整个代码分两个阶段第一阶段的识别是YOLOv5来实现的第二阶段是追踪，由DeepSort算法来实现。再次基础上进行了计数代码地址：https://github.com/dongdv95/yolov5/tree/master/Yolov5_DeepSort_Pytorch把代码git下来gitclonehttps://github.com/dongdv95/yolov5/tree/master/Yolov5_DeepSort_Pytorch2.配置环境，把所有依赖的包安装上作者要求python>=3.8;torch>=1.7,我的conda虚拟环境里有python=3.6和python=3.7的

目录一、概述1.1深度信念网络的概述1.2深度信念网络与其他深度学习模型的比较结构层次学习方式训练和优化应用领域1.3应用领域图像识别与处理自然语言处理推荐系统语音识别无监督学习与异常检测药物发现与生物信息学二、结构2.1受限玻尔兹曼机（RBM）结构与组成工作原理学习算法应用2.2DBN的结构和组成层次结构网络连接训练过程应用领域2.3训练和学习算法预训练微调优化方法评估和验证三、实战3.1DBN模型的构建定义RBM层构建DBN模型定义DBN的超参数3.2预训练RBM的逐层训练对比散度（CD）算法3.3微调监督训练微调训练模型验证和测试3.4应用分类或回归任务特征学习转移学习在线应用四、总结本

看了下原因为没有装pytorch。（印象中是装了的不知道什么时候这台服务器没有了。。）解决方案：到pytorch官网上找到对应的cuda版本的pytorch安装即可PreviousPyTorchVersions|PyTorch比如我的是cuda10.2（使用nvcc-V命令查看）那么就是使用以下命令安装——condainstallpytorch==1.12.1torchvision==0.13.1torchaudio==0.12.1cudatoolkit=10.2-cpytorch 

文章目录一、项目思路二、源码下载（1）网络模型：`resnet.py`（2）附属代码1：`_internally_replaced_utils.py`（3）附属代码2：`utils.py`三、源码详解3.1、导入模块3.2、API接口：_resnet()3.2.1、调用预训练模型（1）torchvision.models简介（2）在线下载预训练模型3.2.2、ResNet网络（核心）（1）基础模块：BasicBlock（2）基础模块：Bottleneck（3）3x3卷积+1x1卷积四、模型实战（打印权重参数个数+打印网络模型）五、项目实战（CIFAR-10数据集分类）参考文献一、项目思路该项目

1.全局内存核函数中的所有线程都能够访问全局内存(globalmemory)。全局内存的容量是所有设备内存中最大的，但由于它没有放在GPU芯片内部，因此具有相对较高的延迟和较低的访问速度，cudaMalloc分配的就是全局内存。此外，当处理逻辑上的二维或者三维问题时，还可以使用cudaMallocPitch和cudaMalloc3D分配内存，用cudaMemcpy2D和cudaMemcpy3D复制数据，释放时依然使用cudaFree函数。除了上述动态分配的全局内存外，CUDA也允许使用静态全局内存，其所占内存数量是在编译期确定的。静态全局内存变量必须在所有主机与设备函数外部定义，从其定义之处开

linux用户下更换cuda版本及部分细节安装cuda进入cuda版本选择页面选择对应版本，这里以cuda11.3.0为例，选择对应的系统信息，选择runfile(local)1.运行代码进行下载wgethttps://developer.download.nvidia.com/compute/cuda/11.3.0/local_installers/cuda_11.3.0_465.19.01_linux.run2.运行安装代码sudoshcuda_11.3.0_465.19.01_linux.run取消第一个Driver部分的安装，方向键上下进行选择，回车键勾选或取消，取消原因参考文章，选择

前言实验室工作站被多人使用导致需求不同的cuda版本，一直没找到一个完全完整靠谱的教程，这是我参考几个博客完成测试的全过程记录，方便以后操作，无任何商业用途，如有侵权，请联系删除。注：其中好多摘录自其他博客，我在操作过程中大部分未保存结果，只能用其他博客中我认为合适的图片等代替一、确定安装的软件版本安装前需先确定显卡驱动、CUDA、cuDNN等之间的对应关系。由于我的帐户没有管理员权限，不能安装显卡驱动，只能根据现有驱动的版本来选择CUDA版本，输入指令cat/proc/driver/nvidia/version查看当前服务器版本号文中目录结构解释如下：用户名为zb；目录/home/zb/cu

作者：禅与计算机程序设计艺术1.简介Pygame是Python中用于制作游戏、交互式艺术或多媒体应用的一款免费开源软件包。作为一种跨平台解决方案，它支持Windows、Linux和Mac系统，并且支持C、C++、Python语言及其扩展版本。Pygame的简单易用特性使得游戏编程变得十分容易。本文将基于Pygame和PyTorch深入探讨如何在游戏项目中集成PyTorch深度学习框架，并演示如何使用Pytorch实现一个简单的基于Pygame的游戏项目——FlappyBird。PyTorch是一个开源的深度学习库，提供了高级的机器学习API。它的主要功能包括GPU加速计算，动态计算图和自动求导

树莓派官方最新64位（aarch64）系统安装Pytorch和OpenCV原文地址一.设置镜像源armv7l是armhf的衍生，而在树莓派中armhf默认是指32位（我不确定这个说法对不对，但在清华源里，armv7l用户指的就是32位的用户）。因为我们使用的是arm64架构（也就是安装的64位系统），所以我们选择aarch64用户的配置。用以下内容替换原“/etc/apt/sources.list”里的内容先替换sources.list里面的内容sudonano/etc/apt/sources.list用下面的内容替换#aarch64用户：编辑`/etc/apt/sources.list`文件

1.GPU简介GPU与CPU的主要区别在于：CPU拥有少数几个快速的计算核心，而GPU拥有成百上千个不那么快速的计算核心。CPU中有更多的晶体管用于数据缓存和流程控制，而GPU中有更多的晶体管用于算数逻辑单元。所以，GPU依靠众多的计算核心来获得相对较高的并行计算性能。一块单独的GPU无法独立地完成所有计算任务，它必须在CPU的调度下才能完成特定任务，因此当我们讨论GPU计算时，其实指的是CPU+GPU的异构计算。通常将起控制作用的CPU称为主机(host)，起加速作用的GPU称为设备(device)，它们之间一般采用PCIe总线连接。NVIDIA公司出品的GPU中，支持CUDA(Comput