1下载runfile安装文件 首先，从官网下载所需版本的cuda安装包，下载链接。选择对应版本后，会跳转到该版本的配置信息页面。比如我是ubuntu20.04系统，已经安装好了cuda10.0，但是现在还需要用到cuda9.0。那么，在选定版本后，配置信息如下图所示（由于Version选项中没有20.04，因此我们随便选一个即可，这里选的16.04，这一选项不会影响后面的安装），InstallerType选择为runfile（因为使用deb文件进行安装的话，可能会将已经安装的较新的显卡驱动给替换掉），选择好之后点击BaseInstaller后面的Download即可。 2安装cuda c
1下载runfile安装文件 首先，从官网下载所需版本的cuda安装包，下载链接。选择对应版本后，会跳转到该版本的配置信息页面。比如我是ubuntu20.04系统，已经安装好了cuda10.0，但是现在还需要用到cuda9.0。那么，在选定版本后，配置信息如下图所示（由于Version选项中没有20.04，因此我们随便选一个即可，这里选的16.04，这一选项不会影响后面的安装），InstallerType选择为runfile（因为使用deb文件进行安装的话，可能会将已经安装的较新的显卡驱动给替换掉），选择好之后点击BaseInstaller后面的Download即可。 2安装cuda c
目录开始安装零，获取代理一，配置代理配置zsh走代理配置git走代理二，安装homebrew三，安装miniforge四，创建conda环境五，安装pytorch六，运行yolov5六，测试AppleSilicon的MPSGPU加速测试yolov5的mps加速测试resnet50的mps加速对比测试1080ti，3700x总结开始安装笔者使用的是一台M2版本的MacbookAir，虽然苹果作为深度学习的训练机不太合适，但是由于macbook作为打字机实在是无可挑剔，所以使用macbook调试一下pytorch的代码再放到集群上训练或者直接在mac上调试运行代码都是不错的体验，本文以在mac上直
目录开始安装零，获取代理一，配置代理配置zsh走代理配置git走代理二，安装homebrew三，安装miniforge四，创建conda环境五，安装pytorch六，运行yolov5六，测试AppleSilicon的MPSGPU加速测试yolov5的mps加速测试resnet50的mps加速对比测试1080ti，3700x总结开始安装笔者使用的是一台M2版本的MacbookAir，虽然苹果作为深度学习的训练机不太合适，但是由于macbook作为打字机实在是无可挑剔，所以使用macbook调试一下pytorch的代码再放到集群上训练或者直接在mac上调试运行代码都是不错的体验，本文以在mac上直
之前想使用指定的GPU训练模型，查网上的帖子一般是通过设置环境变量来实现的，然后自己试了一下，在debug的时候发现无论怎么弄显示的device都是‘cuda:0’： 也没有多思考，于是就放弃了设置环境变量来指定GPU的方式，改为用以下方式来指定：device=torch.device("cuda:5")data=data.to(device)model=model.to(device) 在debug的时候，发现模型和数据都非常舒服的装载到了自己想要得gpu上，但是感觉这种方法多少有点麻烦，当有多个文件调用的时候，还要把device做为参数传来传去的，很不便捷。
之前想使用指定的GPU训练模型，查网上的帖子一般是通过设置环境变量来实现的，然后自己试了一下，在debug的时候发现无论怎么弄显示的device都是‘cuda:0’： 也没有多思考，于是就放弃了设置环境变量来指定GPU的方式，改为用以下方式来指定：device=torch.device("cuda:5")data=data.to(device)model=model.to(device) 在debug的时候，发现模型和数据都非常舒服的装载到了自己想要得gpu上，但是感觉这种方法多少有点麻烦，当有多个文件调用的时候，还要把device做为参数传来传去的，很不便捷。
大家好，今天和各位分享一下深度确定性策略梯度算法(DeterministicPolicyGradient，DDPG)。并基于OpenAI的gym环境完成一个小游戏。完整代码在我的GitHub中获得：https://github.com/LiSir-HIT/Reinforcement-Learning/tree/main/Model1.基本原理深度确定性策略梯度算法是结合确定性策略梯度算法的思想，对DQN的一种改进，是一种无模型的深度强化学习算法。DDPG算法使用演员-评论家（Actor-Critic）算法作为其基本框架，采用深度神经网络作为策略网络和动作值函数的近似，使用随机梯度法训练策略网络
大家好，今天和各位分享一下深度确定性策略梯度算法(DeterministicPolicyGradient，DDPG)。并基于OpenAI的gym环境完成一个小游戏。完整代码在我的GitHub中获得：https://github.com/LiSir-HIT/Reinforcement-Learning/tree/main/Model1.基本原理深度确定性策略梯度算法是结合确定性策略梯度算法的思想，对DQN的一种改进，是一种无模型的深度强化学习算法。DDPG算法使用演员-评论家（Actor-Critic）算法作为其基本框架，采用深度神经网络作为策略网络和动作值函数的近似，使用随机梯度法训练策略网络
本文介绍在anaconda中安装pytorch。最近因为学习需要，要下载pytorchGPU版本来训练网络。相信pytorch大家都不陌生了，PyTorch是一个Torch7团队开源的Python优先的深度学习框架，提供两个高级功能：强大的GPU加速Tensor计算（类似numpy）构建基于tape的自动升级系统上的深度神经网络于是我在网上查了对应版本，在anaconda中创建了虚拟环境，然后到pytorch官网复制了conda命令安装，结果却遇到许多问题。上网查了查，很多文章都是修改源，或者更换镜像，然后增加报错时间等方法，然而许多我尝试之后都不成功，出现各种报错，还浪费很多时间。最后直接下
本文介绍在anaconda中安装pytorch。最近因为学习需要，要下载pytorchGPU版本来训练网络。相信pytorch大家都不陌生了，PyTorch是一个Torch7团队开源的Python优先的深度学习框架，提供两个高级功能：强大的GPU加速Tensor计算（类似numpy）构建基于tape的自动升级系统上的深度神经网络于是我在网上查了对应版本，在anaconda中创建了虚拟环境，然后到pytorch官网复制了conda命令安装，结果却遇到许多问题。上网查了查，很多文章都是修改源，或者更换镜像，然后增加报错时间等方法，然而许多我尝试之后都不成功，出现各种报错，还浪费很多时间。最后直接下
