池化操作零、池化操作一、MaxPool：最大池化1）MaxPool1d（1）调用方式（2）参数解析：一般我们只需要设置kernel_size和stride，其他保持即可。（3）实例2）MaxPool2d（1）调用方式（2）参数解析（3）实例二、AvgPool：平均池化1）AvgPool1d（1）调用方式（2）实例2）AvgPool2d（1）调用方式（2）实例三、AdaptiveMaxPool：自适应最大池化1）AdaptiveMaxPool1d（1）调用方式（2）实例2）AdaptiveMaxPool2d（1）调用方式（2）实例四、AdaptiveAvgPool：自适应平均池化1）Adapti
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
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
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
文章目录概要版本：参考资料STM32CUBEAI安装CUBEAI模型支持LSTM模型转换注意事项模型转换模型应用1错误类型及代码2模型创建和初始化3获取输入输出数据变量4获取模型前馈输出模型应用小结小结概要STM32CUBEMX扩展包：X-CUBE-AI部署流程：模型转换、CUBEAI模型验证、CUBEAI模型应用。深度学习架构使用Pytorch模型，模型包括多个LSTM和全连接层（包含Dropout和激活函数层）。版本：STM32CUBEMX：6.8.1X-CUBE-AI：8.1.0（推荐该版本，对LSTM支持得到更新）ONNX：1.14.0参考资料遇到ERROR和BUG可到ST社区提问：S
