文章目录如何安装ubuntu20.04系统总体安装流程参考0.ubuntu换源1.禁用nouveau2.安装gcc2.5安装python3.:star2::star2::star2:安装显卡驱动(此步很重要)4.安装cuda5.安装miniconda6.安装cudnn7.安装pytorch8.所有都安装成功，验证cuda,pytorch,cudnn9.安装编辑器，如pycharm10.其他参考博客【深度学习环境配置】ubuntu20.04+4060Ti+CUDA11.8+pytorch（装机、显卡驱动、CUDA、cudnn、pytorch）📆安装时间2023.11.08-2023.11.10如
目录一、介绍二、仿射变换矩阵(M)1.M中六个元素的说明2.计算旋转角度3.M的计算过程三、输出状态(inliers)四、错切参数1.错切参数的定义2.错切参数例子（1）水平错切（2）垂直错切一、介绍 cv2.estimateAffine2D 是OpenCV库中的一个函数，用于估计两个二维点集之间的仿射变换矩阵。即第一个点集经仿射变换转换到第二个点集需要的操作，包括缩放、旋转和平移。 先来看代码：importcv2importnumpyasnp#原始点集srcPoints=np.array([[50,50],[200,50],[50,200]],dtype=np.float
WinDockerDesktop+WSL2部署PyTorch-CUDA服务至k8s算力集群WinDockerDesktop+WSL2安装安装WSL-Ubuntu拉取镜像并测试挂载数据并开放端口导出镜像或导入镜像在k8s集群部署WinDockerDesktop+WSL2安装首先根据你的操作系统版本安装WSL，记得切换WSL2，其次安装DockerDesktop，如果Docker安装后一直无法加载WSL，卸载后重新安装时不要勾选WSL，安装后去设置里面勾上WSL即可。安装WSL-Ubuntuwsl-l-vwsl--installUbuntu-18.04Windows中运行以上代码，WSL中安装Ub
原因：opencv-python的版本更新影响cv2.drawMarker(image_sgl,(x_co,y_co),(int(color[0]),int(color[1]),int(color[2])),marker_type,8,thickness=3)cv2.error:OpenCV(4.6.0):-1:error:(-5:Badargument)infunction'drawMarker'>Overloadresolutionfailed:>-Can'tparse'position'.Sequenceitemwithindex0hasawrongtype>-Can'tparse'po
1、鸢尾花数据iris.csviris数据集是机器学习中一个经典的数据集，由英国统计学家RonaldFisher在1936年收集整理而成。该数据集包含了3种不同品种的鸢尾花（IrisSetosa，IrisVersicolour，IrisVirginica）各50个样本，每个样本包含了花萼长度(sepallength)、花萼宽度(sepalwidth)、花瓣长度(petallength)、花瓣宽度(petalwidth)四个特征。iris数据集的主要应用场景是分类问题，在机器学习领域中被广泛应用。通过使用iris数据集作为样本集，我们可以训练出一个分类器，将输入的新鲜鸢尾花归类到三种品种中的某一
windows下安装PyTorch使用anaconda的虚拟环境来安装，前提是安装好了anaconda。利用conda或者pip安装PyTorch1.首先创建一个虚拟环境，这里我创建的虚拟环境命名为dgnncondacreate-ndgnnpython=3.8-n后面的参数指定虚拟环境名字，python后可以指定版本通常创建下载速度会比较慢，可以添加镜像来加速condacreate-ndgnnpython=3.8-chttps://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main-c后面的参数指定镜像地址，常见的镜像地址如下镜像名用于创建环境的镜像
在yolov5训练的模型，转onnx，再转rknn后，测试发现：rknn模型，量化与非量化，相较于pytorch模型，测试精度都有降低onnx模型，相较于pytorch模型，测试精度也有降低，且与rknn模型的精度更接近于是，根据这种测试情况，rknn模型的上游，就是onnx。onnx这里发现不对劲，肯定是这步就出现了问题。于是就查pytorch转onnx阶段，就存在转化的精度降低了。本篇就是记录这样一个过程，也请各位针对本文的问题，给一些建议，毕竟目前是发现了问题，同时还存在一些问题在。一、pytorch转onnx：torch.onnx.exportyolov5export.py:defex
MNIST数字识别是学习神经网络非常好的入门知识。MNIST是由YannLeCun等创建的手写数字识别数据集，简单易用，通过对该数据集的认识可以很好地对数据进行神经网络建模。目录1MNIST数据集2导入数据集3构建模型3.1定义神经网络3.2前向传播3.3计算损失3.4反向传播与参数更新4模型训练5模型评估6结果测试1MNIST数据集MNIST数据集主要是一些手写的数字图片及对应标签，该数据集的图片共有10类，分别对应阿拉伯数字0~9。数据集示例如下图所示。2导入数据集使用DataLoader对数据进行封装，PyTorch会在root目录下检测数据是否存在，当数据不存在时，则自动将数据下载到d
本篇文章借鉴了我的朋友Jc的报告，他是一个十分优秀的人。本篇文章记录了第一次完整训练优化的过程0关于数据集在CIFAR-10dataset的介绍中，cifar-10数据集一共10类图片，每一类有6000张图片，加起来就是60000张图片，每张图片的尺寸是32x32，图片是彩色图，整个数据集被分为5个训练批次和1个测试批次，每一批10000张图片。测试批次包含10000张图片，是由每一类图片随机抽取出1000张组成的集合。剩下的50000张图片每一类的图片数量都是5000张，训练批次是由剩下的50000张图片打乱顺序，然后随机分成5份，所以可能某个训练批次中10个种类的图片数量不是对等的，会出现
【Python/Opencv】cv2.transpose()和cv2.flip()函数文章目录【Python/Opencv】cv2.transpose()和cv2.flip()函数0.介绍1.cv2.transpose()2.cv2.flip()0.介绍在计算机视觉中，图像翻转是指将图像沿着某个轴进行对称翻转的操作。OpenCV库提供了多种方法来实现图像的翻转，常用的包括水平翻转和垂直翻转。水平翻转：水平翻转是将图像沿着垂直轴进行对称翻转的操作。通过这种操作，图像中原先位于左侧的内容将移动到右侧，而原先位于右侧的内容将移动到左侧。在OpenCV中，可以使用cv2.flip()函数来实现水平翻转
