0.前言计算机视觉是指通过计算机系统对图像和视频进行处理和分析，利用计算机算法和方法，使计算机能够模拟和理解人类的视觉系统。通过计算机视觉技术，计算机可以从图像和视频中提取有用的信息，实现对环境的感知和理解，从而帮助人们解决各种问题和提高效率。本节中，将介绍计算机中的图像表示，并介绍如何利用神经网络进行图像分析，为计算机视觉的高级任务和应用奠定基础。1.图像表示数字图像文件(通常扩展名为“JPEG”或“PNG”)由像素数组组成，像素是图像的最小构成元素。在灰度图像中，每个像素都是0到255之间的标量值，0表示黑色，255表示白色，介于0到255之间的值都是灰色值(像素值越小，像素越暗)。形式上
前言对于没有GPU训练机的人来讲，使用云服务器训练自己的模型应该最最优选择，只是在训练的时候开个按时计费的服务器，训练完成后保存环境镜像之后，可以完全停掉服务器，期间不产生任何费用，下次再训练时，启动环境就可以，很容易保护好自己的训练环境不受污染。一、选择服务器1.这里选择的是阿里有服务器，直接用支付宝账号登录。2.选择配置，按量计费，我训练yolov5的模型，2万多的数据集，V100完全够用了。3.选择系统和安装GPU启动3.选择网络速度（上行下行的速度），之后确认订单就可以了。二、配置服务器1.连接服务器，直接点远程连接。2.切换到root并安装需要的文件。sucdsudoapt-geti
一般来说，大语言模型的部署都会采用「预训练—然后微调」的模式。但是，当针对众多任务（如个性化助手）对base模型进行微调时，训练和服务成本会变得非常高昂。低秩适配（LowRankAdaptation，LoRA）是一种参数效率高的微调方法，通常用于将base模型适配到多种任务中，从而产生了大量从一个base模型衍生出来的LoRA适配程序。这种模式为服务过程中的批量推理提供了大量机会。LoRA的研究表明了一点，只对适配器权重进行微调，就能获得与全权重微调相当的性能。虽然这种方法可以实现单个适配器的低延迟推理和跨适配器的串行执行，但在同时为多个适配器提供服务时，会显著降低整体服务吞吐量并增加总延迟。
目录一、查看电脑有NVIDIA显卡没二、更新电脑驱动三、安装CUDAToolKit和CUDNN1、查看显卡驱动版本2、查看合适的CUDA版本3、下载CUDAToolKit4、安装CUDA5、查看是否安装成功6、安装CUDNN7、CUDNN配置四、安装anaconda五、安装pycharm六、搭建pytorch深度学习环境1、进入AnacondaPrompt（鼠标左击win标志，去找）2、下载torchvision和torch离线版本（因为在线装有时候会被中断）3、离线安装七、搭建pycharm环境测试一些必要的介绍（自己的理解，有错请大神指教）：下面开始啦！！！一、查看电脑有NVIDIA显卡没
Tensorflow-gpu-2.7.0安装教程和接入PyCharm（学生党详细教程，win10，Anaconda3，python3.9）目录前言 安装前的必要工作！！！一定要看！！！一、查看自己电脑的显卡： 二、Anaconda的安装三、CUDA下载与安装四、cuDNN下载和安装五、创建tensorflow环境六、测试Tensorflow-gpu是否安装成功前言 Tensorflow有cpu和gpu之分，一般你的电脑上要是有GPU（也就是显卡）推荐安装GPU版本的，这样相对于cpu版本而已，运行速度更快！ 本次教程主要是GPU版本，需要提前下载对应的cuda和cudnn。安装前的必要工作！
问题从错误日志中可以看到，问题出在CMake无法找到CUDA工具包的根目录。错误消息是：CMakeErrorat/usr/local/share/cmake-3.24/Modules/FindCUDA.cmake:859(message):SpecifyCUDA_TOOLKIT_ROOT_DIR这意味着CMake需要知道CUDA工具包的安装位置，以便正确配置和构建denseflow。解决方式1为了解决这个问题，你需要设置CUDA_TOOLKIT_ROOT_DIR环境变量，指向CUDA的安装目录。通常，CUDA安装在/usr/local/cuda目录，但这可能因系统而异。你可以通过以下命令设置C
据我了解，在OpenCV3.0中，模块GPU已被模块CUDA取代，或者更好的是，它已拆分为多个模块。所以cv::gpu::GpuMat已经被替换为cv::cuda::GpuMat，很好。但是函数呢？例如，将以下内容移至:cv::gpu::GaussianBlurr?cv::gpu::Streamstream;stream.enqueueConvert(...)显然它们不在cuda模块下(例如，没有cv::cuda::GaussianBlurr)。在OpenCV3.0中哪里可以找到此功能？ 最佳答案 所有CUDA加速过滤器(Blur、
（多输入+动态维度）整理的自定义神经网络pt转onnx过程的python代码，记录了pt文件转onnx全过程，简单的修改即可应用。pt文件转onnx步骤1、编写预处理代码2、用onnxruntime导出onnx3、对导出的模型进行检查4、推理onnx模型，查看输出是否一致5、对onnx模型的输出进行处理，显示cv图像6、编辑主函数进行测试1、编写预处理代码预处理代码与torch模型的预处理代码一样defpreprocess(img): img=(cv2.cvtColor(img,cv2.COLOR_BGR2RGB)).transpose(2,0,1) img=np.expand_dims(im
前言：在安装前，如果自己的电脑名称里带中文，请先把自己的电脑重命名，切记不要带中文，否则可能会出错。说明：本人用这套是为了做深度学习，如果我们一样，可以看下去，不一样也有参考价值。本文不包括pycharm的安装教程！Anaconda主要是方便后续导包，装完Anaconda你可以拥有python、JupyterNotebook，不需要额外下载，且很多深度学习的教学都是用JupyterNotebook展示的。Pycharm也是非常流行的python编译器，我习惯用这个。正文：本文分为三部分：Anaconda下载、配置虚拟环境变量和pycharm新建项目。一、Anaconda下载1.首先到Anaco
最近看了一篇文章，里面介绍了自适应的激活函数，它可以使得网路收敛速度更快。文章：《Adaptiveactivationfunctionsaccelerateconvergenceindeep andphysics-informedneuralnetworks》激活函数是深度学习中至关重要的部分，我们在做深度学习的时候通常会利用激活函数增加网络的非线性能力，使其能够拟合更复杂的情况，比较熟悉的有ReLU，Tanh，Sigmoid等等，但是这些激活函数在某些情况下并不是最合适的，甚至会出现梯度消失或者梯度爆炸的情况，于是作者提出了自适应的激活函数，来加速网路收敛并且提高稳定性。简而言之，就是在激活
