cuda

# 导入所需要的包，请保证torchvision已经在你的环境中安装好 import torch import torch.nn as nn from torch.autograd import Variable import torch.optim as optim import torch.nn.functional as F import torchvision.datasets as dsets import torchvision.transforms as transforms import matplotlib.pyplot as plt import numpy as np import copy %matplotlib inline View Code # 加载数据+随机处理+两组不同MNIST数据集 # 设置图像读取器的超参数 image_size = 28 # 图像的总尺寸28*28 num_classes = 10 # 标签的种类数 num_epochs = 20 # 训练的总循环周期 batch_size = 64 # 批处理的尺寸大小 # 如果系统中存在着GPU，我们将用GPU来完成张量的计算 use_cuda = torch.cuda.is_available() # 定义一个布尔型变量，标志当前的GPU是否可用 # 如果当前GPU可用

本文主要使用pycharm+Xming实现使用服务器的编程环境，并在本地显示图像界面， 同时使用Putty远程服务器终端，使用WinSCP可以从局域网向服务器快速传输文件。 主要使用的几个软件：、 Pycharm 专业版 putty Xming WinSCP 以上几个软件如果找不到，可以留言我发给你 1、首先介绍Pycharm 专业版，如果要远程服务器必须用专业版，社区版不行，有edu账号的话可以在官网上免费申请，没有的话可以去某宝上看看。免费申请的具体流程很简单，就是往edu邮箱上认证一下。 2、 打开新下载的Pycharm后，新建项目。 Pure Python —— Existing interpreter——点击Interpreter旁的浏览——SSH 第一次使用需要填ip地址，端口号默认就可以，Username 服务器名字 点击下一步，选择服务器上的python环境。如下图 点击完成后，注意这时候解释器已经显示了服务器的Pyyhon环境，同时Remote project location表示在服务器上想要同步的代码文件夹。点击创建即可。此时我们使用的Python环境已经是服务器上的了。 如果代码中需要用到一些服务器上的动态库，在服务器上代码可以运行，在本地显示缺少动态库，可能需要我们加在程序的环境变量中，例如，在开始运行时我缺少cuda的动态库，添加步骤如下： 点击运行—

　　机器之心专栏 　　 作者：kerlomz 　　 网上关于验证码识别的开源项目众多，但大多是学术型文章或者仅仅是一个测试 demo，那么企业级的验证码识别究竟是怎样的呢？ 　　 1. 前言 　　网上关于验证么识别的开源项目众多，但大多是学术型文章或者仅仅是一个测试 demo，那么企业级的验证码识别究竟是怎样的呢？前方高能预警，这是一个生产水准的验证码识别项目，笔者可以向你们保证，它一定会是各位所见过的文章中最实用的，你甚至可以不需要懂代码写代码就能轻松使用它训练一个 99 识别率的模型。这才是企业级应该有的样子：算法开发负责框架，训练只需要一个实习生。不仅操作上简单，在可用性和稳定性上也是经得起考验。性能上，笔者使用腾讯云 1 核 1G 的机器测试：单次识别平均在 12ms 左右，再也不需要 GPU 部署了，CPU 一样可以日调百万。 　　不少初学者和笔者反应，安装环境太难了，没关系，都给你们安排好了，一行 pip 就能搞定环境的 MuggleOCR。 　　仓库地址： https://pypi.org/project/muggle-ocr 　　MuggleOCR 的体积有 6MB，其中附带了两个通用模型：简单通用验证码，普通 OCR。简而言之就是，再也不用愁验证码的样本不好标注了，它将是各位标注样本的利器，简单的验证码识别率能有 95% 以上，复杂的也有 50%-70% 左右

制作类似pascal voc格式的目标检测数据集： https://www.cnblogs.com/xiximayou/p/12546061.html 代码来源：https://github.com/amdegroot/ssd.pytorch 拷贝下来的代码好多坑要踩。。。 我将其上传到谷歌colab上，当前目录结构如下： 需要说明的是，虽然我们只有2类，但是，要加上背景一类，所以总共我们有3类。 首先我们要读取自己的数据集 在config.py中 # config.py import os.path # gets home dir cross platform # HOME = os.path.expanduser("~") HOME = os.path.expanduser("/content/drive/My Drive/pytorch_ssd/") # for making bounding boxes pretty COLORS = ((255, 0, 0, 128), (0, 255, 0, 128), (0, 0, 255, 128 ), (0, 255, 255, 128), (255, 0, 255, 128), (255, 255, 0, 128 )) MEANS = (104, 117, 123 ) mask = { 'num_classes': 3, 'lr

@ 微星笔记本win10装Ubuntu18+NVIDIA驱动+cuda+cudnn+tensorRT+搜狗 1微星笔记本配置介绍 开始之前做一下介绍，记录一下整个装机过程以及未解决的问题。 笔记本配置：微星绝影GS65 stealth 9SE-670CN 整体配置还好，用来学机器学习的，顺便吐槽，无线网卡真心不好，无线新买的到手一个月坏了，送修，上来就装系统，装完回来又坏了。无奈！！！！！！只能说××微星。 2 装双系统Ubuntu18.04 为了能够方便跑模型，做个双系统。官方指定的维修点说不懂Ubuntu，醉了君莫笑。 开始自己动手…… win10系统下预留空间大小 右键“此电脑”选择“管理”后的“磁盘管理”中，无论是通过-压缩卷-还是，删除卷，预留出来一块没有卷号的灰色区域。 这个区域的作用是：装Ubuntu的时候，自动识别这块的区域，不用指定区域，懒人装法。 我是两块固态（0盘、1盘），刚开始是一个win10，另一个Ubuntu，后来决定合理利用资源，寸土寸金啊。 在0盘上分出170G的空间给Ubuntu，1盘拿来做公共盘，两个系统都用。 制作启动盘 在 Ubuntu官网 或者Ubuntu镜像文件下载系统文件。 下载UltraISO制作U盘启动盘，具体可以参考 U盘安装Ubuntu方法 。 安装Ubuntu系统 关机，重启，按住delete，进入界面后，有一项是-安全启动

制作类似pascal voc格式的目标检测数据集： https://www.cnblogs.com/xiximayou/p/12546061.html 训练自己创建的数据集： https://www.cnblogs.com/xiximayou/p/12546556.html 它的代码中的eval.py实际上使用的是test.txt里面的数据。 直接看修改后的代码：eval.py """ Adapted from: @longcw faster_rcnn_pytorch: https://github.com/longcw/faster_rcnn_pytorch @rbgirshick py-faster-rcnn https://github.com/rbgirshick/py-faster-rcnn Licensed under The MIT License [see LICENSE for details] """ from __future__ import print_function import torch import torch.nn as nn import torch.backends.cudnn as cudnn from torch.autograd import Variable # from data import VOC_ROOT,

1. pytorch运行错误：RuntimeError: cuDNN error: CUDNN_STATUS_INTERNAL_ERROR 解决方法： 代码中添加： torch.cuda.set_device( 0 ) 2. 训练RNN网络loss出现Nan解决办法 （1）. 梯度爆炸的原因可以通过梯度裁决解决 GRAD_CLIP = 5 loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), GRAD_CLIP) optimizer.step() （2）testModel和evaluate中需要使用 with torch.no_grad(): （3） 学习率调小一点 来源： oschina 链接： https://my.oschina.net/u/4228078/blog/4456343

制作类似pascal voc格式的目标检测数据集： https://www.cnblogs.com/xiximayou/p/12546061.html 代码来源：https://github.com/amdegroot/ssd.pytorch 拷贝下来的代码好多坑要踩。。。 我将其上传到谷歌colab上，当前目录结构如下： 需要说明的是，虽然我们只有2类，但是，要加上背景一类，所以总共我们有3类。 首先我们要读取自己的数据集 在config.py中 # config.py import os.path # gets home dir cross platform # HOME = os.path.expanduser("~") HOME = os.path.expanduser("/content/drive/My Drive/pytorch_ssd/") # for making bounding boxes pretty COLORS = ((255, 0, 0, 128), (0, 255, 0, 128), (0, 0, 255, 128 ), (0, 255, 255, 128), (255, 0, 255, 128), (255, 255, 0, 128 )) MEANS = (104, 117, 123 ) mask = { 'num_classes': 3, 'lr