北溟客的博客

这里记录几个需要注意的问题，以后备查：更新python版本在更新python版本以后，会出现终端失效、software updater失效等问题。尤其是会出现：Traceback (most recent call last): File "/usr/lib/cnf-update-db", line 8, in <module> from CommandNotFound.db.creator import DbCreator File "/usr/local/python

cuDNN采用一些约定俗成的参数符号描述方式，尤其是在API中，变量的定义就可以比较统一，上一篇介绍卷积的时候，对单纯针对卷积的参数定义进行了介绍，这里说一下其他的参数定义符号。针对层（神经元组成）输入输出的符号如下：层参数定义描述w运算每一层使用的filter的权重x推理运算过程中，上一层传过来的输入数据y推理运算过程中，传给下一层的数据b卷积算子：偏置注： 反向传播参考正向传播定义相应的，dx,dy,dw,db 通常代表神经网络中最终输出的网络损

cuDNN提供了各种各样的API函数，本人在上一篇文章《cuDNN学习笔记（2）-- 常用数据类型和API函数》（https://blog.csdn.net/qq_41736617/article/details/119515655，持续更新中…）进行了介绍。函数的使用离不开对于原理的理解，本篇对cuDNN的卷积公式进行介绍。cuDNN提供了好几种计算公式，这里先对计算公式涉及到的变量进行介绍。卷积公式的参数TermDescription说明xxxInput (image)

常用数据类型和API函数（持续更新中...）数据类型：cudnnDataType_t数据类型：cudnnConvolutionFwdAlgo_tAPI函数：cudnnGetConvolutionForwardWorkspaceSize()本篇列举在darknet代码研读过程中遇到的常用数据类型和API函数。2021.08.08更新数据类型：cudnnDataType_tcudnnDataType_t是darknet的cudnn_convolutional_setup()函数中出现的一个数据类型。它

cudnn 8.0以后的版本相较于之前的版本有不少函数的增删，导致很多应用代码兼容性出现很多问题，但是没办法，NIVDIA就是这么硬核。这一篇将增删的内容进行记录，便于查询使用。cuDNN 8.2.0的增删变化cuDNN 8.2.0相较于8.0.3增加了两个函数针对后端描述符：主要针对Swish激活函数操作API：Backend descriptor typescudnnGetActivationDescriptorSwishBeta()cudnnSetActivationD

cuDNN学习笔记简介编程模型API结构简介cuDNN全称 CUDA Deep Neural Network library，即CUDA深度神经网络库，用于GPU加速，已经更新到8.2.0版。用于完成一下几个功能的加速优化：卷积前向传播和反向传播运算, 含互相关Pooling 前向传播和反向传播运算Softmax 前向传播和反向传播运算神经元激活函数前向传播和反向传播运算:‣ Rectified linear (ReLU)‣ Sigmoid‣ Hyperbolic tangent (TA

目录基本概念配置实现CAM模块配置CBAM训练效果前两篇文章《【YOLOv4探讨 之七】利用Darknet YOLOv4在网络中添加注意力机制模块 系列之SE模块》( https://blog.csdn.net/qq_41736617/article/details/118424585)和《【YOLOv4探讨 之八】（2）SAM模块 – 利用Darknet YOLOv4在网络中添加注意力机制》（https://blog.csdn.net/qq_41736617/article/details/118496

目录基本概念配置实现源码分析训练效果小结在上一篇《【YOLOv4探讨 之七】利用Darknet YOLOv4在网络中添加注意力机制模块 系列之SE模块》https://blog.csdn.net/qq_41736617/article/details/118424585中，我们介绍了SE模块的添加方法，这一篇我们在Darknet中增加了SAM模块。基本概念空间注意力机制使用SAM模块，在Darknet中，新添加的sam_layer层就是用于SAM模块，该层在darknet.h中的定义为sam. 其原理

利用Darknet在YOLOv4中添加注意力机制模块基本概念SE模块SAM模块CBAM模块源码分析配置实现在论文《YOLOv4: Optimal Speed and Accuracy of Object Detectio》中，有一个重要的trick，就是注意力机制模块。而且在Darknet框架中还增加了相关的层的设计，主要包括sam_layer层和scale_channels_layer层，分别用于处理空间注意力机制和通道注意力机制。搜索了大量的文章，基本没找到如何在Darknet在YOLOv4中添加注

Darknet YOLOv4 Makefile在YOLOv3基础上有调整，针对CPU并行计算，CPU加速都有改进。上篇文章《【YOLOv4探讨 之五】darknet YOLOv4 编译出现cv::imread(cv::String const&, int)’..未定义的引用》（https://blog.csdn.net/qq_41736617/article/details/118256210）抛出一个问题：原版的makefile和使用cmakelist.txt重新cmake之后的makefil

安装完opencv和opencv-contrib，开心的编译darknet YOLOv4，发现出现了obj/image_opencv.o：在函数‘load_image_mat_cv’中：image_opencv.cpp:(.text+0x2fc)：对‘cv::imread(cv::String const&, int)’未定义的引用image_opencv.cpp:(.text+0x304)：对‘cv::String::deallocate()’未定义的引用image_opencv.cp

搜索了大量文章，没有一个解决问题的，偶然找到这篇，亲测好用。参考https://blog.csdn.net/chujian_CSDN/article/details/106137508报错1：没有那个文件或目录编译OpenCV提示opencv_contrib缺少boostdesc_bgm.i等文件解决方法：参考：https://www.cnblogs.com/arxive/p/11778731.html查看 build 文件夹下的日志文件 CMakeDownloadLog.txt，在

看了一个写的特别好的合集，介绍cuda，转载一下。来自https://zhuanlan.zhihu.com/p/146431357什么是cuda统一计算设备架构（Compute Unified Device Architecture, CUDA），是由NVIDIA推出的通用并行计算架构。解决的是用更加廉价的设备资源，实现更高效的并行计算。有人就问了，std::thread它不香吗，为什么要用cuda？别忘了，cuda是英伟达（NVIDIA）推出的——这个英伟达是何方神圣？没听说过英伟达，也应

本人安装cuda11.03最初是在ubuntu16.04上进行的，涉及到了 X server等问题，一度把电脑整崩溃。后直接安装ubuntu18.04.05 LTS很多问题迎刃而解。首先在软件和更新的附加驱动中安装最新版的显卡驱动，使用命令lsmod | grep nouveau 检查是否已经禁用nouveau，在ubuntu18.04.05 LTS中本身就是直接禁用了的。然后在NVIDIA官网上下载了cuda_11.3.1_465.19.01_linux.run以后，使用命令sud

Ubuntu 《Ubuntu16.04下安装Tenda U6无线网卡驱动》和《18.04安装腾达Tanda U6无线网卡（RTL8192EU）驱动 》1安装腾达Tanda U6无线网卡无论如何都不能成功，最后无奈回到window设备管理器查看，发现Tanda U6无线网卡为rtl8192fu,而不是rtl8192eu，只好下载rtl8192fu的驱动（https://github.com/blackPantherOS/rtl8192fu）,就可以安装成功。...

UEFI启动模式下安装Window10和Ubuntu 16.04双系统踩坑要点共存安装独立引导分区安装总结UEFI启动模式下安装Window10和Ubuntu 16.04双系统与传统BIOS启动模式下存在很大的不同，不同系统需要专门设置boot引导空间。网上大多数安装方法存在一定的问题，导致安装完系统后只能进入直接进入Window，而且由于使用UEFI引导模式，导致使用easyBCD失效。其实，双系统安装存在两种模式，一种是共存安装，一种是独立分区安装，U盘启动进入Ubuntu系统后可以看到共存安装