本文参考了许多官网和博客，肯定是存在抄袭的，请各位大哥不要喷我啊。自己工作找到的是医学信号方向的算法工程师，所以以后和CV可能无缘了，将自己一个多星期的心血历程发表出来，希望大家接起我的CV火炬，接着前行，各位加油！（后面也学习了yolov5-6.0yolov7的模型部署）本人小白，没怎么发过博客，所以有点乱，标题也没整，太费时间了，我的态度真的是极差，不管了，哈哈哈。话不多说，开整吧烧录环境：Ubuntu20.04主机（虚拟机也可以），为了下载资源，烧录用的ubuntu20.04主机需要预留大约100G的内存空间。我的windows装了双系统，首先进入Ubuntu系统安装SDKManager
前言目前数字人实现技术众多，我这里采用基于ER-NeRF，在这里可以看到其介绍：ICCV2023|ER-NeRF:用于合成高保真TalkingPortrait的高效区域感知神经辐射场-https://zhuanlan.zhihu.com/p/644520609ER-NeRF的项目地址：https://github.com/Fictionarry/ER-NeRFER-NeRF,RAD-NeRF,他们都继承自AD-NeRF，都有一个基于dearpygui的GUI界面但是很遗憾，这个GUI很难跑起来，而且本地一般没有大GPU的机器，我们需要一个在云GPU服务器上能跑的webuiER-NeRF训练很简
本文参加新星计划人工智能(Pytorch)赛道：https://bbs.csdn.net/topics/613989052承接上文：自己深度学习环境搭建和免费环境使用+Tensor构造+Tensor基本操作：从X入门深度学习(Pytorch版本)这里写目录标题1Tensor的索引和切片2Tensor的转换3Tensor的拼接4Tensor的拆分5Tensor的规约操作1Tensor的索引和切片汇总：NameOuta[i,j,k,…]=a[i][j][k][…]获取张量a的具体数据a[start:end:step,start1:end1:step1,]获取张量a第一维[start,end)步长为
刚换过电脑，今天想重新装一下pytorch的CPU版本，也遇到了诸多问题，这里分享一下本人的安装过程。 首先默认大家已经安装了anaconda，打开anacondaprompt后，输入如下代码，可获得当前condaconfig--show环境的配置信息。运行condainfo-e可查看anaconda所有虚拟环境。 下面是清华镜像源的配置文件.condarc channels:-defaultsshow_channel_urls:truechannel_alias:https://mirrors.tuna.tsinghua.edu.cn/anacondadefault_ch
文章目录第一步M1芯片安装Pytorch环境安装Miniforge创建虚拟环境安装Pytorch第二步下载李沐Jupyter文件第三步配置vscode参考第一步M1芯片安装Pytorch环境安装MiniforgeMac打开终端（Mac电脑如何启动终端？打开启动台，搜索终端即可）安装包管理工具Homebrew/bin/bash-c"$(curl-fsSLhttps://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"如果遇到报错curl:(7)Failedtoconnecttoraw.githubusercontent.co
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、CRNN模型介绍1.模型结构2.CTCLossbeamsearch二、使用pytorch实现crnn数据集前言文本识别是图像领域的一个常见任务，场景文字识别OCR任务中，需要先检测出图像中文字位置，再对检测出的文字进行识别，文本介绍的CRNN模型可用于后者，对检测出的文字进行识别。AnEnd-to-EndTrainableNeuralNetworkforImage-BasedSequenceRecognitionandItsApplicationtoSceneTextRecognition原论文地址：论文地址一、C
1.昇腾开源分布式训练加速库AscendSpeed在昇腾上开发大模型，如果想有最快的迁移效率和最佳性能，推荐开发者基于AscendSpeed来迁移模型或者开发，AscendSpeed除了支持DeepSpeed和Megatron-LM的大模型特性以外（如3D并行，Zero等），还有一些昇腾亲和的优化特性，从而可以有更好的性能。目前AscendSpeed已经支持了LLaMA2，Baichuan，Bloom等主流大模型，并且已经正式开源。https://gitee.com/ascend/AscendSpeed2.通过Adapter方式支持Pytorch框架昇腾对Pytorch是基于Adapter的方
刚刚，Keras3.0正式发布！经过5个月的公开Beta测试，深度学习框架Keras3.0终于面向所有开发者推出。全新的Keras3对Keras代码库进行了完全重写，可以在JAX、TensorFlow和PyTorch上运行，能够解锁全新大模型训练和部署的新功能。「Keras之父」FrançoisChollet在最新版本发布之前，也是做了多次预告。目前，有250+万的开发者都在使用Keras框架。重磅消息：我们刚刚发布了Keras3.0！在JAX、TensorFlow和PyTorch上运行Keras使用XLA编译更快地训练通过新的Keras分发API解锁任意数量的设备和主机的训练运行它现在在Py
目录FPN（featurepyramidnetwork）网络结构bottleneckpytorch代码实现公式：卷积层输入输出大小的计算公式细节一：代码中blocks参数的含义细节二：c1c2c3c4c5层尺寸分别为原图的1/21/41/81/161/32 细节三：bottleneck实现过程中，原始特征进行下采样FPN（featurepyramidnetwork） FPN是目标检测中用于多尺度物体检测的重要工具。高层特征，语义信息丰富，但目标位置模糊；低层特征，语义信息较少，但目标位置清晰。FPN通过融入特征金字塔，将高层特征与低层特征进行融合，将高语义信息传递给低层特征
在之前的这篇文章：【3D图像分割】基于Pytorch的VNet3D图像分割2（基础数据流篇）的结尾处，我们提到了在训练阶段遇到的下面这个问题：在采用vent模型进行3d数据的分割训练任务中，输入大小是16*96*96，这个的裁剪是放到Dataset类里面裁剪下来的image和mask。但是在训练时候发现几个问题：加载数据耗费了很长时间，从启动训练，到正式打印开始按batch循环，这段时间就有30分钟batch=64,torch.utils.data.DataLoader里面的num_workers=8，训练总是到8的倍数时候，要停顿较长时间等待4个GPU并行训练的，GPU的利用率长时间为0，偶
