本文通过详细且实践性的方式介绍了PyTorch的使用，包括环境安装、基础知识、张量操作、自动求导机制、神经网络创建、数据处理、模型训练、测试以及模型的保存和加载。1.Pytorch简介在这一部分，我们将会对Pytorch做一个简单的介绍，包括它的历史、优点以及使用场景等。1.1Pytorch的历史PyTorch是一个由Facebook的人工智能研究团队开发的开源深度学习框架。在2016年发布后，PyTorch很快就因其易用性、灵活性和强大的功能而在科研社区中广受欢迎。下面我们将详细介绍PyTorch的发展历程。在2016年，Facebook的AI研究团队（FAIR）公开了PyTorch，其旨在
UserWarning: floordiv isdeprecated,anditsbehaviorwillchangeinafutureversionofpytorch.Itcurrentlyroundstoward0原因：torch.floor_divide() 已弃用，将在未来的PyTorch版本中删除。它的名字用词不当，因为它实际上将商四舍五入为零而不是取其底数。要保持当前行为，请使用 torch.div() 和 rounding_mode='trunc' 。要实际执行楼层划分，请使用 torch.div() 和 rounding_mode='floor' 。解决办法：torch.flo
参考：https://www.bilibili.com/video/BV1Fx4y1j7yy/?spm_id_from=333.337.search-card.all.clickhttps://www.gongsunqi.xyz/posts/3c995b2a/#wsl%E5%AE%89%E8%A3%85anaconda%E5%B9%B6%E9%85%8D%E7%BD%AE%E7%8E%AF%E5%A2%83在深度学习中经常会用到linux环境，但是相对于windows，对于作者这样的小白，使用linux肯定不是首选，但是最近用到了某些包，只能在linux环境下使用，在安装双系统时，发现了WSL
在使用gpu进行训练或推理会比纯用cpu快好几倍，所以一般我们如果设备有gpu都尽量会用上gpu。首先能使用gpu的有：数据（输入的图片、标注的label），损失函数，网络模型。方法一这三处都调用.cuda()进行返回。网络模型：损失函数：数据（输入的图片、标注的label）：训练集、验证集、测试集（这里拿训练集贴图举例）。方式二首先定义网络训练的设备，然后三处都调用.to(device)进行返回#定义训练的设备device=torch.device("cuda"iftorch.cuda.is_available()else"cpu")网络模型：损失函数：数据（输入的图片、标注的label）：
直接按官网命令下载torch文件太慢，有时候还可能下一半直接中断导致下载失败。。我们到https://download.pytorch.org/whl/torch_stable.html这个网站里： cu+序号后面表示cuda版本，即GPU版本（cpu+序号表示cpu)，如cu117表示cuda11.7；cp+序号表示python版本，如cp310表示python3.10；我们按自己的cuda版本和python版本找到对应的torch和torchversion文件即可，下载贼快。找到对应文件下载好放入需要配置torch的文件夹下：然后是pipinstall+文件名（注意要带whl)，如：pip
目录1.查看显卡版本命令：2.更新驱动：2.1下载显卡驱动2.2安装前配置2.3安装显卡驱动3.下载更换cuda版本：3.1下载cuda：3.2安装过程中遇到一些选项，同意协议accept3.3vi~/.bashrc末端加上配置信息参考连接：1.查看显卡版本命令：nvidia-smi：GPU驱动版本，driverAPI（支持的最高cuda版本）。watch-n1nvidia-smi：动态监控显卡状态。nvcc-V：cuda版本，timeAPI（运行时API）。2.更新驱动：2.1下载显卡驱动查看自己的显卡信息：lspci|grep-invidia 根据自己的显卡信息去登录NVIDIA官方下载适
RuntimeError:nms_impl:implementationfordevicecuda:0notfound.关于mmpose的网页搜索并不多，查了一些资料是cuda不匹配的问题，参考添加链接描述，后续检查了自己配置，是匹配的。就卸载了mmcv-full,在重新安装，安装命令是pipinstallmmcv-full没有后面的指定版本，运行demo时成功！虽然卸载的和再重新下载的版本一致，但就是可以了，很奇怪，能运行就行，哈哈哈哈
图神经网络(gnn)是一类功能强大的神经网络，它对图结构数据进行操作。它们通过从节点的局部邻域聚合信息来学习节点表示(嵌入)。这个概念在图表示学习文献中被称为“消息传递”。消息(嵌入)通过多个GNN层在图中的节点之间传递。每个节点聚合来自其邻居的消息以更新其表示。这个过程跨层重复，允许节点获得编码有关图的更丰富信息的表示。gnn的一主要变体有GraphSAGE[2]、GraphConvolutionNetwork[3]等。图注意力网络(GAT)[1]是一类特殊的gnn，主要的改进是消息传递的方式。他们引入了一种可学习的注意力机制，通过在每个源节点和目标节点之间分配权重，使节点能够在聚合来自本地
0、引言最近工作中需要用到使用CUDA加速后的opencv进行传统算法的开发，在编程之前，需要先解决环境编译和lib库问题，本文就是记录自己编译opencv-4.7.0的全过程。1、CUDA下载和安装可参考我之前的博客WIN10安装配置TensorRT详解中的前几节，可以清楚的知道如何在Windows10系统上安装适合自己的CUDA以及验证CUDA是否可用2、opencv-4.7.0+opencv-contrib-4.7.0下载opencv的官方网站release了很多版本的opencv，如下图所示：博主选择opencv-4.7.0的sources进行下载。opencv-contrib-4.7
importtimeimporttorch#测试gpu计算耗时A=torch.ones(5000,5000).to('cuda')B=torch.ones(5000,5000).to('cuda')startTime2=time.time()foriinrange(100):C=torch.matmul(A,B)endTime2=time.time()print('gpu计算总时长:',round((endTime2-startTime2)*1000,2),'ms')#测试cpu计算耗时A=torch.ones(5000,5000)B=torch.ones(5000,5000)startTim
