Pytorch备忘清单Pytorch是一种开源机器学习框架，可加速从研究原型设计到生产部署的过程，备忘单是由IT宝库整理的Pytorch开发速查备忘清单为您提供了Pytorch基本语法和初步应用参考入门，为开发人员分享快速参考备忘单。开发速查表大纲入门介绍认识Pytorch创建一个全零矩阵数据创建张量Pytorch的基本语法加法操作(1)加法操作(2)加法操作(3)加法操作(4)张量操作张量形状取张量元素TorchTensor和Numpyarray互换TorchTensor转换为NumpyarrayNumpyarray转换为TorchTensor导入Imports一般神经网络APITorchs

pytorch在服务器上跑的很慢，nvidia-smi显示GPU利用率一直是0%，总结了一些可以检测深度学习算法是否在使用GPU的方法。利用gpustat或nvidia-smi实时监控GPU使用率安装gpustataptinstallgpustat启动gpustatwatch-n1--colorgpustat--color每秒输出实时监测结果，如下图：也可利用nvidia-smi实时监控，会显示更多的参数$watch-n1nvidia-smi--query-gpu=index,gpu_name,memory.total,memory.used,memory.free,temperature.g

pytorch在服务器上跑的很慢，nvidia-smi显示GPU利用率一直是0%，总结了一些可以检测深度学习算法是否在使用GPU的方法。利用gpustat或nvidia-smi实时监控GPU使用率安装gpustataptinstallgpustat启动gpustatwatch-n1--colorgpustat--color每秒输出实时监测结果，如下图：也可利用nvidia-smi实时监控，会显示更多的参数$watch-n1nvidia-smi--query-gpu=index,gpu_name,memory.total,memory.used,memory.free,temperature.g

说在前面搞了一下Jetsonnano和YOLOv5，网上的资料大多重复也有许多的坑，在配置过程中摸爬滚打了好几天，出坑后决定写下这份教程供自己备忘。事先声明，这篇文章的许多内容本身并不是原创，而是将配置过程中的文献进行了搜集整理，但是所有步骤都1:1复刻我的配置过程，包括其中的出错和解决途径，但是每个人的设备和网络上的包都是不断更新的，不能保证写下这篇文章之后的版本在兼容性上没有问题，总之提前祝自己好运！一、烧录镜像1、镜像选择这里我选择的是亚博智能，它已经将镜像大部分给配置好了。获取链接：（提取码：o6a4）镜像的下载地址里面已经安装好了如下的东西：CUDA10.2，CUDNNv8，tens

说在前面搞了一下Jetsonnano和YOLOv5，网上的资料大多重复也有许多的坑，在配置过程中摸爬滚打了好几天，出坑后决定写下这份教程供自己备忘。事先声明，这篇文章的许多内容本身并不是原创，而是将配置过程中的文献进行了搜集整理，但是所有步骤都1:1复刻我的配置过程，包括其中的出错和解决途径，但是每个人的设备和网络上的包都是不断更新的，不能保证写下这篇文章之后的版本在兼容性上没有问题，总之提前祝自己好运！一、烧录镜像1、镜像选择这里我选择的是亚博智能，它已经将镜像大部分给配置好了。获取链接：（提取码：o6a4）镜像的下载地址里面已经安装好了如下的东西：CUDA10.2，CUDNNv8，tens

前言此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。一、摘要 当前，目标检测技术趋于成熟，但小目标检测仍是研究的难点所在。针对目标检测过程中小目标像素少、覆盖面积小、信息少更容易出现漏检情况的问题，提出了一种改进的YOLOv7目标检测模型。首先，结合特征分立合并思想对YOLOv7网络模型中的MPConv模块进行改进，以减少网络特征处理过程造成的特征损失，并通过实验找到

前言此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。一、摘要 当前，目标检测技术趋于成熟，但小目标检测仍是研究的难点所在。针对目标检测过程中小目标像素少、覆盖面积小、信息少更容易出现漏检情况的问题，提出了一种改进的YOLOv7目标检测模型。首先，结合特征分立合并思想对YOLOv7网络模型中的MPConv模块进行改进，以减少网络特征处理过程造成的特征损失，并通过实验找到

入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。可参照以下博客一起看（涉及一些概念解析）深度学习之常用模型评估指标（一）——分类问题和目标检测_tt丫的博客-CSDN博客_深度网络模型特异度     yolov5训练后会产生runs文件夹，其中的train文件夹中的exp文件夹里存放的即是训练后模型的各种信息，里面的weights文件夹即放置模型权重参数，其余的文件即为各种性能指标信息。目录一、confusion_matrix.png——混淆矩阵二、F1_curve.png——F1曲线三、labels.jpg—— 标签四、labels_c

入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。可参照以下博客一起看（涉及一些概念解析）深度学习之常用模型评估指标（一）——分类问题和目标检测_tt丫的博客-CSDN博客_深度网络模型特异度     yolov5训练后会产生runs文件夹，其中的train文件夹中的exp文件夹里存放的即是训练后模型的各种信息，里面的weights文件夹即放置模型权重参数，其余的文件即为各种性能指标信息。目录一、confusion_matrix.png——混淆矩阵二、F1_curve.png——F1曲线三、labels.jpg—— 标签四、labels_c

目录1.1卷积神经网络简介1.2神经网络1.2.1 神经元模型 1.2.2神经网络模型1.3卷积神经网络1.3.1卷积的概念1.3.2卷积的计算过程1.3.3 感受野1.3.4 步长1.3.5 输出特征尺寸计算 1.3.6 全零填充1.3.7标准化1.3.7 池化层 1.4卷积神经网络的全过程 1.5 PyTorch的卷积神经网络（cnn）手写数字识别1.5.1代码1.1卷积神经网络简介卷积神经网络（ConvolutionalNeuralNetworks，简称：CNN）是深度学习当中一个非常重要的神经网络结构。它主要用于用在图像图片处理，视频处理，音频处理以及自然语言处理等等。早在上世纪80年