了ONNX模型，只需要适配两个函数，一个转化为ONNX模型和一个ONNX转化为自己的函数，这样对于后期模型开发和维护也更加方便。 RKNN模型跟其他的模型也差不多，大致是权重、结构和配置，只不过它是是Rockchip NPU平台专用的模型文件格式，可以被RKNN推理引擎加载和运行。RKNN模型文件通常以.rknn后缀结尾。 RKNN模型文件通常由Rockchip NPU平台上的模型转换工具生成，也可以由用户自行编写代码生成。 Rockchip 提供了完整了模型转换 Python 工具，方便用户将自主研发的算法模型转换成 RKNN 模型，同时 Rockchip 也提供了C/C++和Python API 接口。 #AI挑战营第二站#从零开始教你使用RKNN-Toolkit进行模型转换： https://bbs.eeworld.com.cn/thread-1281291-1-1.html

个人信息已确认，领取板卡，可继续完成&分享挑战营第二站和第三站任务

本帖最后由 Alex_Jun 于 2024-5-9 15:40 编辑 个人信息已确认，领取板卡，可继续完成&分享挑战营第二站和第三站任务

【新提醒】#AI挑战营第一站#手把手教你训练一个基于pytorch的手写数字识别模型 - 编程基础 - 电子工程世界-论坛 (eeworld.com.cn) 预期应用：通过幸狐 RV1106 Linux 开发板上部署一个带有运算符识别的手写数字识别的模型去进行数学公式的识别和计算，用于辅助小学生进行简单的加减乘除计算，并配备语言模块进行结果播报。

1、跟帖回复：用自己的语言描述，模型训练的本质是什么，训练最终结果是什么     要了解模型训练的本质，我们首先需要知道模型是什么，它是做什么的？对于目前的人工智能领域来说，据我了解，目前的模型都是大数据模型，即通过投喂大量数据来让模型进行训练，然后用来解决特定问题，就像我们训练的警犬或者宠物狗一样，他们往往不能进行推理，即我们说的举一反三等等，这也是我们当前AI发展所面临的困境。     因此模型训练其实就是利用大量数据去训练一个权重网络，而网络本质就是一系列函数组合而成，而世界大部分的规律和事实皆可用函数来进行描述，只不过我们可能无法知道他们的具体表达式而已。模型的训练的本质就是一个函数拟合的过程，就像我们给定一个x网络就会给出一个y一样，在手写模型网络中我们输入一个图片，网络会给出一个预测结果。因此训练的最终结果就是拟合效果最好的网络其中各个函数的权重分布文件，下次我们需要使用时就从这个文件中读取对应神经元的权重，然后对输入进行计算，得到一个结果，我们所说的参数就是这些权重，越大的模型往往参数量越大。 2、跟帖回复：PyTorch是什么？目前都支持哪些系统和计算平台？     pytorch其实就是将一堆模型网络所需要的基础函数整合起来成为的一个库，可以用它来快速搭建一个属于自己的网络，而不需要对于每个基础的函数都自己重新敲一遍，内置的函数和类让我们编写代码时都很方便。目前基本支持主流的所有电脑操作系统如Linux、Windows、macos等。 3、动手实践：基于PyTorch，在PC上完成MNIST手写数字识别模型训练，发帖链接为：【新提醒】#AI挑战营第一站#手把手教你训练一个基于pytorch的手写数字识别模型 - 编程基础 - 电子工程世界-论坛 (eeworld.com.cn)