2022年5月，PyTorch官方宣布已正式支持在M1芯片版本的Mac上进行模型加速。官方对比数据显示，和CPU相比，M1上炼丹速度平均可加速7倍。哇哦，不用单独配个GPU也能加速这么多，我迫不及待地搞到一个M1芯片的MacBook后试水了一番，并把我认为相关重要的信息梳理成了本文。一，加速原理Question1，MacM1芯片为什么可以用来加速pytorch？因为MacM1芯片不是一个单纯的一个CPU芯片，而是包括了CPU(中央处理器)，GPU(图形处理器)，NPU(神经网络引擎)，以及统一内存单元等众多组件的一块集成芯片。由于MacM1芯片集成了GPU组件，所以可以用来加速pytorch.
基于Torchaudio构建数据集文章目录基于Torchaudio构建数据集前言02Trainingafeedforwardnetwork03Makingpredictions04Creatingacustomdataset05ExtractingMelspectrograms06Paddingaudiofiles07PreprocessingdataonGPU一、下载数据集文件目录标注格式二、UrbanSoundDataset类的定义三、提取梅尔频谱特征定义梅尔转换修改UrbanSoundDataset类，初始化时传入：重采样多声道合并完善get_item五、样本padding和cutcut
基于Torchaudio构建数据集文章目录基于Torchaudio构建数据集前言02Trainingafeedforwardnetwork03Makingpredictions04Creatingacustomdataset05ExtractingMelspectrograms06Paddingaudiofiles07PreprocessingdataonGPU一、下载数据集文件目录标注格式二、UrbanSoundDataset类的定义三、提取梅尔频谱特征定义梅尔转换修改UrbanSoundDataset类，初始化时传入：重采样多声道合并完善get_item五、样本padding和cutcut
因为一开始装的时候没有搞清楚安装逻辑，走了很多弯路。所以现在简述一下我的安装思路。可能存在错误，但结果最后我装好了。1.确认自己电脑独立显卡是否为NVIDIA我的台式电脑：（没有NVIDIA） 我的笔记本电脑：（没有NVIDIA）所以我的这两台设备都只能安装cpu版本的torch,cuda版本的可以放弃，因为我试过都没装好，还做过比如安装NVIDIA驱动器无用的操作。在官网生成torchcpu安装命令。condainstallpytorchtorchvisiontorchaudiocpuonly-cpytorch这里我用的是官网的源，有很多博主使用清华源，但是我清华源镜像怎么都访问不到。2.准
因为一开始装的时候没有搞清楚安装逻辑，走了很多弯路。所以现在简述一下我的安装思路。可能存在错误，但结果最后我装好了。1.确认自己电脑独立显卡是否为NVIDIA我的台式电脑：（没有NVIDIA） 我的笔记本电脑：（没有NVIDIA）所以我的这两台设备都只能安装cpu版本的torch,cuda版本的可以放弃，因为我试过都没装好，还做过比如安装NVIDIA驱动器无用的操作。在官网生成torchcpu安装命令。condainstallpytorchtorchvisiontorchaudiocpuonly-cpytorch这里我用的是官网的源，有很多博主使用清华源，但是我清华源镜像怎么都访问不到。2.准
cv2.imwrite是OpenCV中用来保存图片的函数。它接受两个参数：第一个参数是保存图片的文件名(包括文件路径)，第二个参数是要保存的图片数据。可以使用cv2.imread读取一张图片，然后使用cv2.imwrite保存这张图片。示例:importcv2#Readanimageimg=cv2.imread("example.jpg")#Savetheimagecv2.imwrite("example_output.jpg",img)这里有一些可用的可选参数，比如可以使用第三个参数来指定图片压缩质量。默认质量为95。cv2.imwrite("example_output.jpg",img,
目录1、torchstat 2、thop3、fvcore 4、flops_counter5、自定义统计函数FLOPS和FLOPs的区别：FLOPS：注意全大写，是floatingpointoperationspersecond的缩写，意指每秒浮点运算次数，理解为计算速度。是一个衡量硬件性能的指标。FLOPs：注意s小写，是floatingpointoperations的缩写（s表复数），意指浮点运算数，理解为计算量。可以用来衡量算法/模型的复杂度。在介绍torchstat包和thop包之前，先总结一下：torchstat包可以统计卷积神经网络和全连接神经网络的参数和计算量。thop包可以统计统
关于ResNet的原理和具体细节，可参见上篇解读：经典神经网络论文超详细解读（五）——ResNet（残差网络）学习笔记（翻译＋精读＋代码复现）接下来我们就来复现一下代码。源代码比较复杂，感兴趣的同学可以上官网学习： https://github.com/pytorch/vision/tree/master/torchvision本篇是简化版本 一、BasicBlock模块BasicBlock结构图如图所示： BasicBlock是基础版本，主要用来构建ResNet18和ResNet34网络，里面只包含两个卷积层，使用了两个3*3的卷积，通道数都是64，卷积后接着BN和ReLU。右边的曲线就是
很多时候我们需要把几张图片拼到一起，当然可以使用PS之类的软件来处理，但是使用python更快并且能批量处理。假设我们有三张图片： 使用代码把他们横向拼到一起： 当然也可以纵向：直接上代码，这里需要使用python的cv2模块：#-*-coding:utf-8-*-#把几张图拼到一起importcv2importnumpyasnpcount=0taskname='makeup'path1='C:/Users/Admin/Desktop/jay512/jay1.jpg'#直接用路径读取图path2='C:/Users/Admin/Desktop/jay512/jay2.jpg'path3
目录Unet++网络Denseconnectiondeepsupervision模型复现Unet++数据集准备模型训练训练结果Unet++：《UNet++:ANestedU-NetArchitectureforMedicalImageSegmentation》作者对Unet和Unet++的理解：研习U-Net 延续前文：语义分割系列2-Unet（pytorch实现）本文将介绍Unet++网络，在pytorch框架上复现Unet++，并在Camvid数据集上进行训练。Unet++网络DenseconnectionUnet++继承了Unet的结构，同时又借鉴了DenseNet的稠密连接方式（图1中
