目录
- 一.深度学习环境配置
- window安装
- 清华大学开源软件镜像站
- windows和Linux安装配置anaconda
- windows安装miniconda
- linux下pycharm和idea安装教程
- vscode安装和使用教程
- python3.7 windows可执行文件版下载地址
- ubuntu安装显卡驱动 和 cuda
- 租借GPU、pycharm远程使用GPU、配置解释器
- anaconda命令大全
- pycharm配置conda解释器和conda创建的虚拟环境解释器
- pycharm配置Jupyter
- 电脑没有nvidia显卡是否可以安装torch?
- 跑深度学习代码的requirements.txt
- 如何验证Pytorch是否安装成功
- pycharm中的终端突然不能用conda(如果更换pycharm中的终端)
- 二. python基础
- 三.机器学习笔记
- 四.深度学习笔记
- 五.图像识别及目标检测
- 六.嵌入式人工智能
- 七.OpenCV项目
- 八.开源的较好的AI项目
- 八.深度学习报错总结
- 数据集的划分
- 数据集
- 生成模型
一.深度学习环境配置
window安装
清华大学开源软件镜像站
https://mirrors.tuna.tsinghua.edu.cn/
windows和Linux安装配置anaconda
linux安装配置anaconda(亲测可行,装不好你打我)
windows安装miniconda
linux下pycharm和idea安装教程
vscode安装和使用教程
linux安装vscode & vscode使用 & 创建项目并运行
windows中Visual Studio Code安装配置教程
python3.7 windows可执行文件版下载地址
https://www.python.org/downloads/release/python-376/
安装教程:https://blog.csdn.net/libaiup/article/details/134136264
ubuntu安装显卡驱动 和 cuda
安装ubuntu之后分辨率固定问题&ubuntu20.04安装显卡驱动&卸载显卡驱动
租借GPU、pycharm远程使用GPU、配置解释器
Pycharm远程连接GPU(内容:下载安装Pycharm、GPU租借、配置SSH、将代码同步到镜像、命令行操控远程镜像、配置远程GPU解释器)
anaconda命令大全
pycharm配置conda解释器和conda创建的虚拟环境解释器
pycharm配置conda解释器和conda创建的虚拟环境解释器
pycharm配置Jupyter
https://blog.csdn.net/qq_42864343/article/details/140218333?spm=1001.2014.3001.5501
电脑没有nvidia显卡是否可以安装torch?
可以。在没有显卡,没有CUDA的情况下也能安装PyTorch,
主要是因为PyTorch提供了CPU版本供用户使用。
但是当有了CUDA时,安装与之不匹配的pytorch版本,就会报错。
但是在没有GPU的电脑上,同版本的pytorch是可以装的。
跑深度学习代码的requirements.txt
# pip install -r requirements.txt
# pip install -r requirements.txt
# base ----------------------------------------
matplotlib>=3.2.2
numpy==1.23.5
opencv-python>=4.1.2
Pillow
PyYAML>=5.3.1
scipy>=1.4.1
torch==1.9.1
torchvision==0.10.1
tqdm>=4.41.0
# plotting ------------------------------------
seaborn>=0.11.0
pandas
# deep_sort -----------------------------------
easydict
requests
如何验证Pytorch是否安装成功
import torch
# 检查PyTorch是否可以找到GPU(可选)
if torch.cuda.is_available():
print("PyTorch can use GPU.")
else:
print("PyTorch cannot find GPU.")
# 创建一个张量并打印出来
x = torch.randn(5, 3)
print(x)
pycharm中的终端突然不能用conda(如果更换pycharm中的终端)
1.原本是powershell就更换为cmd,反之亦然。
2.更换之后,关闭原来的local,重新打开一个Local
二. python基础
三.机器学习笔记
线性回归
线性回归预测波士顿房价 & loss为NAN原因 & 画散点图找特征与标签的关系
逻辑回归
四.深度学习笔记
深度学习的优化器
torch.optim.SGD 和 torch.optim.Adam的区别?
深度学习在训练时更新和保存最佳训练结果的方法(字典方法,本地保存方法,模型深拷贝方法)
深度学习在训练时更新和保存最佳训练结果的方法(字典方法,本地保存方法,模型深拷贝方法)
五.图像识别及目标检测
Resnet18连接摄像头实时监测
使用resnet18预训练模型实时检测摄像头画面中的物体(画面显示中文类名)
使用resnet18预训练模型实时检测摄像头画面中的物体(画面显示英文类名)
yolov1理论和代码
yolo指标详解(mAP,IoU,P,R,F1)
yolo,mAP, F1值, 召回率(Recall),精确率(Precision),(TP,TN,FP,FN),交除并(Intersection-over-Union(IoU))
yolov5原理详解
yolov5原理详解 (涉及内容:Yolov5框架,各组件分析,特征融合是怎么实现的?yolov5的具体特征融合方式等)
YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x大小和下载地址
点我:YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x下载
YOLOv5s(Small):
是YOLOv5系列中最小的模型。
“s”代表“small”(小),意味着其模型尺寸和计算需求相对较小。
YOLOv5m(Medium):
是YOLOv5系列中一个中等大小的模型。
“m”代表“medium”(中),提供了比YOLOv5s更大的模型尺寸和更高的性能。
YOLOv5l(Large):
是YOLOv5系列中一个较大的模型。
“l”代表“large”(大),具有更大的模型尺寸和更高的检测精度。
YOLOv5x(Extra Large):
是YOLOv5系列中最大的模型。
“x”代表“extra large”(超大),提供了最佳的检测性能和准确性,但也需要最多的计算资源。
yolov5各种架构的输入大小规定
输入图片尺寸应为32的倍数:
YOLOv5系列模型中的卷积层和池化层通常会将输入特征图的宽和高缩小到原来的二分之一(或其他比例),并可能进行填充或裁剪以确保输出特征图的尺寸符合要求。因此,为了确保经过多次卷积和池化后得到的特征图尺寸仍然有效,输入图片的宽和高通常应该是32的倍数。
常见的输入图片尺寸:
在实际应用中,常见的输入图片尺寸包括416x416、512x512、608x608以及640x640像素等。这些尺寸不仅符合32的倍数要求,而且在实际应用中表现良好。
详解yolov5训练自己的香烟数据集并推理
(小白必看)详解yolov5训练自己的数据集 & 使用香烟数据集训练yolov5识别香烟
yolo-nas对自定义香烟数据集进行训练、连接摄像头推理
yolo-nas对自定义数据集进行训练,测试详解 & 香烟数据集 & 处理损坏的图片数据 & 对网络摄像头,视频,图片预测
六.嵌入式人工智能
嵌入式与人工智能是如何结合的?
基于Jetson Nano的嵌入式小车避障项目
人工智能模型转ONNX & 连接摄像头使用ONNX格式的模型进行推理
人工智能模型转ONNX & 连接摄像头使用ONNX格式的模型进行推理
七.OpenCV项目
python图像处理,opencv笔记汇总
八.开源的较好的AI项目
https://blog.csdn.net/qq_42864343/article/details/131734684
八.深度学习报错总结
RuntimeError: “unfolded2d_copy” not implemented for ‘Half’ [stable diffusion]
原因:
pytorch conv cpu不支持fp16,use_half=False,或者将.half()修改成.float()也能计算
打印device,发现是cpu
参考链接:RuntimeError: “unfolded2d_copy” not implemented for ‘Half’ [stable diffusion]
数据集的划分
深度学习数据集的划分代码解读(加载kaggle的dog数据,多gpu训练加载参数)待更新
数据集
CeleA
CeleA是香港中文大学的开放数据,包含10177个名人身份的202599张图片,并且都做好了特征标记,这个数据集对人脸相关的训练来说是非常好用的数据集。
https://blog.csdn.net/qq_40418553/article/details/125774743
生成模型
WGAN损失函数解读
https://blog.csdn.net/qq_42864343/article/details/135719480?spm=1001.2014.3001.5502
GAN原理 & 代码解读
https://blog.csdn.net/qq_42864343/article/details/132483745
待更新