旷视天元MegEngine环境搭建及unet

最新推荐文章于 2022-10-13 20:02:26 发布
最新推荐文章于 2022-10-13 20:02:26 发布
阅读量1.6k 收藏 1
点赞数 1
分类专栏： 深度学习环境 CUDA 文章标签： cuda ubuntu
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/TYtangyan/article/details/105231003
版权
本文介绍了如何在Ubuntu 18.04上搭建旷视天元MegEngine的CUDA 10.1环境，包括禁用自带显卡驱动、安装NVIDIA驱动430.40、下载CUDA 10.1并配置环境变量，以及CUDNN的安装步骤。最后，作者提到将在后续研究GitHub上的Unet实现。
摘要由CSDN通过智能技术生成

    旷视科技开源的天元框架，在有pytorch基础的前提下上手很快，中文文档读起来也简单，有自己的社区为用户解决问题。在上面提问解还是很快会得到解决的。 然后华为在四月份也要公测它的全场景MinSpore，有的公司原本有整体架构，想要全都换新的也不是那么简单，各种框架到底哪个会是下一个主流呢。

    天元支持的环境 

我的电脑环境是 Ubuntu 18.04  cuda10.0

目前 MegEngine 安装包集成了使用 GPU 运行代码所需的 CUDA 10.1 环境，不区分 CPU 版本和 GPU 版本。如果您想运行 GPU 程序，请保证机器本身配有 NVIDIA 显卡，并且 驱动 版本高于 418.x 。

由于看到文档中写着CUDA 10.1, 所以我又重装了一下ubuntu的环境，cuda10.0的我没实验好不好使

1.安装显卡驱动

禁用自带显卡驱动
   

sudo gedit /etc/modprobe.d/blacklist.conf

在打开的文档末尾，加上下面两行代码：

 blacklist nouveau
 options nouveau modeset=0

 更新

sudo update-initramfs -u

 重启电脑reboot

最低0.47元/天 解锁文章
新生代农民工！
关注
专栏目录
Python库 | MegEngine-1.5.0-cp38-cp38-manylinux2014_x86_64.whl
03-13
python库。 资源全名：MegEngine-1.5.0-cp38-cp38-manylinux2014_x86_64.whl
UNet++详细解读（二）pytorch从头开始搭建UNet++
qq128252的博客
10-31 4737
黑色部分是Backbone，是原先的UNet。 绿色箭头为上采样，蓝色箭头为密集跳跃连接。 绿色的模块为密集连接块，是经过左边两个部分拼接操作后组成的 2个3x3的卷积，padding=1。 上采样 图中的绿色箭头，上采样使用双线性插值。 下采样 图中的黑色箭头，采用的是最大池化。
深度学习框架【Megengine】的安装
ctu_sue的博客
10-13 1676
本文简介安装megengine深度学习框架，下边开始对深度学习框架megengine进行介绍和使用。
旷视「天元」深度学习框架上手：概况、安装和初步体验
16A086的博客
03-29 1520
概况 天元（英文名：MegEngine）是旷视科技 3 月 25 日开源的深度学习框架，这一名字取自围棋棋盘中心点的名称，也有向 AlphaGo 致敬之意。听了旷视大佬们在发布会上的介绍，MegEngine 从 2014 年开始研发，作为旷视内部全员使用的框架，MegEngine 是驱动旷视在深度学习领域取得一系列成绩的核心动力。 趁没开学在家，对照官方文档快速上手了一下，这篇文章会记录一下对 M...
Models:采用MegEngine实现的各种主流深度学习模型
03-20
MegEngine模型 本仓库包含了采用实现的各种主流深度学习模型。 目录下提供了各种经典的图像分类，目标检测，图像分割以及自然语言模型的官方实现。每个模型同时提供了模型定义，推理以及训练的代码。 官方会一直维护下代码，保持适应MegEngine的最新API，提供最优的模型实现。同时，提供替代的学习文档，帮助新手学习如何在MegEngine下训练自己的模型。 概述 对于每个模型，我们提供了至少四个脚本文件：模型定义（ model.py ），模型推理（ inference.py ），模型训练（ train.py ），模型测试（ test.py ）。 每个模型目录下都柏林对应有一个README ，介绍了模型的详细信息，并详细描述了训练和测试的流程。例如。 另外， official下定义的模型可以通过megengine.hub来直接加载，例如： import megengine.hub # 只
UNet简介及应用.pdf
03-13
- **土地覆盖分类**：UNet可以有效地将卫星图像中的不同地物类型（如道路、建筑物、植被等）区分开来，为城市规划、环境监测等提供数据支持。 - **灾害评估**：在自然灾害发生后，利用UNet快速识别受灾区域，评估...
基于pytorch搭建的unet模型进行训练
最新发布
07-24
内容概要：基于pytorch搭建的unet模型进行训练 使用人群：深度学习分析师+计算机专业类学生 使用场景：数据分析，医学影像识别
Unet训练和部署代码
08-06
总之，这个“Unet训练和libtorch部署代码”涵盖了从训练深度学习模型到将其部署到生产环境的全过程，对理解和实践深度学习模型的生命周期具有很高的参考价值。通过学习和应用这些代码，开发者可以掌握如何在自己的...
华为MindSpore&旷视MegEngine&清华Jittor
专业主义
03-25 1907
1.华为深度学习框架MindSpore 华为算力最强AI芯片商用：2倍于英伟达V100！开源AI框架，对标TensorFlow和PyTorch 2款AI芯片、深度学习框架MindSpore：华为史无前例集中发布AI战略 2019年华为宣布自研AI框架MindSpore开源，直接对标业界两大主流框架——Google的Tensor Flow、Facebook的Pytorch。MindSpore不仅仅可...
旷视深度学习框架MegEngine开源
专业主义
02-28 3999
Brain++是旷视自主研发的端到端人工智能算法平台。在总体架构上，旷视Brain++分为深度学习框架MegEngine、深度学习云计算平台MegCompute、以及数据管理平台MegData，分别针对框架、算力和数据三个核心要素。其中，最为核心、最引人瞩目、开发时间最长的深度学习框架MegEngine也将在三月份开源，各类SOTA模型和框架资源将面向开发者和高校师生使用。 MegEngine还...
pip在虚拟环境下安装MegEngine
zhnsha的博客
04-24 776
参考： https://blog.csdn.net/weixin_42678511/article/details/107953259 安装指定版本的megengine： pip3 install megengine==0.6.0 -f https://megengine.org.cn/whl/mge.html
conda创建虚拟环境安装megengine（Ubuntu18）
皮皮昌的博客
08-12 1812
安装要求： 操作系统：Ubuntu 16.04 及以上 安装方式：pip Python版本：Python3.5及以上 pip版本：19.0及以上 如果想使用GPU，则还需满足以下要求： Nvidia驱动版本：418.39及以上 CUDA®计算能力：5.2及以上 安装步骤： 创建虚拟环境 激活并进入虚拟环境megengine pip安装 在命令行python解释器验证安装是否成功 conda create -n megengine python=3.8 conda acti...
MegEngine 天元 深度学习框架发布
ewqapple的博客
03-25 995
国内即百度paddlepaddle 发布之后，旷视科技又发布了MagEngine 深度学习框架。目前仅仅支持ubuntu 系统。python 3.5 以上。cuda 10.0。目前代码已在github上开源，地址是https://github.com/MegEngine 目前试验了一下物体检测的代码。在服务器上运行发现，多卡运行有点问题。 ...
天元megengine的镇场绝招【天元战士历练指南（megengine学习笔记）】
皮皮昌的博客
08-14 338
动静合一 瞄准痛点：静态图好部署，动态图易调试，但两者难以兼得 同时适配科研实验和生产部署环境 内置动静转换 动静态混合编程 import megengine.functional as F from megengine.jit import trace # import trace之后设置 enabled 属性切换动静态图 trace.enabled = True # 设置为动态图 # 使用 trace 类装饰网络 forward 的函数 @trace def train_func(data
揭秘大模型训练神器！看 MegEngine 如何实现动态图显存优化
旷视开发者技术社区
06-01 673
在近年来的深度学习领域，许多研究机构和研究者通过增大模型的参数量来提升模型的表现，取得了非常显著的成果，一次次令业界称奇。这客观上使得“扩大模型的尺寸”几乎一度成为各家竞相追逐的唯一指标。...
旷视科技MegStudio在线深度学习开发平台使用方法
yrwang_xd的博客
03-25 2239
旷世科技的深度学习框架 MegEngine（天元）近期开源，其在线深度学习平台MegStudio同时发布。 下面介绍平台使用方法 注册 官网链接： https://studio.brainpp.com/ 有账号的点击立即登陆，没有的点击注册 登陆后，填写邀请码，填写邀请码后可获得算力卡，可获得100小时cpu算力卡或者50小时gpu算力卡。 邀请码 vQ8Yc 创建项目 点击创建一个 点...
paddle、MindSpore、MegEngine、tensorflow安装教程
QT-Smile
03-03 911
paddle和MindSpore安装教程 paddle安装教程：https://www.paddlepaddle.org.cn/install/quick?docurl=/documentation/docs/zh/develop/install/pip/windows-pip.html MindSpore安装教程：https://www.mindspore.cn/install
旷视MegEngine网络搭建
吴建明wujianming_110117
02-08 514
旷视MegEngine网络搭建 在 基本概念 中，介绍了计算图、张量和算子，神经网络可以看成一个计算图。在 MegEngine 中，按照计算图的拓扑结构，将张量和算子连接起来，即可完成对网络的搭建。MegEngine 提供了基于 functional 和基于 Module 的两种方式搭建网络。 functional 仅提供最基本的算子功能，数据连接的工作完全由用户完成； Module 对网络模块（包含若干算子及其参数的基本单元）进行了进一步的封装，代码更易复用和维护。 基于 functional 搭建网络
pytorch搭建UNet
07-28
要使用PyTorch搭建UNet，可以按照以下步骤进行： 1. 导入必要的模块： ```python import torch import torch.nn as nn import torch.nn.functional as F ``` 2. 定义UNet的核心模块： ```python class DoubleConv(nn.Module): def __init__(self, in_channels, out_channels): super(DoubleConv, self).__init__() self.conv = nn.Sequential( nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1), nn.BatchNorm2d(out_channels), nn.ReLU(inplace=True), nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1), nn.BatchNorm2d(out_channels), nn.ReLU(inplace=True) ) def forward(self, x): return self.conv(x) ``` 3. 定义UNet的编码器： ```python class UNet(nn.Module): def __init__(self, in_channels, out_channels): super(UNet, self).__init__() self.down1 = DoubleConv(in_channels, 64) self.down2 = DoubleConv(64, 128) self.down3 = DoubleConv(128, 256) self.down4 = DoubleConv(256, 512) self.up1 = nn.ConvTranspose2d(512, 256, kernel_size=2, stride=2) self.up2 = nn.ConvTranspose2d(256, 128, kernel_size=2, stride=2) self.up3 = nn.ConvTranspose2d(128, 64, kernel_size=2, stride=2) self.up4 = nn.ConvTranspose2d(64, out_channels, kernel_size=2, stride=2) def forward(self, x): x1 = self.down1(x) x2 = self.down2(F.max_pool2d(x1, 2)) x3 = self.down3(F.max_pool2d(x2, 2)) x4 = self.down4(F.max_pool2d(x3, 2)) x = self.up1(x4) x = self.up2(torch.cat([x, x3], dim=1)) x = self.up3(torch.cat([x, x2], dim=1)) x = self.up4(torch.cat([x, x1], dim=1)) return x ``` 4. 创建UNet实例并定义输入输出通道数： ```python model = UNet(in_channels=3, out_channels=1) ``` 这是一个基本的UNet模型，你可以根据自己的需求进行修改和扩展。记得在训练之前，要根据你的任务定义损失函数和优化器。
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