一般pytorch-lightning需要torch版本≥1.8.0。在安装pytorch-lightning时一定注意自己的torch是pip安装还是conda安装，两者要保持一致，不然会导致安装pytorch-lightning时会直接卸载掉你的torch，安装cpu版本的torch。https://pytorch-lightning.readthedocs.io/en/stable/starter/installation.html#installation-from-sourcepytorch-lightning官网pip安装pipinstallpytorch-lightning如果要

NvidiaJetsonXavierNX/AGXdockerWHY镜像地址使用方法docker常用命令备忘jtop安装关于保存容器镜像关于使用dockerfile构建关于映射外部路径让容器访问外部文件关于性能WHY在jetson上使用docker跑opencv和pytorch其实主要是要找对镜像，docker官方的hub里并没有适合的能直接跑的镜像，但是nvidia自己提供了L4T的pytorch和ML镜像。镜像地址单独pytorch的镜像：https://catalog.ngc.nvidia.com/orgs/nvidia/containers/l4t-pytorch整合了opencv，py

 -【学习资料】子豪兄的零基础树莓派教程https://github.com/TommyZihao/ZihaoTutorialOfRaspberryPi/blob/master/%E7%AC%AC2%E8%AE%B2%EF%BC%9A%E6%A0%91%E8%8E%93%E6%B4%BE%E6%96%B0%E6%89%8B%E6%97%A0%E7%97%9B%E5%BC%80%E6%9C%BA%E6%8C%87%E5%8D%97.md#%E7%83%A7%E5%BD%95%E9%95%9C%E5%83%8F第2讲：树莓派新手无痛开机指南【子豪兄的树莓派零基础教程】https://www.bil

1、函数语法格式和作用：F.sofrmax(x,dim)作用：根据不同的dim规则来做归一化操作。x指的是输入的张量，dim指的是归一化的方式。2、F.softmax()在二维张量下的例子：2.1、举例代码：importtorchimporttorch.nn.functionalasFinput=torch.randn(3,4)print("input=",input)b=F.softmax(input,dim=0)#按列SoftMax,列和为1（即0维度进行归一化）print("b=",b)c=F.softmax(input,dim=1)#按行SoftMax,行和为1（即1维度进行归一化）p

1、查看显卡相关信息：nvidia-smi。显卡版本531.18，最大可以安装cuda12.1版本，安装步骤上一篇博客讲解过。2、查看cuda版本：nvcc-V3、查看anaconda是否安装：conda-V4、查询cuda11.6对应的pytorch版本：https://pytorch.org/get-started/previous-versions/显示对应的pytorch1.12.0、1.12.1，接着查询适合的python版本3.7、3.8、3.9、3.105、创建环境，安装pytorch1.12.0、python3.9condacreate-nlearnpython==3.9con

资源下载地址：https://download.csdn.net/download/sheziqiong/85772186资源下载地址：https://download.csdn.net/download/sheziqiong/85772186主要功能介绍本项目设计并实现了基于yolov3的行人目标检测算法，并将该目标检测算法应用在图像和视频的识别检测之中。实现的主要功能有：对静态图像(jpg、png)中的行人进行识别，并框选出行人目标所在位置对视频文件中的行人进行逐帧检测，并生成标记出行人位置的视频文件对流媒体（rtsp、rtmp协议）进行处理和分析，实时标记行人位置，可用于对监控视频流的处

文章目录Pytorch模型自定义数据集训练流程1、任务描述2、导入各种需要用到的包3、分割数据集4、将数据转成pytorch标准的DataLoader输入格式5、导入预训练模型，并修改分类层6、开始模型训练7、利用训好的模型做预测Pytorch模型自定义数据集训练流程我们以kaggle竞赛中的猫狗大战数据集为例搭建Pytorch自定义数据集模型训练的完整流程。1、任务描述Catsvs.Dogs（猫狗大战）数据集是Kaggle大数据竞赛某一年的一道赛题，利用给定的数据集，用算法实现猫和狗的识别。其中包含了训练集和测试集，训练集中猫和狗的图片数量都是12500张且按顺序排序，测试集中猫和狗混合乱序

文章大纲实现效果项目架构前端前端代码样例前端实时展示检测结果后端Django框架搭建与代码说明发送端：目标检测结果发送websocket参考文献与学习路径实现效果访问：http://127.0.0.1:8000/ObjectDetection/ObjectDetection1/先看下效果：两个摄像头实时展示之后更新了效果，打算加上检测结果和FPS，结果加上FPS实测了一下，好家伙一秒30-40帧都行在我的3060上，这是python写的前后端实时检测你敢信，还两个摄像头机位。这都没有做太多优化。就是程序磊砖，硬上。

目录前言正文从dockerhub下载镜像创建容器并运行更新容器*安装python*安装anaconda安装pytorch参考文献：前言此文不需要前言，请从正文开始开始搭建正文默认大家都是有一定docker基础的，没有的话建议去花个20分钟学一下基础知识。相对于配置cuda来说，我觉得pytorch还是更简单一些。因此这里以官方的nvidia/cuda:10.2-cudnn8-runtime-ubuntu18.04为基础，构建pytorch深度学习环境。你可以根据自己的需求选择合适的版本，地址如下：cuda官方docker镜像地址，python可以选择官方纯净版，好处是小，坏处是什么都得自己配置

在以前Pytorch只有一种量化的方法，叫做“eagermodequnatization”，在量化我们自定定义模型时经常会产生奇怪的错误，并且很难解决。但是最近，PyTorch发布了一种称为“fx-graph-mode-qunatization”的方方法。在本文中我们将研究这个fx-graph-mode-qunatization”看看它能不能让我们的量化操作更容易，更稳定。本文将使用CIFAR10和一个自定义AlexNet模型，我对这个模型进行了小的修改以提高效率，最后就是因为模型和数据集都很小，所以CPU也可以跑起来。importosimportcv2importtimeimporttorc