[参考译文] AM69A：深度学习加速器标准化

Mitani-san,

我看到您现在正在主机上运行这个、所以回答正确。 在编译 ONNX 模型之前、它是本机 float32。   您首先需要在图像文件中读取（在本例中，png 为 3、r、g、b）

e2e.ti.com/.../readimg.py

调用 GET_RGB_CHANNES（文件）后、数组中将有一个红色、绿色和蓝色 8 位通道。  若要将其转换为 float32、只需取 8 位数组并通过以下方式进行转换：

float32_red= red.astype (np.float32)

则可以将其用作模型的输入。

此外、以下是一些使用随机数据（无需图像）对此进行测试的代码：

SOO = ort.SessionOptions()
ep_list =['TIDLExecutionProvider'、'CPUExecutionProvider']
会话= ort.ConferenceSession (model_path、provider=ep_list、provider_options=[provider_options、｛｝]、sess_options=so)

input_details =session.get_inputs()
output_details =session.get_outputs()
Input_dict =｛｝
output_dict =｛｝

对于 I IN 范围 (len (input_details))：
  np.random.seed(0)
  if (input_details[i]。type =='tensor (float)')：
    input_data = np.random.randn (* input_details[i]。shape).astype (np.float32)
  elif (input_details[i]。type =='tensor (int64)')：
    input_data = np.random.randn (* input_details[i]。shape).astype (np.int64)
  elif (input_details[i]。type =='tensor (uint8)')：
    input_data = np.random.randn (* input_details[i]。shape).astype (np.uint8)
  elif (input_details[i]。type =='tensor (int32)')：
    input_data = np.random.randn (* input_details[i]。shape).astype (np.int32)
  否则：
    input_data = np.random.randn (* input_details[i]。shape).astype (np.float32)

Input_dict[input_details[i]。name]= input_data

start_time = time.time ()

输出= list (session.run(None、input_dict)
对于 I IN 范围 (len (output_details))：
  output_dict[output_details[i]。name]= output[i]