概述我之前写了如何在Ubuntu18下搭配一系列软件的教程，然后近期重新安装20.04版本，于是重新记录一些东西，但是众多东西之前已经有了，所以我在这里知会在一些不同的地方和新增的地方特别说明，其他的请大家看之前的博客。对xtdrone的理解在搞了这么久的ros和px4之后，我也明白了xtdrone是什么了，它本质上就是一个包含了多个例程和模型文件的仓库，以gazebo和px4、ros为基础，做出来的一些初学者可以上手即用的例子，类比一下就是这样：你想学做题（进行应用），如何已经学会了一些基础知识（就是ros等基础），但是不知道怎么做题，然后肖昆老师团队出了一本例题集，你可以看一下一些题目是怎
1.查看tensor所在的设备：data=data.cuda()#将数据转移到gpu上print(data.device)#输出：cuda:0data=data.cpu()#将数据转移到cpu上print(data.device)#输出：cpu2.查看model所在的设备model=model.cuda()#将模型转移到gpu上print(next(model.parameters()).device)#输出：cuda:0model=model.cpu()#将模型转移到cpu上print(next(model.parameters()).device)#输出：cpu3.Pytorch中将模型和
在PyTorch中，可以使用torchvision库中的SSIM函数来计算结构相似性指数(SSIM)。SSIM函数的签名如下：torchvision.metrics.SSIM(data_range:Union[int,float]=1,win_size:int=11,win_sigma:float=1.5,k1:float=0.01,k2:float=0.03,nonnegative_ssim:bool=False,eps:float=1e-8,reduction:str='mean')其中，参数的含义如下：data_range：输入数据的范围，通常为1.0或255.0。win_size：滑动
在PyTorch中，可以使用torchvision库中的SSIM函数来计算结构相似性指数(SSIM)。SSIM函数的签名如下：torchvision.metrics.SSIM(data_range:Union[int,float]=1,win_size:int=11,win_sigma:float=1.5,k1:float=0.01,k2:float=0.03,nonnegative_ssim:bool=False,eps:float=1e-8,reduction:str='mean')其中，参数的含义如下：data_range：输入数据的范围，通常为1.0或255.0。win_size：滑动
API文档在这里源码在这里之前看到的一个干货满满的Pytorch3D安装指导与简单例子的帖子在这里 官方tutorials中提到的用法在下面这个代码块里面，前面后面东西都挺多的就把和chamfer_distance相关的摘到了这里frompytorch3d.opsimportsample_points_from_meshesfrompytorch3d.lossimport(chamfer_distance,mesh_edge_loss,mesh_laplacian_smoothing,mesh_normal_consistency,)#Wesample5kpointsfromthesurfac
在PyTorch中，可以使用torchsummary库来实现对PyTorch模型的结构及参数统计的输出，其可以方便我们查看每层输入、输出的维度以及参数数量等信息。安装torchsummary库：pipinstalltorchsummary使用方法如下：importtorchfromtorchsummaryimportsummary#定义一个模型model=torch.nn.Sequential()#打印模型所有层的参数统计summary(model,(3,32,32))其中，model是需要查看的模型，(3,32,32)表示模型的输入维度，即C=3，H=32，W=32。运行后可以看到所有层输入
今天中午看到Pytorch的官方博客发了AppleM1芯片GPU加速的文章，这是我期待了很久的功能，因此很兴奋，立马进行测试，结论是在MNIST上，速度与P100差不多，相比CPU提速1.7倍。当然这只是一个最简单的例子，不能反映大部分情况。这里详细记录操作的一步步流程，如果你也感兴趣，不妨自己上手一试。加速原理苹果有自己的一套GPU实现APIMetal，而Pytorch此次的加速就是基于Metal，具体来说，使用苹果的MetalPerformanceShaders（MPS）作为PyTorch的后端，可以实现加速GPU训练。MPS后端扩展了PyTorch框架，提供了在Mac上设置和运行操作的脚
今天中午看到Pytorch的官方博客发了AppleM1芯片GPU加速的文章，这是我期待了很久的功能，因此很兴奋，立马进行测试，结论是在MNIST上，速度与P100差不多，相比CPU提速1.7倍。当然这只是一个最简单的例子，不能反映大部分情况。这里详细记录操作的一步步流程，如果你也感兴趣，不妨自己上手一试。加速原理苹果有自己的一套GPU实现APIMetal，而Pytorch此次的加速就是基于Metal，具体来说，使用苹果的MetalPerformanceShaders（MPS）作为PyTorch的后端，可以实现加速GPU训练。MPS后端扩展了PyTorch框架，提供了在Mac上设置和运行操作的脚
论文地址：《ANewDeepLearningModelforFaultDiagnosiswithGoodAnti-NoiseandDomainAdaptationAbilityonRawVibrationSignals》—张伟我们要复现的论文是轴承故障诊断里比较经典的一个模型WDCNN，最近在看的很多论文都把WDCNN作为比较模型，但是只找到过tensorflow版本的源码且只有原始的WDCNN没有改进的WDCNN-AdaBN版本，而我自己又是用的pytorch，因此就打算自己复现一下。话不多说直接上代码。WDCNN：#!/usr/bin/python#-*-coding:utf-8-*-im
一、安装pytorch准备工作1. 按照步骤安装Anaconda，其中注意要把环境变量添加到path中，安装Anaconda就相当于安装了python，安装成功以后在命令提示符中输入python会出现其版本说明安装成功，如下图所示安装的python版本是3.9.12。安装Anaconda的另一个好处在于我们可以自己创建一个新的环境，当我们需要使用时直接切换环境运行程序即可。2. 安装开发环境，在AnacondaPrompt中输入如下命令，不要看软件，这里我整错了，用的时VScode，如果你用如下方法会很麻烦，之后的命令也都是在AnacondaPrompt中操作。3. 安装成功之后会提示
