一、配置基本软件与环境（十分甚至九分的重要）Python（3.7-3.9为佳）参考网址：DownloadPython|Python.org不装个人感觉也可以，后面Anaconda配置虚拟环境时会附带Python。PyCharm（可以装最新版本，有米装Pro，没米装Community够用）参考网址：DownloadPyCharm:PythonIDEforProfessionalDevelopersbyJetBrainsAnaconda（笔者在学的时候最头疼的就是这玩意儿）参考网址：Anaconda|AnacondaDistribution（推荐最新）你想找老版本也可以进Indexof/(anac
首先第一步就是不要跑到官网里边去按照官网给的提示去下载！！不要不要不要！也不要去什么用清华镜像源啥的，因为根本找不到，很折腾！直接在这个网站download.pytorch.org/whl/cu100/torch_stable.html里边找你想要下载的torch1.0.0版本以及torchvision(如果要装cudatoolkit10.2版的torch，那就是把前面url的链接中cu100改成cu102)像这样download.pytorch.org/whl/cu102/torch_stable.html之后下载相应的包 要注意关于torch，如果你安装的python是3.7.0版本的那你
PyTorch深度学习实战（2）——PyTorch基础0.前言1.搭建PyTorch环境2.PyTorch张量2.1张量初始化2.2张量运算2.3张量对象的自动梯度计算3.PyTorch张量相对于NumPy数组的优势小结系列链接0.前言PyTorch是广泛应用于机器学习领域中的强大开源框架，因其易用性和高效性备受青睐。在本节中，将介绍使用PyTorch构建神经网络的基础知识。首先了解PyTorch的核心数据类型——张量对象。然后，我们将深入研究用于张量对象的各种操作。PyTorch提供了许多帮助构建神经网络的高级方法及组件，并提供了利用GPU更快地训练神经网络的张量对象。1.搭建PyTorch
想象一下，我们需要用python编程语言构建某个对象的三维模型，然后将其可视化，或者准备一个文件以便在3D打印机上打印。有几个库可以解决这些问题。让我们看一下如何在python中从点、边和图元构建3D模型。如何执行基本3D建模技术：移动、旋转、合并、减去等。在线工具推荐：Three.jsAI纹理开发包-YOLO合成数据生成器-GLTF/GLB在线编辑-3D模型格式在线转换-3D场景编辑器我们将使用以下Python库完成上述任务：numpy-stlpymeshpytorch3dSolidPython使用每个库，我们构建门格尔海绵分形，将模型保存到stl文件，然后渲染图像。在此过程中，我们简要了解
写在前面：从0基础开始断断续续装了快4天，到处找解决方法，中间经历10多次的remake，最后应该算是装好了，特此记录一下，顺便防止我以后再配环境的时候忘了操作。。1、安装cuda和cudnn首先查看cudadriverversion命令行（win+R并输入cmd）输入nvidia-smi右边可以看硬件上的cudadriver版本其中cudadriver版本≥cudaruntime版本（即Pytorch可以选择的cuda版本），我最开始的版本是10.2，发现Pytorch中现在没有10.2的cuda了（主要是以前的没看到），然后选择升级cudadriverversion到11.6，想想还是升最
第一步：为PyTorch单独创建conda环境需要先创建一个单独的conda环境，用于匹配对应的PyTorch版本。这一步不是必须的，但可以很方便的为PyTorch创建一个干净且独立的Python环境。这里使用比较稳定的3.6版本的Python解释器，创建代码如下：condacreate-npytorchpython=3.6运行结果如下，看到这样的界面表示Pytorch环境创建成功：第二步：进入Pytorch官网，找到linux下的安装代码：Pytorch官网：PyTorch因为我的电脑没有CUDA，这里是只能安装CPU版本的。复制以下命令，以作备用：condainstallpytorchto
任务：在一个有GPU的电脑上安装pytorch时选择合适版本。简述：安装pytorch时，若要使用GPU，需要考虑与CUDA，python的版本兼容情况。推荐考虑顺序：CUDA电脑GPU可/在使用的版本，pytorch可兼容CUDA的版本，python可兼容pytorch的版本。注意，版本大多向下兼容。细节描述：查询版本兼容的顺序：先查看电脑的GPU安装的cuda版本。右键电脑桌面的空白处，单击"NVIDIA控制面板"，点击其左下角"系统信息"，选择弹出窗口内的"组件"，即可查看CUDA版本信息。再查看该cuda版本可兼容的pytorch版本有哪些。对应官网。然后查看和那些pytorch版本兼
ubuntu20.04系统4060安装cuda11.8和cudnn8.6一：安装nvidia-driver-5251：查看本机显卡能够配置的驱动信息在终端输入：ubuntu-driversdevices2：推荐安装的版本号是：安装代码：sudoaptinstallnvidia-driver-525重启电脑(这一步很重要，不重启没有效果):reboot3：重启后，输入命令查看nvidia驱动是否安装好了，gpu是否可用。nvidia-smi二：安装cuda11.81：下载地址为：https://developer.nvidia.com/cuda-toolkit-archive2：选择电脑配置3：
往期回顾：时间序列预测专栏——包含上百种时间序列模型带你从入门到精通时间序列预测一、本文介绍本文讲解的实战内容是GRU(门控循环单元)，本文的实战内容通过时间序列领域最经典的数据集——电力负荷数据集为例，深入的了解GRU的基本原理和框架，GRU是时间序列领域最常见的Cell之一，其相对于LSTM需要的参数量更少结构也更加简单，经常用于复杂的模型的过度单元，本文的讲解内容包括详细的代码讲解，带你一行一行的理解整个项目的流程，从而对整个项目有一个深入的了解，如果你是时间序列领域的新人，这篇文章可以带你入门时间序列领域并对时间序列的流程有一个详细的了解。预测类型->单元预测、多元预测、长期预测代码地
目录前言一.整体代码结构二.write_txt.py三.yoloData.py四.网络结构五.yoloLoss.py六.train.py七.predict.py八.预测结果前言 前面我们介绍了yolov1-v5系列的目标检测理论部分，以及R-CNN，FastR-CNN，FasterR-CNN，SSD目标检测算法的理论部分，有不懂的小伙伴可以回到前面看看，下面附上链接：目标检测实战篇1——数据集介绍(PASCALVOC，MSCOCO)YOLOv1目标检测算法——通俗易懂的解析YOLOv2目标检测算法——通俗易懂的解析YOLOv3目标检测算法——通俗易懂的解析YOLOv4目标检测算法——通俗易懂
