文章目录一、PyTorch环境的配置及安装二、Pycharm、jupyter的安装1.Pycharm2.jupyter三、Python学习中的两大法宝函数（help、dir）四、加载数据（Dataset）五、TensorBorad的使用六、Transformer1.compose2.toTensor3.Normalize4.Resize七、torchvision中数据集的使用1.torchvision.datasets八、dataloader九、nn.module十、卷积操作十一、卷积层十二、池化层十三、非线性激活十四、线性层十五、Sequential十六、损失函数和反向传播1.损失函数2.反
Torchvision.models包里面包含了常见的各种基础模型架构，主要包括以下几种：（我们以ResNet50模型作为此次演示的例子）AlexNetVGGResNetSqueezeNetDenseNetInceptionv3GoogLeNetShuffleNetv2MobileNetv2ResNeXtWideResNetMNASNet首先加载ResNet50模型，如果如果需要加载模型本身的参数，需要使用pretrained=True，代码如下importtorchvisionfromtorchvisionimportmodelsresnet50=models.resnet50(pretra
在远程服务器安装pytorch，根据官网命令进行安装，但在完成之后，显示GPU不可用，故记录此大坑。一、根据官网进行安装 安装的很快，但是！！安装结束之后，输入以下代码进行安装验证却显示没有成功安装！！importtorch#如果pytorch安装成功即可导入print(torch.cuda.is_available())#查看CUDA是否可用print(torch.cuda.device_count())#查看可用的CUDA数量print(torch.version.cuda)#查看CUDA的版本号所以这表明安装大失败！但是不死心的我又输入以下语句来检查torchcondalist这表明我们
一、准备工作查看GPU状态和信息，找到空闲的GPU：nvidia-smi二、指定单GPU从图中Processes 表格我们可以发现0、1、2号GPU均是可以利用的。于是我们可以在python文件中加入以下代码，表示使用0号GPU：importosos.environ["CUDA_VISIBLE_DEVICES"]="0"#使用0号GPU或者可以在命令行窗口处输入，表示使用1号GPU运行代码：CUDA_VISIBLE_DEVICES=1pythonyour_model.py#使用1号GPU运行代码再或者使用 torch.cuda.set_device()函数指定gpu使用编号：importtor
一、准备工作查看GPU状态和信息，找到空闲的GPU：nvidia-smi二、指定单GPU从图中Processes 表格我们可以发现0、1、2号GPU均是可以利用的。于是我们可以在python文件中加入以下代码，表示使用0号GPU：importosos.environ["CUDA_VISIBLE_DEVICES"]="0"#使用0号GPU或者可以在命令行窗口处输入，表示使用1号GPU运行代码：CUDA_VISIBLE_DEVICES=1pythonyour_model.py#使用1号GPU运行代码再或者使用 torch.cuda.set_device()函数指定gpu使用编号：importtor
小白刚开始学习《动手学深度学习》，第一次发文，本文主要是为了记录在环境搭建过程中遇到的问题和疑惑，以及解决方法，同时希望能帮到遇到相同问题的小伙伴。在学习中遇到的疑惑和最后搜索得到的解答，都放在了每一段的Q&A中了，若遇到问题可查看。另外特别感谢在搭建过程中从此答主处收获颇丰，本文许多内容与环境搭建实现过程都是对此教程的复现：阖家欢乐：搭建深度学习平台的详细过程（pytorch安装）https://zhuanlan.zhihu.com/p/393409713话不多说，开干：本次环境搭建所需安装的有：Miniconda、CUDA、cuDNN、torch、torchvision、pycharm首要
小白刚开始学习《动手学深度学习》，第一次发文，本文主要是为了记录在环境搭建过程中遇到的问题和疑惑，以及解决方法，同时希望能帮到遇到相同问题的小伙伴。在学习中遇到的疑惑和最后搜索得到的解答，都放在了每一段的Q&A中了，若遇到问题可查看。另外特别感谢在搭建过程中从此答主处收获颇丰，本文许多内容与环境搭建实现过程都是对此教程的复现：阖家欢乐：搭建深度学习平台的详细过程（pytorch安装）https://zhuanlan.zhihu.com/p/393409713话不多说，开干：本次环境搭建所需安装的有：Miniconda、CUDA、cuDNN、torch、torchvision、pycharm首要
YOLOv8出来一段时间了，继承了分类、检测、分割，本文主要实现自定义的数据集，使用YOLOV8进行检测模型的训练和使用YOLOv8此次将所有的配置参数全部解耦到配置文件default.yaml，不再类似于YOLOv5，一部分在配置文件，一部分在train.py中1.运行环境windows11和Ubuntu20.04（建议使用Linux系统）首先切换到自己建立的虚拟环境安装pytorchtorch1.12.0+cu116（根据自身设备而定）torchvision0.13.0+cu116（根据自身设备而定）安装完成后，使用git命令将源码克隆下来gitclonehttps://github.co
YOLOv8出来一段时间了，继承了分类、检测、分割，本文主要实现自定义的数据集，使用YOLOV8进行检测模型的训练和使用YOLOv8此次将所有的配置参数全部解耦到配置文件default.yaml，不再类似于YOLOv5，一部分在配置文件，一部分在train.py中1.运行环境windows11和Ubuntu20.04（建议使用Linux系统）首先切换到自己建立的虚拟环境安装pytorchtorch1.12.0+cu116（根据自身设备而定）torchvision0.13.0+cu116（根据自身设备而定）安装完成后，使用git命令将源码克隆下来gitclonehttps://github.co
Faster-RCNN模型搭建跑通总结0、前言1、准备操作系统2、安装驱动及cuda2.1、安装驱动2.2、安装cuda3、安装anaconda和pytorch3.1安装anaconda3.1.1为什么推荐安装anaconda而不是pip安装？3.1.2安装anaconda3.1.3配置国内镜像源3.2安装pytorch3.2.1确认要安装的pytorch版本3.2.2安装pytorch3.2.2.1在conda中创建虚拟环境3.2.2.2激活该虚拟环境3.2.2.3在该环境中安装pytorch3.2.2.4确认安装的pytorch版本4、训练faster-rcnn模型4.1下载模型到本地4.
