libGDL

一个移动端跨平台的gpu+cpu并行计算的cnn框架。基于C++和opengles3.0开发，可以非常方便移植到任何一个支持opengles的平台上。

说明

• 本项目并非公司项目，纯粹为离职状态下的兴趣完成，个人条件限制待解决的问题还非常多(见下面TODO)。
• 有兴趣的开发者或者想沟通的欢迎联系我

libGDL特点

• 纯C++代码，没有依赖任何的第三方库，非常方便移植和编译。基于的libGPU是本人开发的一个C++版本的GPUImage
• 基于opengles 3.0实现，所以理论上libGDL可以应用于iphone5s及android 4.4之后的所有手机上
• 卷积层使用opengles的fbo渲染实现，全连接层基于neon优化
• 卷积层和全连接层为并行计算

TODO

• 详细的开发文档和说明文档后续会补充
• 重点放在了卷积层的优化上，全连接层只是简单使用了neon加速，还有较大优化空间
• 由于本人条件限制，android并未做较多的兼容性测试
• 卷积层的大部分时间都消耗在了纹理采样上，每个卷积层的计算速度和通道数、通道尺寸成正比。哪位gpu的底层大牛协助下优化采样效率，速度还可以提升一个量级（注意是量级的提升！）
• 目测android的显存有限，对于较大网络目前的框架会有问题。
• 卷积层和全连接层之间的数据交换使用pbo，但是我发现在少量iphone手机上，pbo并未起作用，耗时和glReadPixels耗时一样，这样会极大影响计算速度（可能在10ms以上）
• 对MobileNet、YOLO等常用模型的支持
• 模型转换目前只提供了tensorflow的ckpt格式转换

目录说明

• libGPU: 一个类似于GPUImage的跨平台opengles框架，支持2.0和3.0，项目地址：https://github.com/rexbu/libGPU
• src: libGDL的框架代码
• style: 基于libGDL定义的一个风格迁移源码
• tools: 一个以mnist为例的将tensorflow的ckpt模型转为gdl模型

demo说明

程序里提供了2个demo，一个风格迁移、一个mnist。

• 风格迁移使用了9个卷积层、1个正则层、9个逆卷积层，这样规模的网络在我的小米4c(骁龙808)上跑不起来，暂时不清楚是不是显存太小导致的 风格迁移的demo由于网络规模的问题，所以无法做到实时，demo结果如图：

性能

mnist为例进行了性能测试，模型13.1M，第一个卷积层5532，第二个卷积层5564，第一个全连接层31361024，第二个全连接层102410。

iphone5s的速度

小米4c的速度（骁龙808）