1、查看python版本1）键盘windows+R键，弹出如下：2、 2）点击确定，弹出如下： 3）输入python，便可输出python版本2、查看cuda版本1）打开pycharm编辑器2）输入：importtorchprint(torch.version.cuda)3）运行后输出： 3、查看pytorch版本1）打开pycharm编辑器2）输入：importtorchprint(torch.__version__)3）运行后输出： 4、查看tensorflow版本1）打开pycharm编辑器2）输入：importtensorflowastfprint(tf.__version__)
目录1问题背景2问题探索2.1CUDA固有显存2.2显存激活与失活2.3释放GPU显存3问题总结4告别Bug1问题背景研究过深度学习的同学，一定对类似下面这个CUDA显存溢出错误不陌生RuntimeError:CUDAoutofmemory.Triedtoallocate916.00MiB(GPU0;6.00GiBtotalcapacity;4.47GiBalreadyallocated;186.44MiBfree;4.47GiBreservedintotalbyPyTorch)本文探究CUDA的内存管理机制，并总结该问题的解决办法2问题探索2.1CUDA固有显存在实验开始前，先清空环境，终端
目录1--动态输入和静态输入2--PytorchAPI3--完整代码演示4--模型可视化5--测试动态导出的Onnx模型1--动态输入和静态输入 当使用Pytorch将网络导出为Onnx模型格式时，可以导出为动态输入和静态输入两种方式。动态输入即模型输入数据的部分维度是动态的，可以由用户在使用模型时自主设定；静态输入即模型输入数据的维度是静态的，不能够改变，当用户使用模型时只能输入指定维度的数据进行推理。 显然，动态输入的通用性比静态输入更强。2--PytorchAPI 在Pytorch中，通过 torch.onnx.export()的 dynamic_axes参数来指定动态
一、配置好的环境：py3.9+pytorch1.8.0+cuda11.1_cudnn8_0+pytorch3d0.6.0+CUB1.11.0你可能觉得pytorch3d0.6.0版本有点低，但是折腾不如先配上用了，以后有需要再说。（后话：py3.9+pytorch1.12.1+cuda11.3_cudnn8_0+pytorch3d0.7.1+CUB1.11.0也OK的）1.1创建新环境condacreate-ntorch3Dtorch180python=3.9condaactivatetorch3Dtorch1801.2找之前的pytorch版本，我这里直接给出我的选择的版本#CUDA11.1
CUDA环境搭建[windows10]一、检查显卡支持的cuda版本二、安装vs2019三、安装cuda四、检测cuda是否安装成功五、配置vs项目总结：一、检查显卡支持的cuda版本（1）第一种方法：win+R打开cmd，输入nvidia-smi，我的显卡是nvidiageforcegt1030，支持的cuda版本是11.4。+-----------------------------------------------------------------------------+|NVIDIA-SMI471.41DriverVersion:471.41CUDAVersion:11.4||-
项目场景：显卡：QuadroK5200由于最近给十年前的老机器装pytorch遇到了很多问题最主要的是cuda的算力只能下载一定版本的CUDA驱动一定版本的CUDA又只能下载一定版本的pytorch在低版本的pytorch又必须是一定版本的python 提示：计算机的算力是固定的，由显卡决定。但是CUDA的版本是可以更改的，当CUDA版本过高，即使下载对应CUDA版本的Python与pytorc
一、Cuda下载安装1.查看对应版本win+r打开cmd命令行输入命令【nvidia-smi】如下图查看版本： 2.cuda下载点击cuda下载链接选择下载的版本不能高于自己的显卡驱动版本（例如：我这里是12.1，所以不能下载高于12.1的版本，这里我选择的是11.8。点进去后选择信息开始下载） 3.cuda安装双击下载的cuda文件，开始安装（位置默认就好不用更改）然后点击【同意并继续】这里选择【自定义】 取消驱动组件，其余按图片上勾选即可！ 点击【下一步】 等待安装即可！ 安装完成！ 4.cuda验证是否安装完成win+r打开cmd输入【nvcc-V】查看，如下图表示安装成功！
目录基本流程一、数据处理二、模型搭建三、定义代价函数&优化器四、训练附录nn.Sequentialnn.Modulemodel.train()和model.eval() 损失图神经网络基本流程《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili1.数据预处理（Dataset、Dataloader）2.模型搭建（nn.Module）3.损失&优化（loss、optimizer）4.训练（forward、backward）一、数据处理对于数据处理，最为简单的⽅式就是将数据组织成为⼀个。但许多训练需要⽤到mini-batch，直接组织成Tensor不便于我们操作。pytorch为我们提
背景：在C#项目实践中，对与图像处理采用opencv优选的方案有两种，EMGU.CV和OpenCVSharp。以下是两个的比较：Opencv方案许可证速度支持易用性OpenCVSharp许可证是阿帕奇2.0可以随意用快CPU上手简单EMGU.CV许可证商用时需要随软件开放源代码相对慢CPU、GPU需要学习默认OpenCVSharp不支持GPU，主因是OpenCV需要根据不同的Cuda版本进行编译，第一耗时长、第二版本多，因此编译不起。目的：介绍在C#中使用OpenCVSharpGPU的编译过程，解决工程化CPU的性能瓶颈、及机器学习算法结合的时候性能提升问题。一、准备GPU电脑准备，需要安装适
了解GPU并行计算CUDA一、CUDA和GPU简介二、GPU工作原理与结构2.1、基础GPU架构2.2、GPU编程模型2.3、软件和硬件的对应关系三、GPU应用领域四、GPU+CPU异构计算五、MPI与CUDA的区别一、CUDA和GPU简介CUDA（ComputeUnifiedDeviceArchitecture），是显卡厂商NVIDIA推出的运算平台。CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。开发人员可以使用C语言来为CUDA™架构编写程序，所编写出的程序可以在支持CUDA™的
