源码FDF互助循环游戏系统开发（逻辑）丨智能合约（开发详情）

人工智能是一门研究如何使机器能够智能地行动的学科，也是现代人工智能技术制造*核心的技术之一。随着人工智能的发展，利用大数据和机器学习等技术，使制造过程更加智能化和自动化。例如，【系统176搭建·0206-可电可微5616-】生产计划和调度等工作可以由机器自动完成，通过机器学习技术，制造过程中的一些异常情况也可以被及时识别和处理。voidCalibration::_updateScale()

　　for(const auto&op:_originaleModel->oplists){

　　std::vector<std::string>::iteratoriter=std::find(_skip_quant_ops.begin(),_skip_quant_ops.end(),op->name);

　　if(iter!=_skip_quant_ops.end()){

　　continue;

　　}

　　const auto opType=op->type;

　　if(opType!=MNN::OpType_Convolution&&opType!=MNN::OpType_ConvolutionDepthwise&&

　　opType!=MNN::OpType_Eltwise){

　　continue;

　　}

　　auto tensorsPair=_opInfo.find(op->name);

　　if(tensorsPair==_opInfo.end()){

　　MNN_ERROR("Can't find tensors for%sn",op->name.c_str());

　　if(opType==MNN::OpType_Eltwise){

　　auto param=op->main.AsEltwise();

　　//Now only support AddInt8

　　if(param->type!=MNN::EltwiseType_SUM){

　　continue;

　　}

　　constauto&inputScale0=_scales[tensorsPair->second.first[0]];

　　constauto&inputScale1=_scales[tensorsPair->second.first[1]];

　　constauto&outputScale=_scales[tensorsPair->second.second[0]];

　　const int outputScaleSize=outputScale.size();

　　std::vector<float>outputInvertScale(outputScaleSize);

　　Helper::invertData(outputInvertScale.data(),outputScale.data(),outputScaleSize);

　　op->type=MNN::OpType_EltwiseInt8;

　　op->main.Reset();

　　op->main.type=MNN::OpParameter_EltwiseInt8;

　　auto eltwiseInt8Param=new MNN::EltwiseInt8T;

　　auto input0ScaleParam=new MNN::QuantizedFloatParamT;

　　auto input1ScaleParam=new MNN::QuantizedFloatParamT;

　　auto outputScaleParam=new MNN::QuantizedFloatParamT;

　　input0ScaleParam->tensorScale=inputScale0;

　　input1ScaleParam->tensorScale=inputScale1;

　　outputScaleParam->tensorScale=outputInvertScale;

　　eltwiseInt8Param->inputQuan0=std::unique_ptr<MNN::QuantizedFloatParamT>(input0ScaleParam);

　　eltwiseInt8Param->inputQuan1=std::unique_ptr<MNN::QuantizedFloatParamT>(input1ScaleParam);

　　eltwiseInt8Param->outputQuan=std::unique_ptr<MNN::QuantizedFloatParamT>(outputScaleParam);

　　op->main.value=eltwiseInt8Param;

　　continue;

　　//below is Conv/DepthwiseConv

　　constauto&inputScale=_scales[tensorsPair->second.first[0]];

　　auto param=op->main.AsConvolution2D();

　　const int channles=param->common->outputCount;

　　const int weightSize=param->weight.size();

　　param->symmetricQuan.reset(new MNN::QuantizedFloatParamT);

　　//quantizedParam是param->symmetricQuan的引用

　　auto&quantizedParam=param->symmetricQuan;

　　quantizedParam->scale.resize(channles);

　　quantizedParam->weight.resize(weightSize);

　　quantizedParam->bias.resize(channles);

　　if(opType==MNN::OpType_Convolution){

　　QuantizeConvPerChannel(param->weight.data(),param->weight.size(),param->bias.data(),

　　quantizedParam->weight.data(),quantizedParam->bias.data(),

　　quantizedParam->scale.data(),inputScale,outputScale,_weightQuantizeMethod,_weightClampValue);

　　op->type=MNN::OpType_ConvInt8;

　　}else if(opType==MNN::OpType_ConvolutionDepthwise){

　　QuantizeDepthwiseConv(param->weight.data(),param->weight.size(),param->bias.data(),