写在前面的注意事项！记得在每次搞新项目的时候先配置一个pytorch环境，或者复制已有的环境condacreate-n新环境名--clone旧环境名之后可以 condalist一下（或者condaenvlist，查看是否新建成功），看看新环境的配置怎么样~首先，如果想使用GPU版本的pytorch，那就先判断自己电脑是否有NVIDIA（英伟达），有的话才能实现之后的GPU版本的pytorch的配置判断方法：电脑左下角搜索—任务管理器—性能—看是否有GPU字眼如下图，说明我的电脑上有GPU没有的话也不用着急，不影响Anaconda和Pycharm的安装和使用，而且你可以使用CPU的Pytorch
Pycharm中可以使用本地安装的python程序作为解释器参考文章1，CUDA与cuDNN安装教程（超详细）参考文章2，完整在pycharm上通过torch调用GPU（最细节）环境变量：一定要配置环境变量，下面是本机安装的cuda和cudnn的环境变量C:\ProgramFiles\NVIDIAGPUComputingToolkit这是CUDA默认安装路径，安装时不要修改C:\ProgramFiles\NVIDIAGPUComputingToolkit\CUDA\v10.1\extras\demo_suitedemo_suite文件夹里有两个文件：bandwidthTest.exe和devi
Pycharm中可以使用本地安装的python程序作为解释器参考文章1，CUDA与cuDNN安装教程（超详细）参考文章2，完整在pycharm上通过torch调用GPU（最细节）环境变量：一定要配置环境变量，下面是本机安装的cuda和cudnn的环境变量C:\ProgramFiles\NVIDIAGPUComputingToolkit这是CUDA默认安装路径，安装时不要修改C:\ProgramFiles\NVIDIAGPUComputingToolkit\CUDA\v10.1\extras\demo_suitedemo_suite文件夹里有两个文件：bandwidthTest.exe和devi
Cuda和GPU版torch安装最全攻略，以及在GPU上运行torch代码查看可用torch版本下载CUDA安装cudnn下载cudatoolkit下载GPU版本的pyTorch先查看当前有哪些Torch版本下载torch和torchvision的whl文件pipinstall安装并检查importtorch并检查是否可用的cuda版本在GPU运行torch代码GPUtorch常用指令指定device为CPU或GPU查看GPU是否可用及设备名称在GPU上建立Tensor查看内存大小和显存信息如果GPU设备可用，将默认热备改为GPU总结参考查看可用torch版本在condaprompt中检查是否
Cuda和GPU版torch安装最全攻略，以及在GPU上运行torch代码查看可用torch版本下载CUDA安装cudnn下载cudatoolkit下载GPU版本的pyTorch先查看当前有哪些Torch版本下载torch和torchvision的whl文件pipinstall安装并检查importtorch并检查是否可用的cuda版本在GPU运行torch代码GPUtorch常用指令指定device为CPU或GPU查看GPU是否可用及设备名称在GPU上建立Tensor查看内存大小和显存信息如果GPU设备可用，将默认热备改为GPU总结参考查看可用torch版本在condaprompt中检查是否
【编码推流】使用FFmpeg调用GPU编码推rtmp流1、背景2、FFmpeg调用GPU编码推流3、说明1、背景CPU编码推流的博客可以参考：【编码推流】使用FFmpeg调用CPU编码推rtmp流https://jn10010537.blog.csdn.net/article/details/123538783本博客介绍使用GPU编码推流，即使用英伟达显卡进行编码推rtmp流。注意：你需要编译ffmpeg以支持英伟达的显卡。2、FFmpeg调用GPU编码推流下面是演示使用ffmpeg调用gpu进行编码并推流到流媒体服务器上。注意：你需要编译ffmpeg以支持英伟达的显卡。#coding=utf
【编码推流】使用FFmpeg调用GPU编码推rtmp流1、背景2、FFmpeg调用GPU编码推流3、说明1、背景CPU编码推流的博客可以参考：【编码推流】使用FFmpeg调用CPU编码推rtmp流https://jn10010537.blog.csdn.net/article/details/123538783本博客介绍使用GPU编码推流，即使用英伟达显卡进行编码推rtmp流。注意：你需要编译ffmpeg以支持英伟达的显卡。2、FFmpeg调用GPU编码推流下面是演示使用ffmpeg调用gpu进行编码并推流到流媒体服务器上。注意：你需要编译ffmpeg以支持英伟达的显卡。#coding=utf
如何使用云端GPU训练yolov5（colab）一、获取yolov5文件从githup上直接在下载，（科学上网）链接：link二、上传文件到colab直接google搜索colab，用New–>More–>GoogleColaboratory,新建一个note文件创建完之后，可以自己取个名字，这里取名为yolov5.ipynb，然后点击左侧文件图标，等待一会，点击upload图标，找到yolov5的下载路径（因为是单个文件，所以必须把文件变成压缩包的形式），然后进行上传，上传完成后，点击刷新按钮，就可以看到上传的文件。上传好后如图所示三、训练1、设置GPU资源将自己的环境换成具有GPU的配置，
如何使用云端GPU训练yolov5（colab）一、获取yolov5文件从githup上直接在下载，（科学上网）链接：link二、上传文件到colab直接google搜索colab，用New–>More–>GoogleColaboratory,新建一个note文件创建完之后，可以自己取个名字，这里取名为yolov5.ipynb，然后点击左侧文件图标，等待一会，点击upload图标，找到yolov5的下载路径（因为是单个文件，所以必须把文件变成压缩包的形式），然后进行上传，上传完成后，点击刷新按钮，就可以看到上传的文件。上传好后如图所示三、训练1、设置GPU资源将自己的环境换成具有GPU的配置，
背景：最近用mmdet的时候发现一个问题，在pipeline里进行一些随机操作（例如随机裁剪）的时候，设定一个随机种子randomseed，理论上每次随机操作的结果都不同，但是实际上发现会有2张图的操作结果是一样的。本来以为是batch_size的问题，就去修改了sampers_per_gpu。结果发现实际上是workers_per_gpu的问题。因此就来好好研究下这俩个参数的作用和意义。实际上科班的应该对进程比较熟悉，但是也考虑到有很多像我一样非科班的小白，可能对进程workers不是很理解，故此记录下，也欢迎大佬交流指正这俩个参数具体出现在configs文件里 sampers_per_gp
