标签 骁龙 下的文章

踩坑记录：脚本里藏了多少“想当然” 转换与量化结果 x86 上先跑个 smoke test 真机 CPU 推理：PC 和手机对上了 INT8 DSP 挂了，但 GPU 能兜底 实测结论 下一步计划 系列文章 这是 AI 实操第 9 天部署篇：把 day09 训练好的语音指令分类模型，通过 ONNX → SNPE DLC → INT8 量化，最终跑到真机上。记录环境、踩坑过程和实测结果。 本文首发地址 https://h89.cn/archives/676.html 项目地址 https://gitee.com/chenjim/cockpit-ai-from-zero 语音模型在车机芯片上跑，不能只停在训练准确率和 PC 延迟。必须实际走通转换、量化、adb 部署、真机推理，看看模型能不能在目标设备上正常出结果，以及 INT8 量化后精度损失多少。 本文环境：

- 阅读剩余部分 -

引言：模型减肥 量化到底是什么 对称量化 为什么需要校准数据集 SNPE 量化工具和参数 核心参数 其他可选参数 校准数据集怎么准备 看看量化后的 DLC 长啥样 x86 CPU 上验证 INT8 推理 为什么 MNIST 没掉精度 骁龙真机实测 踩坑记录 坑一：校准数据格式不对，量化工具一声不吭 坑二：snpe-dlc-quantize 的 bash 包装脚本有个语法 bug 坑三：校准数据太少，准确率直接跪 量化对车机意味着什么 总结 系列文章 这是 AI 实操第 7 天。第 6 天把 MNIST 模型转成了 DLC，今天给 DLC 做 INT8 量化：压缩 3.46 倍、精度零损失，并在骁龙真机上实测四个后端。 本文首发地址 https://h89.cn/archives/673.html 项目地址 https://gi

- 阅读剩余部分 -

引言：为什么需要 SNPE？ SDK 怎么下载 关键工具有哪些 理解 DLC 格式 SNPE 运行时后端 实战：从 ONNX 到 DLC 环境搭建 执行转换 理解转换过程 查看 DLC 结构 x86 CPU 推理验证 踩坑记录 坑一：Python 版本不兼容（30 分钟） 坑二：onnx 版本限制（10 分钟） 坑三：系统库依赖缺失（30 分钟） 坑四：Padding 计算无符号整数溢出（2 小时） 验证结果汇总 总结 系列文章 这是 AI 实操第 6 天。前 5 天模型还只在通用引擎上跑，今天开始走上车路线：用高通 SNPE 把 ONNX 转成骁龙芯片专用的 DLC 格式，并在 x86 CPU 上验证推理结果一致。 本文首发地址 https://h89.cn/archives/672.html 项目地址 https://gitee

- 阅读剩余部分 -