这里面要讲一件事情，对于opencv来说一张图片的格式是[rgb,rgb,rgb......],而我们在tensorrt还是别的架构，一般是[rrrrrrrrr...,gggggggggg.......,bbbbbbbb.......],所以两个的遍历方式也是不同的，我们要做的是要把src的r，g，b都单独挑出来，然后齐齐整整的放到tar中。我们看阴影的面积，阴影面积越大代表什么，p点离a点越近，

之间，各自的 shared memory 是相互独立、完全隔离的，所以blocksize=1代表着每个线程都不是共享的，算法只能依赖全局内存，访问速度很慢，而为什么blocksize=32变得就很快了呢？显然即便是预热的gpu运算也比cpu快，后面几组可以说明一些问题，gpu_blocksize=1运算的速度最慢，因为同一个。实验我们进行了5组：有cpu，gpu预热，blocksize=16，bl

本文摘要：指针是存储变量地址的特殊变量，其自身也有固定内存地址。主要内容包括：1)指针基础概念，包括解引用和地址操作；2)指针与不同类型变量的关系；3)指针操作数组和容器的示例；4)动态内存分配与释放；5)指针与数组的关联性；6)const与指针的三种用法；7)指针传参和函数返回指针；8)堆区内存管理注意事项。重点强调指针的地址不变性、类型匹配要求以及内存释放的重要性。

需要注意的是构造函数与析构函数的调用顺序，上图种先调用没有参数的构造函数，在调用string的构造函数，之后是调用双参数的构造函数，对于析构函数调用顺序与构造函数恰恰相反，注意如果我们没有定义析构函数，编译器会自动生成一个析构函数，析构函数没有参数，没有返回值，不能重载。，本质是对新对象进行 “初始化”（而非赋值），对于在创建对象时，如果一些基本值始终都是一样的，就可以是使用拷贝函数，注意赋值的是

begin和end函数前面加个r，就变成反向，rbegin则是指向最后一个元素，而rend函数是指向第一个元素的前一个位置，仍然可以用rbegin和rend的方法遍历容器。使用vector<int>::iterator it = t1.begin()获取t1的第一个数的地址，迭代器本质是一个。迭代器可以遍历vector，list，map，set等容器。

4个参数，源容器开始迭代器，源容器结束迭代器，目标容器开始迭代器，以及函数或对象。注意find函数返回的是一个迭代器，要使用迭代器进行初始化。使用transform实现两个容器相加放入另一个容器。3个参数，开始迭代器，结束迭代器，以及要执行的函数。使用transform，让string都变成大写。5.adjacent_find（查找相邻的元素）它支持单容器元素转换、双容器元素组合转换。注意find

<BUILD_INTERFACE>:${INCLUDE_DIR}#构建时的路径。add_library(slibSTATIC${INCLUDE_DIR}/slib.h${SRC_DIR}/slib.cpp)#库名称 库的属性 头文件地址和源文件地址。set（INCLUDE_DIR${CMAKE_CURRENT_SORCE_DIR}/include）#变量名以及路径。add_executable(d

最近在学习一些关于模型部署的知识，本文主要流程分为用 PyTorch 训练一个简单的图像分类模型(如自定义 CNN)，导出 ONNX，用ONNXRuntime(Pvthon)部署，实现“输入图片路径一输出分类结果"的脚本，对以量化前后的性能。此处代码并不多，输入的数据可以从preprocess_image中的image_tensor得到，不过要进行增加维度在放到模型中。从结果中看两个推理的结果一致

最近在学习一些关于模型部署的知识，本文主要流程分为用 PyTorch 训练一个简单的图像分类模型(如自定义 CNN)，导出 ONNX，用ONNXRuntime(Pvthon)部署，实现“输入图片路径一输出分类结果"的脚本，对以量化前后的性能。此处代码并不多，输入的数据可以从preprocess_image中的image_tensor得到，不过要进行增加维度在放到模型中。从结果中看两个推理的结果一致

最近在学习一些关于模型部署的知识，本文主要流程分为用 PyTorch 训练一个简单的图像分类模型(如自定义 CNN)，导出 ONNX，用ONNXRuntime(Pvthon)部署，实现“输入图片路径一输出分类结果"的脚本，对以量化前后的性能。此处代码并不多，输入的数据可以从preprocess_image中的image_tensor得到，不过要进行增加维度在放到模型中。从结果中看两个推理的结果一致