pytorch使用mac的m1芯片进行模型训练。#小结：在数据量小和模型参数少，batch_size小时，cpu训练更快（原因：每次训练时数据需要放入GPU中，由于batch_size小。数据放入gpu比模型计算时间还长）在数据量大（或者batchsize大）或者模型参数多时，使用GPU训练优势明显当模型参数大于100w时，使用GPU比CPU开始有优势注意macgpudevice是mps,不是cudn.device=torch.device(“mps”)1pytorch安装及gpu验证1.1安装mac需要安装night版本的pytorchmac安装官网地址condainstallpytorch

内含一整套操作，从设置容器到远程连接。操作环境：服务器：ubuntu20.04本机：win10IDE:pycharm专业版1.nvidia驱动下载下载驱动很容易的，下面我们来介绍一种最简单的方法。sudoubuntu-driversdevices#显示可用驱动sudoaptinstallnvidia-driver-525#我这里选择的是525，大家按需操作即可reboot#需要重启一下nvidia-smi#验证是否有驱动  2.docker下载  参考参考网站里有很详细的解说，我们只再列出需要的代码。sudoaptupdate#更新软件包apt-getinstallca-certificate

multirotorThefirstday——12.101.installvmware-workstationandubuntuswapsourcesand换输入法2.learngitgithub关联远程仓库3.installanduseTyporaGitcodemeaningmkdirtest创建目录cdtest进入目录gitinit初始化仓库ls；ls-ah查看目录touchtest.c新建项目add添加到缓存commit-m“words”提交到库log提交历史status查看仓库状态checkout–file回到最近修改状态rm；rm-rffile删除reset+checkout恢复文件

前言：作为当前先进的深度学习目标检测算法YOLOv5、v7系列算法，已经集合了大量的trick，但是在处理一些复杂背景问题的时候，还是容易出现错漏检的问题。此后的系列文章，将重点对YOLO系列算法的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。解决问题：小目标由于携带信息少导致特征表达能力较弱，经过多层次的卷积操作后能提取到的特征较少，因此检测困难。利用自校正卷积取代特征提取网络中的常规卷积，以扩展感受野丰富输出，进而强化对弱特征的提取能力。主要原理：论文：20cvprSCNet.pdf(mmcheng.net) 

在本文中，我们将通过化学的视角探索图卷积网络，我们将尝试将网络的特征与自然科学中的传统模型进行比较，并思考为什么它的工作效果要比传统的方法好。图和图神经网络化学或物理中的模型通常是一个连续函数，例如y=f(x₁，x₂，x₃，…，x)，其中x₁，x₂，x₃，…，x是输入，y是输出。这种模型的一个例子是确定两个点电荷q1和q2之间的静电相互作用(或力)的方程，它们之间的距离r存在于具有相对介电常数εᵣ的介质中，通常称为库仑定律。如果我们不知道这种关系，我们只有多个数据点，每个数据点都包括点电荷(输出)和相应的输入之间的相互作用，那么可以拟合人工神经网络来预测在具有指定介电常数的介质中任何给定分离的

    本文使用CPU来做运算，未使用GPU。练习项目，参考了网上部分资料。    如果要用pytorch做检测，可以参考这里使用GPU运行基于pytorch的yolov3代码的准备工作_littlehan的博客-CSDN博客文章浏览阅读943次。记录一下自己刚拿到带独显的电脑，如何成功使用上GPU跑程序的过程。Listitem环境：win10平台：pycharm代码是基于pytorch的yolo目标检测程序，是B站的一个up分享的，链接如下：https://www.bilibili.com/video/BV14f4y1q7ms1下载安装cuda以及CUDNN教程参考：深度学习环境搭建（GP

本文深入探讨了PyTorch中Autograd的核心原理和功能。从基本概念、Tensor与Autograd的交互，到计算图的构建和管理，再到反向传播和梯度计算的细节，最后涵盖了Autograd的高级特性。关注TechLead，分享AI全维度知识。作者拥有10+年互联网服务架构、AI产品研发经验、团队管理经验，同济本复旦硕，复旦机器人智能实验室成员，阿里云认证的资深架构师，项目管理专业人士，上亿营收AI产品研发负责人一、Pytorch与自动微分Autograd自动微分（AutomaticDifferentiation，简称Autograd）是深度学习和科学计算领域的核心技术之一。它不仅在神经网络

本文深入探讨了PyTorch中Autograd的核心原理和功能。从基本概念、Tensor与Autograd的交互，到计算图的构建和管理，再到反向传播和梯度计算的细节，最后涵盖了Autograd的高级特性。关注TechLead，分享AI全维度知识。作者拥有10+年互联网服务架构、AI产品研发经验、团队管理经验，同济本复旦硕，复旦机器人智能实验室成员，阿里云认证的资深架构师，项目管理专业人士，上亿营收AI产品研发负责人一、Pytorch与自动微分Autograd自动微分（AutomaticDifferentiation，简称Autograd）是深度学习和科学计算领域的核心技术之一。它不仅在神经网络

嗨，我是小壮！今天聊聊关于PyTorch中关于损失的内容。损失函数通常用于衡量模型预测和实际目标之间的差异，并且在训练神经网络时，目标是最小化这个差异。下面列举了关于PyTorch中损失函数的详细说明，大家可以在编辑器中敲出来，并且理解其使用方式。损失函数在PyTorch中，损失函数通常被定义为torch.nn.Module的子类。这些子类实现了损失函数的前向计算以及一些额外的方法。在使用损失函数之前，首先需要导入PyTorch库：importtorchimporttorch.nnasnn常见的损失函数(1)交叉熵损失函数（CrossEntropyLoss）交叉熵损失函数通常用于分类问题。在训

【pytorch官方文档】：https://pytorch.org/docs/stable/generated/torch.nn.AvgPool2d.html?highlight=avgpool2d#torch.nn.AvgPool2dtorch.nn.AvgPool2d()作用在由多通道组成的输入特征中进行2D平均池化计算函数torch.nn.AvgPool2d(kernel_size,stride=None,padding=0,ceil_mode=False,count_include_pad=True,divisor_override=None)参数Args:  kernel_size: