目录*序言00|系统信息01|下载安装Jtop02|卸载自带的opencv2.1为什么要卸载自带的opencv2.2卸载默认的方法2.3安装依赖库03|Nvidia预构建opencv-cuda4.5参考资料*序言大部分人在解决问题的时候，百度输入的关键词不够准确，展示出来的页面多数是跟自己用的系统版本不一致，导致安装失败。这点对于新手来说特别要注意，正如，你刚好看到我的文章，我希望你能在搜索时用硬件+系统+要解决的问题格式，说不定能提高你的检索效率。另外说一句，在2023年，有一款工具ChatGPT也是根据你提的问题回答。00|系统信息cat/etc/lsb-release结果：ISTRIB_
睿智的目标检测——Pytorch搭建YoloV7-3D单目图像目标检测平台学习前言源码下载YoloV7-3D改进的部分（不完全）YoloV7-3D实现思路一、整体结构解析二、网络结构解析1、主干网络Backbone介绍2、构建FPN特征金字塔进行加强特征提取3、利用YoloHead获得预测结果三、预测结果的解码1、获得预测框与得分2、得分筛选与非极大抑制四、训练部分1、计算loss所需内容2、正样本的匹配过程a、匹配先验框与特征点b、SimOTA自适应匹配3、计算Loss训练自己的YoloV7-3D模型一、数据集的准备1、数据集加载格式修改1、dataloader数据加载修改1、3D目标的马赛
Ubuntu20.04LTS系统安装CUDA11.8、cuDNN，可进行CUDA版本切换1.更改为清华源并更新软件列表和依赖项2.安装CUDA3.安装cuDNN4.CUDA版本切换1.更改为清华源并更新软件列表和依赖项https://mirrors.tuna.tsinghua.edu.cn/help/ubuntu/#默认注释了源码镜像以提高aptupdate速度，如有需要可自行取消注释debhttps://mirrors.tuna.tsinghua.edu.cn/ubuntu/focalmainrestricteduniversemultiverse#deb-srchttps://mirror
OpenCVOpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android和MacOS操作系统上。它轻量级而且高效——由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。opencv官网github源码OpenGLOpenGL（英语：OpenGraphicsLibrary，译名：开放图形库或者“开放式图形库”）是用于渲染2D、3D矢量图形的跨语言、跨平台的应用程序编程接口（API）。这个接口由近350个不同的函数调用组成，用来从简单的图形
AI学习目录汇总1、导数和微分1.1导数的定义f′(x)=limh→0f(
一、简介 开源项目，文本提示的生成音频模型https://github.com/suno-ai/bark Bark是由Suno创建的基于变换器的文本到音频模型。Bark可以生成极为逼真的多语种演讲以及其他音频-包括音乐、背景噪音和简单的声音效果。该模型还可以产生非言语沟通，如笑声、叹息和哭声。为了支持研究社区，我们提供了预训练的模型检查点，可用于推断，并可供商业使用。二、演示链接:https://pan.baidu.com/s/1O9_la6TBar75NfI1yut4Lg?pwd=utqg提取码:utqg 三、支持的语言LanguageStatusEnglish(en)✅German(de)
即使我们可以利用反向传播来进行优化，但是训练过程中仍然会出现一系列的问题，比如鞍点、病态条件、梯度消失和梯度爆炸，对此我们首先提出了小批量随机梯度下降，并且基于批量随机梯度下降的不稳定的特点，继续对其做出方向和学习率上的优化。01、局部极小值，鞍点和非凸优化基于梯度的一阶和二阶优化都在梯度为零的点停止迭代，梯度为零的点并非表示我们真的找到了最佳的参数，更可能是局部极小值或者鞍点，在统计学习的大部分问题中，我们似乎并不关心局部极小值和全局最小值的问题，这是因为统计学习的损失函数经过设计是一个方便优化的凸函数，会保证优化问题是一个凸优化问题。在凸优化问题中，比如最小二乘和线性约束条件下的二次规划，
1.单指令多线程模式从硬件上看，一个GPU被分为若干个SM。线程块在执行时将被分配到还没完全占满的SM中，一个线程块不会被分配到不同的SM中，一个SM可以有一个或多个线程块。不同线程块之间可以并发或顺序地执行。当某些线程块完成计算任务后，对应的SM会部分或完全地空闲，然后会有新的线程块被分配到空闲的SM。从更细的粒度看，一个SM以32个线程为单位产生、管理、调度、执行线程，这样的32个线程称为一个线程束，每个线程束包含32个具有连续线程号的线程。在Volta架构之前，一个线程束中的线程拥有同一个程序计数器(programcounter)，但有各自不同的寄存器状态。在同一时刻，一个线程束中的线程
进入nvidia开发者网站的CUDA下载页面：CUDAToolkitArchive|NVIDIADeveloper选择runfile格式的CUDA文件下载，下载完成后，解压，并运行上图中的命令，会有条款，接受即可，注意安装CUDA的时候不要安装驱动（因为在第一步我们已经安装过了）。然后，sudovim~/.bashrc我们在文件最后一行添加：exportPATH="/usr/local/cuda-11.7/bin:$PATH"exportLD_LIBRARY_PATH="/usr/lcoal/cuda-11.7/lib64:$LD_LIBRARY_PATH"最后，使刚才的配置生效。source
目录一、深度残差网络（DeepResidualNetworks）简介深度学习与网络深度的挑战残差学习的提出为什么ResNet有效？二、深度学习与梯度消失问题梯度消失问题定义为什么会出现梯度消失？激活函数初始化方法网络深度如何解决梯度消失问题三、残差块（ResidualBlocks）基础残差块的核心思想结构组成残差块的变体四、ResNet架构架构组成4.1初始卷积层功能和作用结构详解为何不使用多个小卷积核?小结4.2残差块组（ResidualBlockGroups）功能和作用结构详解残差块组与特征图大小小结4.3全局平均池化（GlobalAveragePooling）功能和作用结构详解与全连接层
