深度学习环境搭建（每次都要搜 烦死）

已于 2023-04-20 21:49:03 修改
阅读量636 收藏 3
点赞数
分类专栏： 杂记 文章标签： 大数据
于 2022-06-23 14:00:34 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Parkerfive/article/details/125425758
版权

Ubuntu20.04

anconda

cuda11.1

cudnn8.0.5

torch1.8.0

Linux系统CUDA10.2+CUDNN安装教程_周先森爱吃素的博客-CSDN博客_linux安装cuda10.2

Ubuntu18.04/20.04复现RandLA-net网络 环境搭建 记录_Parkerfive的博客-CSDN博客

Ubuntu20.4+CUDA11.1+ CUDNN8.05_schoolblack的博客-CSDN博客

base环境下换源

cuda11.1.1

wget https://developer.download.nvidia.com/compute/cuda/11.1.1/local_installers/cuda_11.1.1_455.32.00_linux.run

安装

sudo sh cuda_11.1.1_455.32.00_linux.run

cudnn8.0.5

torch1.8.0

conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cudatoolkit=11.1

spconv1.2.1安装（非非非非非---常常----烦，谁用就是🐶）

必须base完整安装cuda+cudnn

third_party->pybind11->GitHub - pybind/pybind11 at 3b1dbebabc801c9cf6f0953a4c20b904d444f879

Spconv库安装教程_小张好难瘦的博客-CSDN博客_spconv

安装spconv1.2.1版本_每天都不想学习的Cora的博客-CSDN博客_spconv版本

spconv1.2.1安装指南_Ziu_Dakin的博客-CSDN博客_spconv

torch、torch-scatter、torch-sparse版本依赖问题_imiss、Mickey的博客-CSDN博客

Parkerfive
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【Cylinder3D论文解读及代码略解】
sunny_ran123的博客
05-05 2937
Cylinder3D论文解读及代码略解论文解读AbstractIntroductionRelated work室内点云分割室外点云分割3D体素划分Methodology(本文方法)Cylindrical PartitionAsymmetrical 3D Convolution NetworkAsymmetrical Residual BlockDDCMPoint-wise Refinement Module目标函数实验部分Dataset and Metricsemantic KITTI：nuScenes：E
CentOS7深度学习环境搭建.txt
06-09
CentOS7深度学习环境搭建.txt
SalsaNext:用于自动驾驶的LiDAR点云的不确定度感知语义分割
05-14
SalsaNext：用于自动驾驶的LiDAR点云的快速，不确定性感知语义分割 抽象的 在本文中，我们将SalsaNext用于实时的完整3D LiDAR点云的不确定性感知语义分割。 SalsaNext是SalsaNet的下一版本，它具有编码器-解码器体系结构，其中编码器单元具有一组ResNet块，而解码器部分则结合了来自剩余块的上采样特征。 与SalsaNet相比，我们引入了一个新的上下文模块，将ResNet编码器块替换为具有逐渐增加的接收场的新残差扩张卷积堆栈，并在解码器中添加像素混洗层。 此外，我们从跨步卷积切换到平均池化，还应用了中心辍学处理。 为了直接优化Jaccard指数，我们进一步将加权交叉熵损失与Lovasz-Softmax损失相结合。 最后，我们注入贝叶斯处理，以计算云中每个点的认知和无意识不确定性。 我们对Semantic-KITTI数据集进行了全面的定量评估，这表明拟议的
【论文阅读】SalsaNet+SalsaNext
博客标题不能为空我也没办法
06-14 3077
两个基于encoder和decoder的语义分割网络
【代码阅读】SalsaNext+FidNet
最新发布
博客标题不能为空我也没办法
05-09 288
SalsaNext模型推理部分代码阅读，包括球面投影以及knn后处理部分
论文阅读：SalsaNext: Fast, Uncertainty-aware Semantic Segmentationof LiDAR Point Clouds for Autonomous D
qq_53086461的博客
04-23 862
本文介绍SalsaNext
windows10系统下基于pybind11库进行c++代码调用python(pytorch)代码
s182838ss的博客
02-09 1020
c++应用程序exe调用pytorch模型训练数据
深度学习环境搭建资源集合
04-01
如何搭建一个属于自己的深度学习平台是每个深度学习初学者都非常头疼的问题，网上资源浩如烟海，良莠不齐。本文主要根据自己的搭建深度学习平台过程中经历，经过筛选，挑选出一批逻辑清晰，内容详实可靠的学习帖集合...
深度学习环境搭建教程.docx
11-09
在进行深度学习项目时，搭建一个稳定高效的开发环境至关重要。本教程将指导你如何使用Anaconda进行环境配置，并安装必要的深度学习库，包括PyTorch。 首先，我们需要下载Anaconda。Anaconda是一个开源的Python数据...
Anaconda与深度学习环境搭建
01-20
Anaconda
深度学习 - 搭建pytorch深度学习环境.pdf
03-01
Torch是一个用于深度学习的=数学计算库，而Pytorch则是一个基于...而搭建Pytorch虚拟环境，通俗地讲，就是搭建一个包含了Pytorch的相关包的Python解释器的环境，即是专门用于处理基于Python的深度学习的问题的环境。
SALSA算法介绍
10-18
SALSA算法的介绍性文章。非常好的入门资料
论文研究-基于高阶CRF模型的图像语义分割.pdf
07-22
图像语义分割方法大多基于点对条件随机场模型, 不能定位到单个目标, 并且难以利用全局形状特征, 造成误识。针对这些问题, 提出一种新的高阶条件随机场模型, 将基于全局形状特征的目标检测结果和点对条件随机场模型统一在一个概率模型框架中, 同时完成图像分割、目标检测与识别的任务。利用目标检测器和前背景分割算法获取图像中目标区域, 在目标区域上定义新的高阶能量项。新的高阶条件随机场模型就是高阶能量项和点对条件随机场模型的加权混合模型, 其最优解即为图像语义分割结果。在MSRC-21类数据库上进行的实验验证了该模型能够显著提升图像语义分割性能, 并定位到单个目标。
Cylinder3D:SemanticKITTI语义分段（单扫描和多扫描）排行榜中排名第一（2020年11月）（CVPR2021 Oral）
05-01
圆柱和非对称3D卷积网络用于LiDAR分割 我们的工作“用于LiDAR分割的圆柱和非对称3D卷积网络”的源代码 消息 2021-03 [NEW :fire: ] Cylinder3D被接受为CVPR 2021的口头报告 2021-01 [NEW :fire: ] Cylinder3D在SemanticKITTI多扫描语义分割的排行榜中排名第一 2020-12 [NEW :fire: ] Cylinder3D实现了激光雷达nuScenes分割的挑战的第2位，用米欧= 0.779，fwIoU = 0.899和FPS = 10Hz的。 2020-12我们发布了具有nuScenes数据集支持的Cylinder3D新版本。 2020-11我们初步发布了Cylinder3D--v0.1，支持在SemanticKITTI和nuScenes上进行LiDAR语义分割。 2020-11我们的工作实现了SemanticKITT
LiDAR语义分割模型的鲁棒性基准测试
点云PCL
01-16 727
点云PCL免费知识星球，点云论文速读。文章：Benchmarking the Robustness of LiDAR Semantic Segmentation Models作者：Xu Yan, Chaoda Zheng, Zhen Li2, Shuguang Cui，and Dengxin Dai编辑：点云PCL来源：arXiv 2023欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈。...
Lidar-MOS 安装与使用
lovely_yoshino的博客
10-17 3499
LMNet: Moving Object Segmentation in 3D LiDAR Data This repo contains the code for our paper: Moving Object Segmentation in 3D LiDAR Data: A Learning-based Approach Exploiting Sequential Data PDF. Our approach accurately segments the scene into moving and
【MOS】《SalsaNext: Fast, Uncertainty-aware Semantic Segmentation of LiDAR Point Clouds······
qq_51954707的博客
04-13 823
论文中经实验证明，转换为鸟瞰图BEV时效果最好，所以SalsaNet采用此方式，BEV是四通道（点在原来点云中的平均高度、最高高度、平均反射率以及投影点数目），SFV是六通道（3d坐标系下的坐标、强度值i、范围r以及一个用于表示是否被占用的掩码）贝叶斯网络（BNN）与反向传播网络（BPNN）：反向传播网络在优化完毕后，其权重是一个固定的值，而。写得太好了，搞的我都不想自己看了（大家还是别偷懒，看看前辈的经验也要自己再认真看原文），所以贝叶斯神经网络需要优化的参数是反向传播网络的两倍。
激光雷达点云语义分割论文阅读小结
Polaris的博客
07-29 2165
点云数据一般是由激光雷达等3D扫描设备获取的空间若干点的信息，一般包括(X,Y,Z)位置信息、RGB颜色信息和强度信息等，是一种多维度的复杂数据集合。相比于2D图像来说，3D点云数据可以提供丰富的几何、形状和尺度信息，不易受光照强度变化和其它物体遮挡的影响。点云可以通过四种主要技术获得：基于不同原理获取的点云数据，其数据的表示特征和应用的范围也各不相同。激光雷达（LiDAR）点云数据，是由三维激光雷达设备扫描得到的空间点的数据集，每一个点都包含了X、Y、Z三维坐标信息，有的还包含颜色信息、反射强度信息、回波
windows下载spconv 1.2.1
05-31
你可以使用以下步骤在Windows上下载spconv 1.2.1： 1. 首先需要安装Git和CMake。你可以从官方网站下载并安装这两个工具：https://git-scm.com/和https://cmake.org/。 2. 打开命令提示符（CMD）或Git Bash终端，进入一个你希望将spconv源代码下载到的目录中，如： ``` cd D:\Projects ``` 3. 克隆spconv源代码仓库到本地： ``` git clone --recursive -b v1.2.1 https://github.com/traveller59/spconv.git ``` 这将下载spconv源代码到当前目录下的spconv文件夹中。 4. 进入spconv目录，并创建一个新的build文件夹： ``` cd spconv mkdir build cd build ``` 5. 使用CMake配置编译参数： ``` cmake .. -DSPCONV_BUILD_CUDA=OFF -DSPCONV_BUILD_SHARED=OFF ``` 这将设置编译选项，以便使用CPU进行编译。 6. 开始编译： ``` cmake --build . --config Release ``` 7. 安装spconv： ``` cmake --install . --prefix "D:/spconv" ``` 这将安装spconv到D:/spconv目录中。 现在你已经成功地下载和安装了spconv 1.2.1。你可以在你的Python项目中使用该库了。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值