文中图片大部分来自NVIDIA产品白皮书TODO：英伟达显卡型号梳理目录：一、NVIDIAGPU的架构演变历史二、Tesla架构三、Fermi架构四、Kepler架构五、Maxwell架构六、Pascal架构七、Volta架构八、Turing架构九、Ampere架构十、Hopper架构一、NVIDIAGPU的架构演变历史和基本概念[1]截止2021年，发布时间离我们最近的8种NVIDIAGPU微架构是：Tesla (特斯拉)Fermi（费米）Kepler（开普勒）Maxwell（麦克斯韦）Pascal（帕斯卡）Volta（伏特）Turing（图灵）Ampere（安培）Hopper（赫柏）NVI
文章目录前言一、准备工作二、CPU版本三、GPU版本四、编译好的.whl文件（CPU和GPU）以及bazel压缩包总结前言MediaPipe是一款由GoogleResearch开发并开源的多媒体机器学习模型应用框架，可以直接调用其API完成目标检测、人脸检测以及关键点检测等。本文将详细介绍MediaPipe在嵌入式平台JestonNano上的安装与使用。由于GPU版需要更改许多文件，打开文件，“CTRL+F"可以搜索文件。一、准备工作1、下载MediaPipegitclone-bv0.8.5https://github.com/google/mediapipe2、安装官方编译器bazel4.0
文章目录前言一、准备工作二、CPU版本三、GPU版本四、编译好的.whl文件（CPU和GPU）以及bazel压缩包总结前言MediaPipe是一款由GoogleResearch开发并开源的多媒体机器学习模型应用框架，可以直接调用其API完成目标检测、人脸检测以及关键点检测等。本文将详细介绍MediaPipe在嵌入式平台JestonNano上的安装与使用。由于GPU版需要更改许多文件，打开文件，“CTRL+F"可以搜索文件。一、准备工作1、下载MediaPipegitclone-bv0.8.5https://github.com/google/mediapipe2、安装官方编译器bazel4.0
一、docker的概念原理参考资料：https://zhuanlan.zhihu.com/p/81693661 https://www.zhihu.com/question/506867139 https://blog.csdn.net/weixin_44751294/article/details/123191429 看过上面两个链接，就对docker是什么作用，怎么用有个大概的了解。简单摘要一些对我来说比较重要的点如下：（1）docker可以让环境配置变得简单，在多人同时使用一台服务器或者时不时换电脑换机器所有的包时都很有用（2）docker可以看
一、docker的概念原理参考资料：https://zhuanlan.zhihu.com/p/81693661 https://www.zhihu.com/question/506867139 https://blog.csdn.net/weixin_44751294/article/details/123191429 看过上面两个链接，就对docker是什么作用，怎么用有个大概的了解。简单摘要一些对我来说比较重要的点如下：（1）docker可以让环境配置变得简单，在多人同时使用一台服务器或者时不时换电脑换机器所有的包时都很有用（2）docker可以看
一，导出onnx模块1.1运行python.\export.py导出onnx模块 yolov7提供了简单的点对点预测，不需要再重新写NMS，非常方便，于是当然采用--end2end方法啦，命令如下图： 运行时发现没装onnx,那就安装好了1.2安装onnxcondainstall-cconda-forgeonnx但是！又出现了这个问题原因是__int__()需要2到7个参数，但给了8个参数。查看代码export.py159行，确实是8个参数：修改为义下代码： 问题解决。2，.NETC#Microsoft.ML.OnnxRuntime.GPU版调用onnx模型2.1安装onnxrunti
一，导出onnx模块1.1运行python.\export.py导出onnx模块 yolov7提供了简单的点对点预测，不需要再重新写NMS，非常方便，于是当然采用--end2end方法啦，命令如下图： 运行时发现没装onnx,那就安装好了1.2安装onnxcondainstall-cconda-forgeonnx但是！又出现了这个问题原因是__int__()需要2到7个参数，但给了8个参数。查看代码export.py159行，确实是8个参数：修改为义下代码： 问题解决。2，.NETC#Microsoft.ML.OnnxRuntime.GPU版调用onnx模型2.1安装onnxrunti
在Pycharm中使用pipinstalltensorflow安装tensorflow时报错：ERROR:Couldnotfindaversionthatsatisfiestherequirementtensorflow(fromversions:none)ERROR:Nomatchingdistributionfoundfortensorflow搜了好多帖子有的说可能是网络的问题，需要换国内的镜像源来下载，于是改用清华源：pipinstall-ihttps://pypi.tuna.tsinghua.edu.cn/simpletensorflow依旧没用，折腾了好久，才发现我目前的Python
在Pycharm中使用pipinstalltensorflow安装tensorflow时报错：ERROR:Couldnotfindaversionthatsatisfiestherequirementtensorflow(fromversions:none)ERROR:Nomatchingdistributionfoundfortensorflow搜了好多帖子有的说可能是网络的问题，需要换国内的镜像源来下载，于是改用清华源：pipinstall-ihttps://pypi.tuna.tsinghua.edu.cn/simpletensorflow依旧没用，折腾了好久，才发现我目前的Python
为了更好地理解神经网络如何解决现实世界中的问题，同时也为了熟悉TensorFlow的API，本篇我们将会做一个有关如何训练神经网络的练习，并以此为例，训练一个类似的神经网络。我们即将看到的神经网络，是一个预训练好的用于对手写体数字（整数）图像进行识别的神经网络，它使用了MNIST数据集(http://yann.lecun.com/exdb/mnist/)，这是一个经常被用于研究模式识别任务的经典的数据集。01、MNIST数据集ModifiledNationalInstituteofStandardsandTechnology（MNIST）数据集包含6万张图像的训练集和1万张图像的测试集。每个图
