AI学习目录汇总1、图像增强图像增强可以扩展训练样本数量、减小对某个属性的依赖。比如，裁剪图像，可以减少模型对对象出现位置的依赖；调整亮度、颜色等因素来降低模型对颜色的敏感度等1.1、准备工作头文件%matplotlibinline：图表直接嵌入到Notebook中，本人使用的jupyter-lab%matplotlibinlineimporttorchimporttorchvisionfromtorchimportnnfromd2limporttorchasd2l显示图片d2l.set_figsize(
在深度学习计算机视觉领域的实践中，几乎很少人从头开始训练整个卷积神经网络（随机初始化网络权重），因为拥有足够大小的数据集相对较少。比较实际的做法是：在非常大的数据集（例如，ImageNet，其中包含120万张具有1000个类别的图像）上预训练卷积神经网络，然后将预训练权重用作目标任务的初始化权重或者固定特征提取器(featureextractor)。这种在新任务上使用预训练模型(Pre-trainedmodel)解决问题的方法，叫做迁移学习。其好处有：训练速度快(节约百倍以上时间，相比从头开始训练一个随机初始化的网络)需要的训练数据少(100张/类)迁移学习的主要应用场景有：微调卷积网络：预训
DAnet：DualAttentionNetworkforSceneSegmentation发布于CVPR2019，本文将进行DAnet的论文讲解和复现工作。论文部分主要思想DAnet的思想并没有之前提到的DFAnet那么花里胡哨，需要各种多层次的连接，DAnet的主要思想就是——同时引入了空间注意力和通道注意力，也就是DualAttention=ChannelAttention+PositionAttention。其中，PositionAttention可以在位置上，捕捉任意两个位置之间的上下文信息，而ChannelAttention可以捕捉通道维度上的上下文信息关于PositionAtte
一、pytorch3d是什么？PyTorch3D的目标是帮助加速深度学习和3D交叉点的研究。3D数据比2D图像更复杂，在从事MeshR-CNN和C3DPO等项目时，我们遇到了一些挑战，包括3D数据表示、批处理和速度。我们开发了许多有用的算子和抽象，用于3D深度学习，并希望与社区分享，以推动这一领域的新研究。在PyTorch3D中，我们包含了高效的3D操作符、异构批处理功能和模块化可微渲染API，为该领域的研究人员提供了急需的工具包，以实现复杂3D输入的前沿研究。来自：https://pytorch3d.org/docs/why_pytorch3d二、安装步骤1.添加anaconda源（最最最最
content1、安装说明2、安装步骤(1)打开anacondaprompt(2)建立pytorch虚拟环境(3)激活环境(4)安装pytorch(5)测试是否安装成功(6)关闭PytorchAnaconda虚拟环境(7)可能存在的问题下载pytorch的时候网络不好，可以选用清华或者豆瓣镜像。==还有一个就是有时候会出现弹窗提示“无法定位程序输入点XXX于D:\Anaconda3\envs\pytorch\Library\bin\pythoncom36.dll上”的弹窗，我是按照这个地址把这个文件删掉了，然后就好了。==(8)在pycharm中找到虚拟环境中的解释器1、安装说明此次安装主要是
现状已有python运行环境3.10，并长期使用pycharm，现有需求深度学习，遂即更新显卡4070，并且配置深度学习环境。显卡支持最新的CUDA12.1，但先看到了关于：tensorflow-gpu-2.10版本之后，就不能在windows进行本地的GPU运算，还需要复杂的配置，所以先安装了与tensorflow-gpu-2.10匹配的CUDA11.2版本。(注：此时已然看到了pytorch最新版可以用CUDA11.8，但之前学习训练都是用的tf-cpu熟练了。)基于初始目的是做Kmeans聚类以及soft-dtw的GPU训练，在GitHub上找到了最相关的代码是基于pytorch的代码。
深度学习网络模型中初始的权值参数通常都是初始化成随机数，而使用梯度下降法最终得到的局部最优解对于初始位置点的选择很敏感，下面介绍Pytorch中随机种子的设置及其原理。1.Pytorch随机种子设置在同一开发环境中，随机数种子seed确定时，模型的训练结果将始终保持一致。defsetup_seed(seed):torch.manual_seed(seed)torch.cuda.manual_seed_all(seed)np.random.seed(seed)random.seed(seed)torch.backends.cudnn.deterministic=True#设置随机数种子setup
镜像下载、域名解析、时间同步请点击阿里云开源镜像站第一步：配置镜像源，安装必要环境更换镜像第二步：安装anaconda1进入官网https://www.anaconda.com/2下载linux的sh版filefile3在对应位置通过命令输入sh文件名.sh4选择YESfile5选择NO（我们要自定义配置环境）file第三步：安装完成Anconda后配置环境1编辑环境变量vim~/.bashrc2添加内容exportPATH="/自己对应的路径名/anaconda3/bin:$PATH"3激活修改的内容source~/.bashrc4测试conda若没有显示notfond则表示anaconda
文章目录1.确定操作系统及cuda版本2.确定pythonpytorchcuda之间的版本是否兼容3.创建基础的python虚拟环境4.安装pytorch5.总结提醒1.确定操作系统及cuda版本前置知识：安装好annaconda或者miniconda进行python虚拟环境管理，建议miniconda。（好处是你可以在一台主机上安装多个互不影响的python虚拟环境，然后在运行项目1时激活其对应的python虚拟环境1，在运行项目2时激活其对应的python虚拟环境2）。当然如果你是100%小白，先不管这些也问题不大，但我强烈建议你花点时间学一下，毕竟大概最多一个月后你还是要学的。确认操作系
windows安装配置pytorch+vscode环境学习路径环境配置目标环境需求递归软件安装调试与配置：学习路径环境配置目标为机器学习项目服务-项目需要pytorch库适应自己的编程习惯-惯用vscode，我已经安装了python插件环境需求递归github项目：ConvLSTM_pytorch->需要pytorch库pyTorch环境->需要cuda（有GPU情况下）&condaCUDA（无需手动安装）GPU为外接10603G（穷）电脑上安装的是Py3.10（实际上不需要，后面会在虚拟环境中重新安装）所以应该选择pytorch-1.12.1-py3.10-cuda11.6的版本（此处版本考
