pytorch算力与有效性分析

已于 2023-10-19 09:07:31 修改
阅读量1.3k 收藏 3
点赞数 1
文章标签： pytorch 人工智能 python
于 2023-10-07 09:07:03 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/zhouxinxin111/article/details/128380682
版权

pytorch

Windows中安装深度学习环境

参考文档

Windows端pytorch镜像快速安装
https://blog.csdn.net/Thebest_jack/article/details/123455215?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522167150520516800215058539%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=167150520516800215058539&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2allfirst_rank_ecpm_v1~hot_rank-9-123455215-null-null.142v68pc_rank_34_queryrelevant25,201v4add_ask,213v2t3_control2&utm_term=windows%203080%20%20pytorch%20&spm=1018.2226.3001.4187

机器环境说明

3080机器 Windows11

CUDA cuda_11.1.0_456.43_win10
CUDNN cudnn-11.1-windows-x64-v8.0.5.39
Python3.9

多个虚拟环境

qt_env 满足遥感CS软件分割、目标检测、变化检测的需要
组件名称组件版本信息其他说明
torch1.8.0+CU111因为需要满足stanet的代码运行要求，所以不能超过1.8.0
torchvision0.9.0+CU111
visdim0.2.3
GDAL3…1.4
gtrs 主要是为了满足遥感监测管理平台（BS）系统使用的，无深度学习环境内容
swin_env 与 qt_env 基本一致

在swin_env 的基础上安装mmcv
https://download.openmmlab.com/mmcv/dist/cu111/torch1.8.0/index.html
./mmcv_full-1.6.1-cp39-cp39-win_amd64.whl

od 用于慧眼守土目标检测服务的，与qt_env基本一致，比其高0.0.1

1080机器

3060机器

算力分析

RTX 3080 12 GB显卡发布:8960个CUDA。
NVIDIA GeForce RTX 3080 with CUDA capability sm_86 is not compatible with the current PyTorch installation.
在这里插入图片描述
NVIDIA GeForce RTX 3080 Ti with CUDA capability sm_86意思是RTX 3080 Ti的算力是8.6，而当前安装好的pytorch最高只支持到7.5算力的显卡，也就是说显卡算力和pytorch版本不匹配。要测试显卡算力与当前pytorch是否匹配，可以进入python命令行，依次输入如下两行代码：

import torch
torch.zeros(1).cuda()

————————————————
版权声明：本文为CSDN博主「zeeq_」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_44120025/article/details/121747212

查看CUDA信息

NVIDIA-smi
在这里插入图片描述
这个方法不对，这里的11.6 指的是可驱动的最高版本，下载CUDA的版本应低于11.6。

正确的方法应该是：
nvcc -V
在这里插入图片描述
前者可以查看到信息，而后者查看不到的原因是？
https://blog.csdn.net/baidu_30506559/article/details/121908428?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7ERate-1-121908428-blog-125822005.pc_relevant_3mothn_strategy_recovery&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7ERate-1-121908428-blog-125822005.pc_relevant_3mothn_strategy_recovery&utm_relevant_index=2

CUDA/CUDA toolkit(pytorch)等区别和关系

一、CUDA/cudnn/CUDA Toolkit/NVCC区别简介
参考 Pytorch 使用不同版本的 cuda

CUDA：为“GPU通用计算”构建的运算平台。
cudnn：为深度学习计算设计的软件库。
CUDA Toolkit (nvidia)： CUDA完整的工具安装包，其中提供了 Nvidia 驱动程序、开发 CUDA 程序相关的开发工具包等可供安装的选项。包括 CUDA 程序的编译器、IDE、调试器等，CUDA 程序所对应的各式库文件以及它们的头文件。
CUDA Toolkit (Pytorch)： CUDA不完整的工具安装包，其主要包含在使用 CUDA 相关的功能时所依赖的动态链接库。不会安装驱动程序。
（NVCC 是CUDA的编译器，只是 CUDA Toolkit 中的一部分）
注：CUDA Toolkit 完整和不完整的区别：在安装了CUDA Toolkit (Pytorch)后，只要系统上存在与当前的 cudatoolkit 所兼容的 Nvidia 驱动，则已经编译好的 CUDA 相关的程序就可以直接运行，不需要重新进行编译过程。如需要为 Pytorch 框架添加 CUDA 相关的拓展时（Custom C++ and CUDA Extensions），需要对编写的 CUDA 相关的程序进行编译等操作，则需安装完整的 Nvidia 官方提供的 CUDA Toolkit。
————————————————
版权声明：本文为CSDN博主「健0000」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_41094058/article/details/116207333

Nvidia的CUDA和CUDNN下载地址

  • CUDNN 下载：https://developer.nvidia.com/rdp/cudnn-archive#a-collapse805-111
  • CUDA历史版本下载：https://developer.nvidia.com/cuda-toolkit-archive

Nvidia的CUDA和CUDNN的安装及检测方法

https://blog.csdn.net/yang4123/article/details/127188279

环境安装

第一步：历史的版本，在这边：https://pytorch.org/get-started/previous-versions/
第二步：找到对应的语句：
pip3 install torch1.8.1+cu111 torchvision0.9.1+cu111 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html
RTX3080需要用到CUDA11.1
第三步：然后去到网址下手工下载下来，然后pip手动安装；

测试环境的准确性代码

import torch
import time
import torchvision
torch.zeros(1).cuda()
# RTX 3080的算力是8.6，但是当前的PyTorch依赖的CUDA版本支持的算力只有3.7、5.0、6.0、6.1、7.0、7.5及3.7以下


# 测试gpu计算耗时
A = torch.ones(5000, 5000).to('cuda')
B = torch.ones(5000, 5000).to('cuda')
startTime2 = time.time()
for i in range(100):
    C = torch.matmul(A, B)
endTime2 = time.time()
print('gpu计算总时长:', round((endTime2 - startTime2) * 1000, 2), 'ms')

# 测试cpu计算耗时
A = torch.ones(5000, 5000)
B = torch.ones(5000, 5000)
startTime1 = time.time()
for i in range(100):
    C = torch.matmul(A, B)
endTime1 = time.time()
print('cpu计算总时长:', round((endTime1 - startTime1) * 1000, 2), 'ms')

print("test")

stanet

stanet 环境不能超pytorch1.8版本 CUDA 10.2 pythorch 1.8 torchversion 0.9 torchaudio 0.8
stanet报错 RuntimeError: The size of tensor a (64) must match the size of tensor b (3) at non-singleton dimension 1 图片格式的问题，必须是png
从这边去作查询：https://download.pytorch.org/whl/torch_stable.html
conda install pytorch1.8.1 torchvision0.9.1 torchaudio==0.8.1 cudatoolkit=11.3 -c pytorch -c conda-forge
运行 STANET
Gevent 是一个协作式多任务库。它的工作方式是您，程序员，将您的代码组织成称为 greenlets 的工作单元。当给定的 greenlet 正在运行时，它会单独运行。当它到达一个会阻塞的点时，也就是说，它必须等待一些外部信号，如文件、超时、我们的网络数据，greenlet 应该通过向 gevent 发送信号来进行合作，gevent 会安排其他一些 greenlet 运行。
————————————————
版权声明：本文为CSDN博主「不瘦8斤的妥球球饼」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_43570470/article/details/124985575
@pytorch_wrap
image_numpy.transpose
Collection.OrderedDict
assert
修改可视化版本visdom=0.1.8.8；
scipy=1.1.0：因为1.2.0版本的scipy没有 imread,也会报错。
pip install scipy -i https://pypi.douban.com/simple/
visdom

Linux环境中安装深度学习环境

Linux 基础回顾

1.Linux的特点：免费，开源，高性能；
2.1999年RedHat得到IBM的合作，意味着大公司承认他了；之后Oracle，sun 等大公司都支持
3.为了节约成本，会有大量的window程序迁移到Linux。
4.Linux最小需要4M，而win98 64M，XP128M
5.学东西很多东西可以看一看，但是不能什么都研，有一门就可以了。
第十讲：
1.网络邻居可以解决两个win操作系统的网络文件共享；而 win和Linux两台机器的文件共享 怎么办 ，通过Samba服务安装后，使得linux文件可以共享
2.什么是shell 所有命令都会被系统重新解析成linux内核可以识别的工具，就是shell 用户输入命令只是shell使用的一个方面 里面还有代码开发，使用shell编程相当于dos的批处理文件 。在一个linux 中装了几种shell

大陆一般用的是 /bin/sh 欧洲常用 /bin/ksh
如何修改shell
a 查看目前使用的是哪种shell env (该命令用于查看环境变量 ) 用于查看明确操作系统的情况呢
b 修改 使用的 shell chsh -s /bin/csh
3.命令补全功能 ：非常有用，

Linux挂载
1.首先将window 文件制作成为 iso文件 ；
2.挂载iso 文件；
3.启动Linux系统；
4. 在Root用户下，运行： mount -o loop /dev/cdrom /mnt
之后ls /mnt

6.安装tgz文件，tar -zxvf 文件名

有三种方法助你走进Ubuntu新世界。

虚拟机安装 原料：Ubuntu Kylin的ISO、VMware或VirtualBox 优点：一条龙服务，安全简单 缺点：用户体验差，隔靴搔痒
Wubi安装 原料：Ubuntu Kylin的ISO、wubi.exe 优点：即点即用，默认Windows开机引导 缺点：易死机，待机和网络易出问题
U盘安装 原料：Ubuntu Kylin的ISO、UltraISO、EasyBCD、U盘(>=2G) 优点：简单安全，正牌双系统 缺点：默认Ubuntu开机引导；

http://www.manongjc.com/detail/51-eaztavmgwijzwka.html

切换输入法

Ubuntu中切换中/英文输入法是：win键+空格键
安装输出法
https://blog.csdn.net/weiguang102/article/details/122522271
全局变量的设置方法
https://blog.csdn.net/weixin_42306148/article/details/122149712
sudo gedit ~/.bashrc
export PATH=“/home/name/anaconda3/bin:$PATH”

Ubuntu 下安装深度学习环境

整体

CSDN 上高查看率的文档：https://blog.csdn.net/wuzhiwuweisun/article/details/82753403?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522166608764016782391841005%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=166608764016782391841005&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2allfirst_rank_ecpm_v1~hot_rank-1-82753403-null-null.142v58control_1,201v3control&utm_term=ubuntu18.04%20%20gtx1080ti%20pytorch&spm=1018.2226.3001.4187
python3.8:
下图发现Ubuntu18.04自带Python3.6与2.7版本。要再安装一个3.8的版本 参考https://blog.csdn.net/m0_55986434/article/details/123410860 可以切换优先级 数字越大优先级越高；
anaconda
主要参考了：https://blog.csdn.net/KIK9973/article/details/118772450 使用的版本是2021-5的，不要用太老的， 此外是从清华的源上面下载的https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
安装的地质：gtis/home/anaconda3下，安装的过程实际上是解压包的过程；
需要添加环境变量
https://www.csdn.net/tags/Mtjagg2sMjA4ODQtYmxvZwO0O0OO0O0O.html
显卡驱动470 11.4 这个实际是无效的，要用nvcc -V来查看实际的cuda的版本信息；
自动走系统更新的；
CUDA10.2
主要参考：https://blog.csdn.net/hongyiWeng/article/details/121233439，采用的安装方式是wget；
会出现s段错误的问题
https://blog.csdn.net/weixin_54787250/article/details/125648992
每次到99%的时候就自动报错了，这是一个非常尴尬的事情；
https://developer.download.nvidia.com/compute/cuda/10.2/Prod/local_installers/cuda_10.2.89_440.33.01_linux.run
安装的时候需要把dirver给去除掉，不然会报错的； https://blog.csdn.net/hongyiWeng/article/details/121233439
cudnn 8.2.2
主要参考：https://blog.csdn.net/mao_hui_fei/article/details/121140152
注册的用户名和密码 zhouxinxin@njupt.edu.cn zxxGtis@123
安装deb的方法
https://javaforall.cn/143820.html

pytorch 的相关安装
https://pytorch.org/get-started/previous-versions/

CUDA 10.2

conda install pytorch1.12.0 torchvision0.13.0 torchaudio==0.12.0 cudatoolkit=10.2 -c pytorch
系统：Ubuntu18.04 桌面版
显卡：GTX1080 Ti

这个方案太高了；
pytorch 直接在线安装会下载高版本的，用不了，需要用低版本的；

pip install torch1.8.1+cu111 torchvision0.9.1+cu111 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html

xmanager 连不上 是因为网络服务ssh没有开通

Failed to start sshd.service: Unit sshd.service not found.
https://blog.csdn.net/TanCairo/article/details/104363915
主要是因为防火墙没有关闭

在linux桌面上创建程序执行的图标

https://blog.csdn.net/hgq522/article/details/121326710?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7ERate-1-121326710-blog-126240505.pc_relevant_3mothn_strategy_and_data_recovery&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7ERate-1-121326710-blog-126240505.pc_relevant_3mothn_strategy_and_data_recovery&utm_relevant_index=1

linux 运行SVN

https://blog.csdn.net/sinolover/article/details/121244587
svn checkout https://218.94.2.162:6001/svn/jsfzzx/技术发展中心科研组/63-GeoAI2022/02GeoAI_Sub_Projects/Model_Baseline
zxx
zhouxinxin
gtis

测试GPU是否可以用？

https://jamesbobo.blog.csdn.net/article/details/103116903?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-103116903-blog-122089421.pc_relevant_multi_platform_whitelistv3&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-103116903-blog-122089421.pc_relevant_multi_platform_whitelistv3&utm_relevant_index=2
代码已经写了，位置在：
/home/gtis/002project/001linux_learn/test_cuda.py

启动深度学习模型训练

会出现电脑自动重启的情况，此时需要设置降低GPU 的功率
https://blog.csdn.net/weixin_43587572/article/details/116201354

特定的网络

STANET

visdom安装与可视化

https://blog.csdn.net/weixin_44751294/article/details/115329162

Pytorch 知识点

BCWH

[batch_size，channels，width，hight]

pytorch中文帮助文档

https://pytorch-cn.readthedocs.io/zh/latest/package_references/functional/#distance-functions

visdom安装与基本用法

https://blog.csdn.net/weixin_44751294/article/details/115329162
python -m visdom.server
http://localhost:8097

pip install 安装包

pip install -U scikit-learn -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
pip install scipy -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

conda 常用命令

克隆/复制虚拟环境：想在之前环境基础上再填点其他东西，但有时候会发生一些情况改变以前的环境，建议再创建一个新的环境或者直接clone一份之前的环境（推荐）。

conda create -n new_env --clone exist_env
new_env 是自己新创建的虚拟环境名称
exist_env 是被复制的已经存在的环境名称
一定要看清楚，new_env 在克隆之前 是不存在的。 exist_env虚拟环境在克隆之前是存在的。
————————————————
版权声明：本文为CSDN博主「Vertira」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/Vertira/article/details/128089206

虚拟环境删除

conda remove -n 虚拟环境名称 --all

查看源信息
conda config --show-sources

恢复源的出厂设置
conda config --remove-key channels

添加新的源地址

添加清华镜像源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

搜索时显示地址

conda config --set show_channel_urls yes

查看源信息
conda config --show-sources
恢复源的出厂设置
conda config --remove-key channels
添加新的源地址

添加清华镜像源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

搜索时显示地址

conda config --set show_channel_urls yes
设置源ssl验证为false
conda config --set ssl_verify false
创建指定python版本的虚拟环境
conda create -n orclconn34 python=3.4

1.问题描述
window10环境下，使用Anaconda安装相关依赖包时，报错：Caused by SSLError("Can’t connect to HTTPS URL because the SSL module is not available)
2.解决办法
原因是anaconda没有安装好，环境变量没有配置成功，需要添加三条环境变量；
E:\anaconda;
E:\anaconda\Scripts;
E:\anaconda\Library\bin

虚拟环境拷贝后提示有致命错误

https://blog.csdn.net/PSpiritV/article/details/122993602?ydreferer=aHR0cHM6Ly93d3cuYmFpZHUuY29tL2xpbms%2FdXJsPWhvb0FhNW1UQTRKd3NpbGw2ZDRTTXA5ckdtLWFIVjBvT2d4VGVhU2dJeVB1eERucTZSRnd1WksxX0ZNVW83a1R5ODJUZUhTeXNQeFpwZ1doXzh3anh5OV9CSWszRElMaXNnWlVFZHNjdFVlJndkPSZlcWlkPWI2NGY1ZWY3MDAwOTJkYmEwMDAwMDAwNDY0MmFhNDBm
在新地址中激活虚拟环境，然后使用命令【python -m pip install --upgrade --force-reinstall pip】

常见报错

“OSError: [WinError 1455]页面文件太小，无法完成操作。”

https://blog.csdn.net/weixin_46133643/article/details/125042903

mklink

link（生成的文件夹链接） target(原来的文件夹）
mklink /J “D:\test1” “E:\test1”
mklink /J “E:\002code_running\01GeoAI_Main_Project\01Code\universal_platform\ai_detection\model” “E:\003AI_models\地理智能引擎2.0模型\model”

重要的参考库和URL

  • 影像变化检测awesome: https://github.com/wenhwu/awesome-remote-sensing-change-detection
  • 影像分割awesome: https://github.com/Tramac/awesome-semantic-segmentation-pytorch 这个代码值得一试；
  • 影像分割：https://gitee.com/chinawindofmay/awesome-semantic-segmentation#datasets
  • 商汤MMSegmentation：https://github.com/open-mmlab/mmsegmentation
  • 百度paddle rs: https://github.com/PaddlePaddle/PaddleRS
  • 百度paddle seg:https://github.com/PaddlePaddle/PaddleSeg
  • 遥感的各种数据集
    https://github.com/PaddleCV-SIG/PaddleRS/blob/develop/docs/data/dataset_summary.md
  • 变化检测数据集
    主要资源可以从sigma网站获取；http://sigma.whu.edu.cn/resource.php
    https://zhuanlan.zhihu.com/p/391557545?ivk_sa=1024320u
  • 传统变化检测方法 https://github.com/abhijeet3922/Change-Detection-in-Satellite-Imagery
  • 变化检测高分值网站：https://github.com/dgtlmoon/changedetection.io
  • swintransformer的微软项目地址：https://github.com/microsoft/Swin-Transformer
  • imagenet数据集的地址： http://image-net.org/
  • mini imagenet数据集下载地址：https://lyy.mpi-inf.mpg.de/mtl/download/Lmzjm9tX.html
WindOfMayGIS
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
pytorch版本对计算能力的要求
qq_44159782的博客
12-15 1万+
一、pytorch对计算能力要求 首先查看pytorch是否可用cuda完整流程应该是先查看是否在当前环境下的python In [1]: import sys In [2]: sys.executable Out[2]: '/home/xt/anaconda3/envs/xia/bin/python' 接着查看cuda是否安装 torch.cuda.is_available() //True 只是检测CUDA是否安装正确并能被Pytorch检测到。 接着验证是否能正常使用，要想看Pytorch能不能
Self-Attention,深度学习意力机制，注意力模型，仔细分析了他们的设计方法和应用领域,pytorch实现
10-13
pytorch实现，Self-Attention根据注意力机制的不同应用领域，即注意力权重的应用方式和...注意力模型，仔细分析了他们的设计方法和应用领域，最终用实验方法证明了这些注意力机制的有效性和CV任务带来的结果的改进。
Pytorch算力选卡
weixin_44663546的博客
03-19 1728
我们提到PyTorch时候，总会想到要用硬件设备GPU的支持，也就是“卡”。GPU的性能主要分为两部分: 算力和显存，前者决定了显卡计算的速度，后者则决定了显卡可以同时放入多少数据用于计算。 (Colab TPU) 速度 382s/epoch (i5 8250u) 速度 320s/epoch (i7 9700k) 速度 36s/epoch (GPU MX150) 速度 36s/epoch (Colab GPU) 速度 16s/epoch (GPU GTX 1060) 速度 9s/epoch (GPU GT
幸福的烦恼：显卡算力太高而pytorch版本太低不支持
定期分享我的发现和想法，感谢你的陪伴和支持
03-17 1万+
如果您想在PyTorch中使用NVIDIA GeForce RTX 3090 GPU，请查看https://pytorch.org/get-started/locally/的说明。翻译一下就是：RTX 3090的算力是8.6，但是当前的PyTorch依赖的CUDA版本支持的算力只有3.7、5.0、6.0、7.0。算力7.0的显卡可以在支持最高算力7.5的CUDA版本下运行，但是算力7.5的显卡不可以在支持最高算力7.0的CUDA版本下运行。CUDA capability sm_86：算力8.6。
pytorch 中注意cuda版本和gpu算力匹配
热门推荐
m0_46483236的博客
04-11 2万+
在安装torch时，一定要注意显卡的cuda版本问题。 比如，在 RTX2080上 同样的环境中 程序可以正常运行，而换到A100中，就会报错如下： NVIDIA A100-PCIE-40GB with CUDA capability sm_80 is not compatible with the current PyTorch installation. The current PyTorch install supports CUDA capabilities sm_37 sm_50 sm_60
基于pytorch的参数统计
如果想成为中心，那么就到中心去吧。
06-06 280
net = get_net() print("Total param size = %f MB" % (sum(v.numel() for v in net.parameters()) / 1024 / 1024)) #out:Total param size = 55.205193 MB
pytorch统计参数量和运算量实用工具之torchsummary、torchstat和thop以及打印MobileNet网络的参数数量和浮点数运算量
敲代码的小风
03-16 5673
参考链接: pytorch实用工具：torchsummary 参考链接: 【DL】torch小技巧之网络参数统计 torchstat & torchsummary 参考链接: 【Deep Learning】计算PyTorch模型的FLOPs 安装: pip install torchsummary pip install torchstat pip install thop 模型文件大小: 代码展示: import torch import torch.nn as nn import tor
基于PyTorch的LSTM模型实现 人工智能1901 孙平炜 201912181
08-04
总之，PyTorch提供了强大的框架来实现LSTM模型，通过理解和掌握LSTM的工作原理以及如何在PyTorch中构建和训练模型，可以有效地应用于各种序列数据处理任务，如文本生成、情感分析、机器翻译等。
Python应用领域和就业形势分析总结
09-19
在机器学习方面，Python的地位更是无可替代，与R、Java、Lisp等语言一起推动着人工智能的发展，特别是在深度学习工程中，Python的库如TensorFlow、Keras和PyTorch等为模型训练和优化提供了便利。 对于Python开发者...
Transformer模型实现长期预测并可视化结果（附代码+数据集+原理介绍）
最新发布
04-08
Transformer应用于时间序列分析中的基本思想是：Transformer 在时间序列分析中的应用核心在于其自注意力机制，这使其能够有效捕捉时间序列数据中的长期依赖关系。通过并行处理能力和位置编码，Transformer 不仅提高...
亲测Transformer模型实现长期预测并可视化结果（附代码+数据集+原理介绍）
03-04
Transformer应用于时间序列分析中的基本思想是：Transformer 在时间序列分析中的应用核心在于其自注意力机制，这使其能够有效捕捉时间序列数据中的长期依赖关系。通过并行处理能力和位置编码，Transformer 不仅提高...
PyTorch | 常用统计属性与计算
m0_52650517的博客
09-04 262
pytorch tensor的统计属性1. 默认类型2. 范数3. max, min, argmin, argmax3.1 max 函数3.2 min 函数3.3 argmin 函数3.4 argmax 函数4. mean, sum4.1 mean 函数4.2 sum 函数5. prod5.1 prod 函数6. kthvalue, topk6.1 kthvalue 函数6.2 topk 函数 1. 默认类型 torch.set_default_tensor_type(t)：设置 pytorchpytor
矩阵乘测试显卡算力
RayChiu757374816的博客
09-07 1882
矩阵乘来测试显卡算力
关于使用pytorch在30系列显卡（高级别显卡）算力不够问题
门前大橋下丶
11-17 1406
算力
Pytorch学习笔记
qq_58551342的博客
05-26 541
一般而言，描述Tensor的高维特性通常用三维及以上的矩阵来描述，例如下图所示：单个元素叫标量（scalar），一个序列叫向量（vector），多个序列组成的平面叫矩阵（matrix），多个平面组成的立方体叫张量（tensor）。损失函数（loss function）就是用来度量模型的预测值f(x)与真实值Y的差异程度的运算函数，它是一个非负实值函数，通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好。就是一个网页UI界面的作图工具，可以以可视化的形式更好的分析图片、函数等数据。
PyTorch快速安装并验证GPU是否可用
Smile_liujun的博客
07-01 5786
PyTorch快速安装并验证GPU是否可用
【一文搞懂—防止踩坑】深度学习环境配置:CUDA、cuDNN、算力 和 PyTorch 版本选择、详细教程案例(仔细阅读，建议收藏)
cqy阳的博客
01-23 3930
【一文搞懂—防止踩坑】深度学习环境配置:CUDA、cuDNN、算力 和 PyTorch 版本选择、详细教程案例(仔细阅读，建议收藏)
【深度学习】 为Tesla K40c（显卡算力小于3.5）安装pytorch（要求显卡算力3.7以上）笔记
没有最好，只有更好
08-29 3047
因为我的显卡算力是3.5，但pytorch支持最低的算力是3.7。所以直接在pytorch官网下载的pytorch用不了。
pytorch实用工具总结(GFLOPs如何计算)
junmuzi的专栏
10-17 1万+
Original url: https://zhuanlan.zhihu.com/p/33992733   从网上各种资料加上自己实践的可用工具。 主要包括： 模型层数：print_layers_num 模型参数总量：print_model_parm_nums 模型的计算图：def print_autograd_graph():或者参见tensorboad 模型滤波器可视化：sho...
pytorch版本支持的算力
07-27
PyTorch的版本支持不同的GPU算力。...这意味着如果您的GPU具有与CUDA 10.1及更高版本兼容的算力，您就可以使用PyTorch的最新版本。您可以在NVIDIA官方文档中找到与不同CUDA版本兼容的GPU算力列表。

“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 3
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