此接口类允许构建新的层——网络的构建块。更多…

#include <opencv2/dnn/dnn.hpp>

cv::dnn::Layer 的协作图

公共成员函数
	Layer ()

	Layer (const LayerParams &params)
	仅初始化name、type 和 blobs 字段。

virtual	~Layer ()

virtual void	applyHalideScheduler (Ptr< BackendNode > &node, const std::vector< Mat * > &inputs, const std::vector< Mat > &outputs, int targetId) const
	基于层超参数的自动 Halide 调度。

virtual void	finalize (const std::vector< Mat * > &input, std::vector< Mat > &output)
	根据输入、输出和 blobs 计算并设置内部参数。

std::vector< Mat >	finalize (const std::vector< Mat > &inputs)
	这是一个重载的成员函数，为了方便提供。它与上面的函数的区别仅在于它接受的参数。

void	finalize (const std::vector< Mat > &inputs, std::vector< Mat > &outputs)
	这是一个重载的成员函数，为了方便提供。它与上面的函数的区别仅在于它接受的参数。

virtual void	finalize (InputArrayOfArrays inputs, OutputArrayOfArrays outputs)
	根据输入、输出和 blobs 计算并设置内部参数。

virtual void	forward (InputArrayOfArrays inputs, OutputArrayOfArrays outputs, OutputArrayOfArrays internals)
	给定`input` blobs，计算输出`blobs`。

virtual void	forward (std::vector< Mat * > &input, std::vector< Mat > &output, std::vector< Mat > &internals)
	给定`input` blobs，计算输出`blobs`。

void	forward_fallback (InputArrayOfArrays inputs, OutputArrayOfArrays outputs, OutputArrayOfArrays internals)
	给定`input` blobs，计算输出`blobs`。

virtual int64	getFLOPS (const std::vector< MatShape > &inputs, const std::vector< MatShape > &outputs) const

virtual bool	getMemoryShapes (const std::vector< MatShape > &inputs, const int requiredOutputs, std::vector< MatShape > &outputs, std::vector< MatShape > &internals) const

virtual void	getScaleShift (Mat &scale, Mat &shift) const
	返回具有通道乘法和加法的层的参数。

virtual void	getScaleZeropoint (float &scale, int &zeropoint) const
	返回层的比例和零点。

virtual Ptr< BackendNode >	initCann (const std::vector< Ptr< BackendWrapper > > &inputs, const std::vector< Ptr< BackendWrapper > > &outputs, const std::vector< Ptr< BackendNode > > &nodes)
	返回一个 CANN 后端节点。

virtual Ptr< BackendNode >	initCUDA (void *context, const std::vector< Ptr< BackendWrapper > > &inputs, const std::vector< Ptr< BackendWrapper > > &outputs)
	返回一个 CUDA 后端节点。

virtual Ptr< BackendNode >	initHalide (const std::vector< Ptr< BackendWrapper > > &inputs)
	返回 Halide 后端节点。

virtual Ptr< BackendNode >	initNgraph (const std::vector< Ptr< BackendWrapper > > &inputs, const std::vector< Ptr< BackendNode > > &nodes)

virtual Ptr< BackendNode >	initTimVX (void *timVxInfo, const std::vector< Ptr< BackendWrapper > > &inputsWrapper, const std::vector< Ptr< BackendWrapper > > &outputsWrapper, bool isLast)
	返回一个 TimVX 后端节点。

virtual Ptr< BackendNode >	initVkCom (const std::vector< Ptr< BackendWrapper > > &inputs, std::vector< Ptr< BackendWrapper > > &outputs)

virtual Ptr< BackendNode >	initWebnn (const std::vector< Ptr< BackendWrapper > > &inputs, const std::vector< Ptr< BackendNode > > &nodes)

虚拟 int	inputNameToIndex (String inputName)
	返回输入 blob 在输入数组中的索引。

虚拟 int	outputNameToIndex (const String &outputName)
	返回输出 blob 在输出数组中的索引。

void	run (const std::vector< Mat > &inputs, std::vector< Mat > &outputs, std::vector< Mat > &internals)
	分配层并计算输出。

virtual bool	setActivation (const Ptr< ActivationLayer > &layer)
	尝试将后续激活层附加到该层，即在部分情况下进行层融合。

void	setParamsFrom (const LayerParams &params)
	仅初始化name、type 和 blobs 字段。

virtual bool	supportBackend (int backendId)
	询问层是否支持特定后端进行计算。

virtual Ptr< BackendNode >	tryAttach (const Ptr< BackendNode > &node)
	实现层融合。

virtual bool	tryFuse (Ptr< Layer > &top)
	尝试将当前层与下一层融合。

virtual bool	tryQuantize (const std::vector< std::vector< float > > &scales, const std::vector< std::vector< int > > &zeropoints, LayerParams &params)
	尝试量化给定层并计算定点实现所需的量化参数。

virtual void	unsetAttached ()
	“分离”附加到特定层的所有层。

virtual bool	updateMemoryShapes (const std::vector< MatShape > &inputs)

继承自 cv::Algorithm 的公有成员函数
	Algorithm ()

virtual	~Algorithm ()

virtual void	clear ()
	清除算法状态。

virtual bool	empty () const
	如果 Algorithm 为空（例如，在开始时或读取失败后），则返回 true。

虚拟 String	getDefaultName () const

virtual void	read (const FileNode &fn)
	从文件存储中读取算法参数。

virtual void	save (const String &filename) const

void	write (const Ptr< FileStorage > &fs, const String &name=String()) const

virtual void	write (FileStorage &fs) const
	将算法参数存储到文件存储中。

void	write (FileStorage &fs, const String &name) const

公有属性
std::vector< Mat >	blobs
	必须在此处存储学习到的参数列表，以便可以使用 Net::getParam() 读取它们。

String	name
	层实例的名称，可用于日志记录或其他内部用途。

int	preferableTarget
	层前向传播的首选目标

String	type
	通过层工厂创建层时使用的类型名称。

其他继承的成员
继承自 cv::Algorithm 的静态公有成员函数
模板<typename _Tp >
静态 Ptr< _Tp >	load (const String &filename, const String &objname=String())
	从文件中加载算法。

模板<typename _Tp >
静态 Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	从字符串加载算法。

模板<typename _Tp >
静态 Ptr< _Tp >	read (const FileNode &fn)
	从文件节点读取算法。

继承自 cv::Algorithm 的保护成员函数
void	writeFormat (FileStorage &fs) const

详细描述

此接口类允许构建新的层——网络的构建块。

每个从 Layer 派生的类都必须实现 forward() 方法来计算输出。此外，在将新层用于网络之前，必须使用 LayerFactory 宏之一注册您的层。

构造函数和析构函数文档

◆ Layer() [1/2]

cv::dnn::Layer::Layer ( )

◆ Layer() [2/2]

cv::dnn::Layer::Layer ( const LayerParams & params )

显式

仅初始化name、type 和 blobs 字段。

◆ ~Layer()

virtual cv::dnn::Layer::~Layer ( )

虚拟

成员函数文档

◆ applyHalideScheduler()

virtual void cv::dnn::Layer::applyHalideScheduler	(	Ptr< BackendNode > &	node,
		const std::vector< Mat * > &	输入,
		const std::vector< Mat > &	输出,
		int	targetId ) const

虚拟

基于层超参数的自动 Halide 调度。

参数

[输入]	node	带有 Halide 函数的后端节点。
[输入]	输入	将在前向调用中使用的 Blob。
[输入]	输出	将在前向调用中使用的 Blob。
[输入]	targetId	目标标识符

参见: BackendNode，Target

Layer 不使用自己的 Halide::Func 成员，因为我们可能已经应用了层融合。这样，融合的函数应该被调度。

◆ finalize() [1/4]

virtual void cv::dnn::Layer::finalize	(	const std::vector< Mat * > &	输入,
		std::vector< Mat > &	output )

虚拟

Python
	cv.dnn.Layer.finalize(	inputs[, outputs]	) ->	输出

根据输入、输出和 blobs 计算并设置内部参数。

已弃用: 请改用 Layer::finalize(InputArrayOfArrays, OutputArrayOfArrays)

参数

[输入]	输入	已分配的输入 blobs 向量
[输出]	output	已分配的输出 blobs 向量

此方法在网络为输入和输出 blobs 分配所有内存之后以及推理之前调用。

◆ finalize() [2/4]

std::vector< Mat > cv::dnn::Layer::finalize ( const std::vector< Mat > & 输入 )

Python
	cv.dnn.Layer.finalize(	inputs[, outputs]	) ->	输出

这是一个重载的成员函数，为了方便提供。它与上面的函数的区别仅在于它接受的参数。

已弃用: 请改用 Layer::finalize(InputArrayOfArrays, OutputArrayOfArrays)

◆ finalize() [3/4]

void cv::dnn::Layer::finalize	(	const std::vector< Mat > &	输入,
		std::vector< Mat > &	outputs )

Python
	cv.dnn.Layer.finalize(	inputs[, outputs]	) ->	输出

这是一个重载的成员函数，为了方便提供。它与上面的函数的区别仅在于它接受的参数。

已弃用: 请改用 Layer::finalize(InputArrayOfArrays, OutputArrayOfArrays)

◆ finalize() [4/4]

virtual void cv::dnn::Layer::finalize	(	InputArrayOfArrays	输入,
		OutputArrayOfArrays	outputs )

虚拟

Python
	cv.dnn.Layer.finalize(	inputs[, outputs]	) ->	输出

根据输入、输出和 blobs 计算并设置内部参数。

参数

[输入]	输入	已分配的输入 blobs 向量
[输出]	输出	已分配的输出 blobs 向量

此方法在网络为输入和输出 blobs 分配所有内存之后以及推理之前调用。

◆ forward() [1/2]

virtual void cv::dnn::Layer::forward	(	InputArrayOfArrays	输入,
		OutputArrayOfArrays	输出,
		OutputArrayOfArrays	internals )

虚拟

给定input blobs，计算输出blobs。

参数

[输入]	输入	输入 blobs。
[输出]	输出	已分配的输出 blobs，将存储计算结果。
[输出]	internals	已分配的内部 blobs

◆ forward() [2/2]

virtual void cv::dnn::Layer::forward	(	std::vector< Mat * > &	输入,
		std::vector< Mat > &	output,
		std::vector< Mat > &	internals )

虚拟

给定input blobs，计算输出blobs。

已弃用: 请改用 Layer::forward(InputArrayOfArrays, OutputArrayOfArrays, OutputArrayOfArrays)

参数

[输入]	输入	输入 blobs。
[输出]	output	已分配的输出 blobs，将存储计算结果。
[输出]	internals	已分配的内部 blobs

◆ forward_fallback()

void cv::dnn::Layer::forward_fallback	(	InputArrayOfArrays	输入,
		OutputArrayOfArrays	输出,
		OutputArrayOfArrays	internals )

给定input blobs，计算输出blobs。

参数

[输入]	输入	输入 blobs。
[输出]	输出	已分配的输出 blobs，将存储计算结果。
[输出]	internals	已分配的内部 blobs

◆ getFLOPS()

virtual int64 cv::dnn::Layer::getFLOPS	(	const std::vector< MatShape > &	输入,
		const std::vector< MatShape > &	outputs ) const

inlinevirtual

◆ getMemoryShapes()

virtual bool cv::dnn::Layer::getMemoryShapes	(	const std::vector< MatShape > &	输入,
		const int	requiredOutputs,
		std::vector< MatShape > &	输出,
		std::vector< MatShape > &	internals ) const

虚拟

◆ getScaleShift()

virtual void cv::dnn::Layer::getScaleShift	(	Mat &	scale,
		Mat &	shift ) const

虚拟

返回具有通道乘法和加法的层的参数。

参数

[输出]	scale	逐通道乘数。值的总数应等于通道数。
[输出]	shift	逐通道偏移量。值的总数应等于通道数。

某些层可以将其变换与后面的层融合。例如，卷积 + 批量归一化。这样，基础层使用来自其后层的权重。融合层被跳过。默认情况下，scale 和 shift 为空，这意味着层没有逐元素乘法或加法。

◆ getScaleZeropoint()

virtual void cv::dnn::Layer::getScaleZeropoint	(	float &	scale,
		int &	zeropoint ) const

虚拟

返回层的比例和零点。

参数

[输出]	scale	输出比例
[输出]	zeropoint	输出零点

默认情况下，scale 为 1，zeropoint 为 0。

◆ initCann()

virtual Ptr< BackendNode > cv::dnn::Layer::initCann	(	const std::vector< Ptr< BackendWrapper > > &	输入,
		const std::vector< Ptr< BackendWrapper > > &	输出,
		const std::vector< Ptr< BackendNode > > &	nodes )

虚拟

返回一个 CANN 后端节点。

参数

输入	CANN 算子的输入张量
输出	CANN 算子的输出张量
nodes	输入张量的节点

◆ initCUDA()

virtual Ptr< BackendNode > cv::dnn::Layer::initCUDA	(	void *	context,
		const std::vector< Ptr< BackendWrapper > > &	输入,
		const std::vector< Ptr< BackendWrapper > > &	outputs )

虚拟

返回一个 CUDA 后端节点。

参数

context	指向 CSLContext 对象的 void 指针
输入	层输入
输出	层输出

◆ initHalide()

virtual Ptr< BackendNode > cv::dnn::Layer::initHalide ( const std::vector< Ptr< BackendWrapper > > & 输入 )

虚拟

返回 Halide 后端节点。

参数

[输入] 输入输入 Halide 缓冲区。

参见: BackendNode，BackendWrapper

输入缓冲区应该与前向调用中使用的缓冲区完全相同。尽管我们可以仅基于输入形状使用 Halide::ImageParam，但这有助于防止某些内存管理问题（如果出现错误，Halide 测试将失败）。

◆ initNgraph()

virtual Ptr< BackendNode > cv::dnn::Layer::initNgraph	(	const std::vector< Ptr< BackendWrapper > > &	输入,
		const std::vector< Ptr< BackendNode > > &	nodes )

虚拟

◆ initTimVX()

virtual Ptr< BackendNode > cv::dnn::Layer::initTimVX	(	void *	timVxInfo,
		const std::vector< Ptr< BackendWrapper > > &	输入包装器 (inputsWrapper),
		const std::vector< Ptr< BackendWrapper > > &	输出包装器 (outputsWrapper),
		布尔值 (bool)	isLast )

虚拟

返回一个 TimVX 后端节点。

参数

timVxInfo	指向 CSLContext 对象的 void 指针
输入包装器 (inputsWrapper)	层输入
输出包装器 (outputsWrapper)	层输出
isLast	如果节点是TimVX图的最后一个节点。

◆ initVkCom()

virtual Ptr< BackendNode > cv::dnn::Layer::initVkCom	(	const std::vector< Ptr< BackendWrapper > > &	输入,
		std::vector< Ptr< BackendWrapper > > &	outputs )

虚拟

◆ initWebnn()

virtual Ptr< BackendNode > cv::dnn::Layer::initWebnn	(	const std::vector< Ptr< BackendWrapper > > &	输入,
		const std::vector< Ptr< BackendNode > > &	nodes )

虚拟

◆ inputNameToIndex()

virtual int cv::dnn::Layer::inputNameToIndex ( 字符串 (String) inputName )

虚拟

返回输入 blob 在输入数组中的索引。

参数

inputName 输入blob的标签。

每一层的输入和输出都可以被标记，以便使用“%<layer_name%>[.output_name]”符号轻松识别它们。此方法将输入blob的标签映射到其在输入向量中的索引。

在 cv::dnn::LSTMLayer 中重新实现。

◆ outputNameToIndex()

virtual int cv::dnn::Layer::outputNameToIndex ( const String & outputName )

虚拟

Python
	cv.dnn.Layer.outputNameToIndex(	outputName	) ->	返回值 (retval)

返回输出 blob 在输出数组中的索引。

参见: inputNameToIndex()

在 cv::dnn::LSTMLayer 中重新实现。

◆ run()

void cv::dnn::Layer::run	(	const std::vector< Mat > &	输入,
		std::vector< Mat > &	输出,
		std::vector< Mat > &	internals )

Python
	cv.dnn.Layer.run(	inputs, internals[, outputs]	) ->	outputs, internals

分配层并计算输出。

已弃用: 此方法将在未来的版本中移除。

◆ setActivation()

virtual bool cv::dnn::Layer::setActivation ( const Ptr< ActivationLayer > & layer )

虚拟

尝试将后续激活层附加到该层，即在部分情况下进行层融合。

参数

[输入] layer 后续的激活层。

如果激活层已成功附加，则返回true。

◆ setParamsFrom()

void cv::dnn::Layer::setParamsFrom ( const LayerParams & params )

仅初始化name、type 和 blobs 字段。

◆ supportBackend()

virtual bool cv::dnn::Layer::supportBackend ( int backendId )

虚拟

询问层是否支持特定后端进行计算。

参数

[输入] backendId 计算后端标识符。

参见: 后端 (Backend)

◆ tryAttach()

virtual Ptr< BackendNode > cv::dnn::Layer::tryAttach ( const Ptr< BackendNode > & node )

虚拟

实现层融合。

参数

[输入] node 底层的后端节点。

参见: BackendNode

对于基于图的后端来说是实际的。如果层成功附加，则返回对相同后端节点的非空cv::Ptr。仅对最后一个函数进行融合。

◆ tryFuse()

virtual bool cv::dnn::Layer::tryFuse ( Ptr< Layer > & top )

虚拟

尝试将当前层与下一层融合。

参数

[输入] top 要融合的下一层。

返回值 (Returns): 如果执行了融合，则返回True。

◆ tryQuantize()

virtual bool cv::dnn::Layer::tryQuantize	(	const std::vector< std::vector< float > > &	scales,
		const std::vector< std::vector< int > > &	zeropoints,
		LayerParams &	params )

虚拟

尝试量化给定层并计算定点实现所需的量化参数。

参数

[输入]	scales	输入和输出比例。
[输入]	zeropoints	输入和输出零点。
[输出]	params	该层定点实现所需的量化参数。

返回值 (Returns): 如果层可以量化，则返回True。

◆ unsetAttached()

virtual void cv::dnn::Layer::unsetAttached ( )

虚拟

“分离”附加到特定层的所有层。

◆ updateMemoryShapes()

virtual bool cv::dnn::Layer::updateMemoryShapes ( const std::vector< MatShape > & 输入 )

虚拟

成员数据文档 (Member Data Documentation)

◆ blobs

std::vector<Mat> cv::dnn::Layer::blobs

必须在此处存储学习到的参数列表，以便可以使用 Net::getParam() 读取它们。

◆ name

String cv::dnn::Layer::name

层实例的名称，可用于日志记录或其他内部用途。

◆ preferableTarget

int cv::dnn::Layer::preferableTarget

层前向传播的首选目标

◆ type

String cv::dnn::Layer::type

通过层工厂创建层时使用的类型名称。

此类的文档是从以下文件生成的：

opencv2/dnn/dnn.hpp

公共成员函数

公有属性

其他继承的成员

详细描述

构造函数和析构函数文档

◆ Layer() [1/2]

◆ Layer() [2/2]

◆ ~Layer()

成员函数文档

◆ applyHalideScheduler()

◆ finalize() [1/4]

◆ finalize() [2/4]

◆ finalize() [3/4]

◆ finalize() [4/4]

◆ forward() [1/2]

◆ forward() [2/2]

◆ forward_fallback()

◆ getFLOPS()

◆ getMemoryShapes()

◆ getScaleShift()

◆ getScaleZeropoint()

◆ initCann()

◆ initCUDA()

◆ initHalide()

◆ initNgraph()

◆ initTimVX()

◆ initVkCom()

◆ initWebnn()

◆ inputNameToIndex()

◆ outputNameToIndex()

◆ run()

◆ setActivation()

◆ setParamsFrom()

◆ supportBackend()

◆ tryAttach()

◆ tryFuse()

◆ tryQuantize()

◆ unsetAttached()

◆ updateMemoryShapes()

成员数据文档 (Member Data Documentation)

◆ blobs

◆ name

◆ preferableTarget

◆ type