zhiliu的专栏

本文记录Ubuntu22.04长期支持版系统下的CUDA驱动和cuDNN神经网络加速库的安装，并安装PyTorch2.1.1来测试是否安装成功。

本文全面介绍合成孔径雷达自聚焦概念和方法

常见评价指标，陆续补充

介绍Julia深度学习, 并对比MATLAB, PyTorch的性能

文章目录简介实例网络设计代码运行结果参考文献简介Matlab降低了深度神经网络的开发难度，可以通过拖拽的模式设计网络，甚至训练的过程也是GUI操作。实例以高光谱图像分类为例，参考文献1 。构造一个卷积神经网络，输入为9×9×B9\times 9\times B9×9×B 的图像，其中BBB为波段数，类标为中心像素的标签。网络设计在Matlab的APPS中搜索Deep Network工具箱，打开后，选择New来创建网络，在弹出的界面中可以选择创建空白网络，也可以选择预训练的网络。进入设计洁面后

引言不采用docker, 以防拖慢速度. 打算部署PyTorch, Tensorflow 和 Keras框架.版本选择如何选择系统, CUDA, CUDNN, Tensorflow, Pytorch, Keras等版本呢? 首先看GPU, 一些新的GPU卡, 老的CUDA驱动和深度学习框架版本可能不支持, 性能无法发挥, 比如 这里. 对于新的显卡要尽量安装新版本的CUDA驱动和深度学习框架. 但由于有时要运行别人基于老版本框架开发的程序, 而新老版本的代码一般不兼容. 特别地, 对于Tensorfl

这里写自定义目录标题说明比较好的资料文档代码说明比较好的资料文档torchmeta, pytorch meta learning libraryPaper repro: Deep Metalearning using “MAML” and “Reptile”, with codeMeta Learning in PyTorch, with code代码Modular Meta-Learning, NIPS2019...