- 综合排序
- 最热优先
- 最新优先
- 来自专栏WebRTC
GN学习记录
GN是ninja构建文件的元构建工具，能够构建出ninja的.ninja文件,比起ninja原本的构建命令GN能够比较好地进行依赖管理，并且能够很方便的输出构建图谱。 :gn_lib //base:base... desc out/Default //base 输出base这个目标的所有信息 2.通过gn desc out/Default //tools/gn deps --tree 指定输出目标gn的依赖关系树 列出所有目标 我们可以通过gn ls列出所有目标，gn ls支持过滤，如下 > gn ls out/Default “//base/*” //base:base //base:base_i18n_perftests /gn/
3.7K41发布于 2021-01-31 - 来自专栏咩嗒
Hello World for gn
搜索gn的介绍，发现中文文章大多数都是在chrome工程的基础上，添加些文件编译。而gn的quick start，也不是从零开始搭建一个gn工程，更像是如何定制chrome（v8）编译的介绍。 那么有没可能gn用在chrome系之外的工程编译呢？找到了一个6年前的项目，按其操作步骤编译，果然失败了，经过一番探索，最终调通了，这是成功的版本。 记录下探索过程中的一些收获。 工具 根据checkout_linux/checkout_x64等去下载对应的系统库和头文件 gn gen out gn根据gn配置文件，生成ninja编译配置文件。 IOError: [Errno 2] No such file or directory: 'D:\\learn\\gn1\\minimal-gn-project\\build\\util\\LASTCHANGE.committime 总结 gclient/gn这套构建系统就chrome项目自己用用好了。
1K10编辑于 2023-05-26 - 来自专栏Rice嵌入式
GN语言和操作
在有意义的时候就像Blaze一样（见下面的“与Blaze的区别和相似之处”） gn是动态类型语言 gn 类型 1. 布尔（true，false） 2. 64位有符号整数 3. 了解gn help label_pattern更多信息。 4. 执行脚本 有两种方法来执行脚本。GN中的所有外部脚本都是Python。第一种方法是作为构建步骤。 为了防止滥用，允许调用的文件exec_script可以在顶层.gn文件中列入白名单。Chrome做到这一点需要额外的代码审查这样的补充。看gn help dotfile。 GN还增加了“配置”的概念来管理一些棘手的依赖和配置问题，同样不会出现在服务器上。Blaze有一个“配置”的概念，就像一个GN工具链，但内置在工具本身。 GN工具链的工作方式是试图以一种简洁的方式将这个概念分离到构建文件中的结果。 GN保留了一些GYP概念，比如“全部依赖”设置，这些设置在Blaze中有些不同。
2.2K10编辑于 2022-05-10 - 来自专栏鸿蒙开发笔记
OpenHarmony开发——GN快速上手
背景最近在研究鸿蒙操作系统的开源项目OpenHarmony，该项目使用了GN+Ninja工具链进行配置，编译，于是开始研究GN如何使用。本文的所有信息均来自GN官网和本人个人体会。 GN快速入门使用GNGN的主要功能是根据配置文件（.gn, BUILD.gn等）生成build.ninja文件。build.ninja类似于Makefile，不同的是由Ninja负责执行编译过程。 获取GN可执行程序。1）源码编译。可以到官网下载源码。也可以到我的GN源码(需要5积分)2）鸿蒙源码提供的GN可执行程序。 simple_build$ tree.├── build│ ├── BUILDCONFIG.gn│ ├── BUILD.gn│ └── toolchain│ └── BUILD.gn 了解GN构建过程使用 -v 可以了解GN的详细执行流程。simple_build$ gn gen -v ..
97110编辑于 2024-07-10 - 来自专栏鸿蒙开发笔记
OpenHarmony 内核源码分析(gn应用篇) | gn语法及在鸿蒙的使用
gn是什么? ,不高效,所以设计了一套更简单,更高效新的构建工具gn+ninja,然后就被广泛的使用了.gn语法和配置gn 有大量的内置变量和库函数,熟悉这些库函数基本就知道gn能干什么,gn的官方文档很齐全.gn 在鸿蒙中的使用有了以上基础铺垫,正式开始gn在openharomny中的使用.从哪开始在构建工具篇中已经说清楚了 hb的python部分有个工作任务是生成gn命令所需参数. gn生成ninja的命令是 gn gen ... 它们将会在解析BUILD.gn,BUILDCONFIG.gn过程中被使用.BUILDCONFIG.gn | 构建配置项BUILDCONFIG.gn为BUILD.gn做准备,填充好编译所需的配置信息.即生成配置项详细请查看
64523编辑于 2025-03-26 - 来自专栏AI科技评论
常用的 Normalization 方法：BN、LN、IN、GN
GN 相当于把一本 C 页的书平均分成 G 份，每份成为有 C/G 页的小册子，求每个小册子的“平均字”和字的“标准差”。 GN适用于占用显存比较大的任务，例如图像分割。对这类任务，可能 batch size 只能是个位数，再大显存就不够用了。 GN 也是独立于 batch 的，它是 LN 和 IN 的折中。 GN将channel分组，然后再做归一化。GN 相当于把一本 C 页的书平均分成 G 份，每份成为有 C/G 页的小册子，对每个小册子做Norm。 LN 和 GN 只能计算当前 batch 内数据的真实均值和标准差。
4.3K20发布于 2019-10-01 - 来自专栏AI算法与图像处理
常用的 Normalization 方法：BN、LN、IN、GN
GN 相当于把一本 C 页的书平均分成 G 份，每份成为有 C/G 页的小册子，求每个小册子的“平均字”和字的“标准差”。 四、 Group Normalization, GN（拿小本本get一下） 论文链接：arxiv.org/pdf/1803.0849 GN是为了解决BN对较小的mini-batch size效果差的问题 GN 也是独立于 batch 的，它是 LN 和 IN 的折中。 GN的主要思想：在 channel 方向 group，然后每个 group 内做 Norm，计算 ? GN将channel分组，然后再做归一化。GN 相当于把一本 C 页的书平均分成 G 份，每份成为有 C/G 页的小册子，对每个小册子做Norm。 LN 和 GN 只能计算当前 batch 内数据的真实均值和标准差。
2.6K30发布于 2019-09-09 - 来自专栏深度学习自然语言处理
BN、LN、IN、GN、SN归一化
track_running_stats：布尔值，当设为true，记录训练过程中的均值和方差； 2.4 Group Normalization 主要是针对Batch Normalization对小batchsize效果差，GN
2.3K30发布于 2019-08-19 - 来自专栏鸿蒙开发笔记
鸿蒙南向开发——GN快速入门指南
运行GN(Generate Ninja)运行gn，你只需从命令行运行gn，对于大型项目，GN是与源码一起的。 对于Fuchsia树内开发，运行fx gn ...，它将找到正确的GN二进制文件，并使用给定的参数运行它。设置一个构建与其他一些构建系统不同，在GN中你可以设置你自己的构建目录，和你想要的设置。 "]}执行gn help labels可以看到help的详细的解释，关于如何添加子目录的目标到BUILD.gn里面。 你可以在verbose模式下运行GN，以看到很多详细过程，使用-v参数就可以：$ gn gen out -vUsing source root /home/hui/disk4t/codes/gn/examples :5)Loading //tutorial/BUILD.gn (referenced from //BUILD.gn:34)Running //build/BUILD.gn with toolchain
98010编辑于 2024-07-14 - 来自专栏阿泽的学习笔记
【GNN】GN：更通用的 GNN 架构
3.1 GN 接下来作者将定义一个更加通用的图网络（GN）框架，用于图结构表示的关系推理。 下图为 GN 更新的示意图： ? 需要注意的是，这种更新顺序也是可以改变的。 3.2 Relational inductive biases in GN 我们再来分析下 GN 中的关系归纳偏置。 这意味着 GN 自动支持一种组合泛化形式（因为图是由边、节点和全局特征组成的，GN 可以操作不同数量的边和节点） 4.Design Principles 有了 GN 架构，我们再来看下基于 GN 结构设计模型的原则 我们举几个例子，对于 MPNN 来说： 消息函数 在 GN 中为 ，但是不考虑全局信息 作为输入； 信息聚合对应于 GN 中的 ； 更新函数 为 GN 中的 ； 读出函数 R 为 GN 中的 由于 GN 的行为和人类对世界的理解类似，都是将世界解释成物体和相互关系组成的，因此 GN 的行为可能会更加容易解释，也更加易于分析和可视化。探索 GN 的可解释性也是未来一个有趣的方向。
1.7K20发布于 2020-07-21 - 来自专栏音视频直播技术专家
WebRTC中的编译工具 gyp 、gn 与 ninja
什么是 gn GN（Generate Ninja），它是 GYP 的替代工具。由于GN是用C++编写，比起用 python写的 GYP 快了很多。 什么是 cmake 相对于 gyp 和 gn， 大家可能对 cmake 更熟悉点。它也是一种可以产生跨平台工程文件和 makefile文件的编译工具集。 小结 从上面的介绍大家可以了解到， cmake/scons/gyp/gn 这几个工具是同一类的，可以产生跨平台的工程文件，以及编译控制文件（如 makefile 或 .ninja 文件）；而 make
2.9K21发布于 2020-04-01 - 来自专栏数据派THU
常用的 Normalization 方法：BN、LN、IN、GN（附代码＆链接）
四、 Group Normalization, GN （拿小本本get一下） 论文链接：https://arxiv.org/pdf/1803.08494.pdf GN是为了解决BN对较小的mini-batch GN适用于占用显存比较大的任务，例如图像分割。对这类任务，可能 batch size 只能是个位数，再大显存就不够用了。 GN 也是独立于 batch 的，它是 LN 和 IN 的折中。 GN的主要思想：在 channel 方向 group，然后每个 group 内做 Norm，计算 ? GN将channel分组，然后再做归一化。GN 相当于把一本 C 页的书平均分成 G 份，每份成为有 C/G 页的小册子，对每个小册子做Norm。 LN 和 GN 只能计算当前 batch 内数据的真实均值和标准差。 本文转自知乎作者G-kdom文章：常用的 Normalization 方法：BN、LN、IN、GN。
1.4K50发布于 2019-10-10 - 来自专栏机器学习与python集中营
深度学习常用的 Normalization 方法：BN、LN、IN、GN
GN 相当于把一本 C 页的书平均分成 G 份，每份成为有 C/G 页的小册子，求每个小册子的“平均字”和字的“标准差”。 四、 Group Normalization, GN（拿小本本get一下） 论文链接：arxiv.org/pdf/1803.0849 GN是为了解决BN对较小的mini-batch size效果差的问题 GN 也是独立于 batch 的，它是 LN 和 IN 的折中。 GN的主要思想：在 channel 方向 group，然后每个 group 内做 Norm，计算 ? GN将channel分组，然后再做归一化。GN 相当于把一本 C 页的书平均分成 G 份，每份成为有 C/G 页的小册子，对每个小册子做Norm。 LN 和 GN 只能计算当前 batch 内数据的真实均值和标准差。
6.3K21发布于 2019-10-24 - 来自专栏独行猫a的沉淀积累总结
鸿蒙源码构建工具Gn 与 Ninja 的介绍及使用入门
最近鸿蒙HarmonyOS系统的火爆，对其源码的编译构建产生了兴趣，了解到鸿蒙系统的编译构建是基于 Gn 和 Ninja 完成的。 那么什么是Gn 与 Ninja?比makefile强到哪了？ 什么是GN？ GN是一个生成Ninja构建文件的元构建系统，以便你可以用Ninja构建你的项目。 简单的使用入门： 以helloworld为例，建一个gn-test文件夹： 几个文件必不可少，这个需要手工去提前按照格式创建好。否则直接执行gn gen ./out会报错的。 必要的几个文件： .gn文件 根目录下的BUIlD.gn文件 gnconfig文件夹中的BUILDCONFIG.gn文件 可以输入指令： gn help dotfile 查看默认的.gin文件模板 我的这个例子的.gin文件如下： buildconfig="//gnconfig/BUILDCONFIG.gn" 然后在项目的根目录下创建gnconfig文件夹和内部的BUILDCONFIG.gn文件。
2.7K30编辑于 2022-01-07 - 来自专栏计算机视觉CV
标准化层（BN，LN，IN，GN）介绍及代码实现
GN（GroupNorm） 介于LN和IN之间，其首先将channel分为许多组（group），对每一组做归一化，及先将feature的维度由N, C, H, Wreshape为N, G，C//G , H, W，归一化的维度为C//G , H, W 如图一所示，GN是介于LN和IN之间，将C分为多个group，B,C,H,W转换为B*G,C/G,H,W然后对每个组进行归一化，也就是与batch和layer GN代码实现： def torch_gn_offical(x, num_groups): """ 调用官方API """ gn = nn.GroupNorm(num_groups def torch_gn(x, num_groups): b = x.shape[0] x1 = x.view(b, num_groups, -1) mu = x1.mean = x1_norm.reshape(x.shape) return my_gn GN的优缺点： GN和BN对比，避开了batchsize对训练的影响，训练开销小；GN的num_group=1就是
14.1K140编辑于 2022-02-17 - 来自专栏gpu使用
利用GN8云服务器配置深度学习环境
https://cloud.tencent.com/document/product/560/8064
2.1K00编辑于 2022-05-28 - 来自专栏腾讯云服务器团队的专栏
GPU 视频增强型实例 GN7vi 重磅发布！
GPU算力+明眸融合视频AI技术，体验腾讯内部自研黑科技 为满足直播、点播客户业务视频增强需求，腾讯云上线 GN7vi 视频增强型实例， 配置为 GPU T4 卡搭配自研明眸融合视频 AI 技术。 GN7vi 可为用户提供视频极致压缩的极速高清技术，以及超高清视频生成的画质重生技术，支持编解码的协议灵活性同时，码率相比普通转码降低50%，节省存储和带宽资源，并结合智能编解码内核，提升画质20%+。 在视频增强型GN7vi内测申请通过后，您可以登录腾讯云服务器购买页，选择 GPU 机型-视频增强型 GN7vi： 您需要勾选“自动安装 GPU 驱动”，实例将会在创建后自动安装 GPU 驱动，CUDA 原视频文件 现在申请内测，即可体验视频增强型 GN7vi 的画质增强黑科技！快来试试吧～
1.4K30编辑于 2022-09-06 - 来自专栏运维监控日志分析
H3C WA2610i-GN 无线AP FAT 配置案例
H3C WA2610i-GN uptime is 0 week, 0 day, 4 hours, 14 minutes CPU type: ATHEROS AR9350 128M bytes DDR2
1.9K20发布于 2020-08-11 - 来自专栏DeepHub IMBA
BN，LN，IN，GN都是什么？不同归一化方法的比较
组归一化(GN)是一种最新的规范化方法，可以避免利用批处理，因此与批处理大小无关。 不同的归一化方法 为了促进GN的表述，我们将首先看一下以前的一些标准化方法。 xᵢ ← (xᵢ - ? 组归一化(GN)是IN和LN的中间点。组织渠道分成不同的组,计算?ᵢ和?ᵢ沿着(H, W)轴和一组通道。批次ᵢ然后组系数,在相同的输入特性和同一组xᵢ渠道。 当G = C时，即每组只有1个信道，则GN变为IN。另一方面，当G = 1时，GN变成LN。因此G控制了IN和LN之间的插值。 在我们的例子中，考虑G = 2。 从这个图中我们可以看到，GN如何在IN和LN之间插入。GN优于IN，因为GN可以利用跨渠道的依赖关系。它也比LN好，因为它允许对每一组通道学习不同的分布。 当批大小较小时，GN始终优于BN。 但是，当批处理大小非常大时，GN的伸缩性不如BN，可能无法匹配BN的性能。 引用 A. Kolesnikov, L. Beyer, X. Zhai, J. Puigcerver, J.
3.5K20发布于 2020-06-28 - 来自专栏音视频咖
GPU算力+明眸融合视频AI技术，GPU 视频增强型实例 GN7vi 重磅发布！
GPU算力+明眸融合视频AI技术 体验腾讯内部自研黑科技 为满足直播、点播客户业务视频增强需求，腾讯云上线 GN7vi 视频增强型实例， 配置为 GPU T4 卡搭配自研明眸融合视频 AI 技术。 GN7vi 可为用户提供视频极致压缩的极速高清技术，以及超高清视频生成的画质重生技术，支持编解码的协议灵活性同时，码率相比普通转码降低50%，节省存储和带宽资源，并结合智能编解码内核，提升画质20%+。 在视频增强型GN7vi内测申请通过后，您可以登录腾讯云服务器购买页，选择 GPU 机型-视频增强型 GN7vi： 您需要勾选“自动安装 GPU 驱动”，实例将会在创建后自动安装 GPU 驱动，CUDA 现在申请，即可体验视频增强型 GN7vi 的画质增强黑科技！赶紧扫描下方二维码申请试试吧～ 您也可以点击文末「阅读原文」，了解更多产品信息。
2.3K30编辑于 2022-09-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号