cuda

最新版本的驱动对应关系如下 来源： oschina 链接： https://my.oschina.net/ffintell/blog/4301736

pytorch CUDA out of memor 解决方法： 用完把cuda变量 del 显存能增大一倍 import time net = BiSeNet() net.cuda() net.eval() in_ten = torch.randn(8, 3, 640, 640).cuda() for i in range(8): start=time.time() out, out16, out32 = net(in_ten) print(time.time()-start,out.shape,out16.shape,out32.shape) del out del out16 del out32 来源： oschina 链接： https://my.oschina.net/u/4271034/blog/4277811

Follow Me， Buddy！ 一、写在前面 二、nnUNet框架如何安装？ 1. 你应该配置哪些环境？ 2. 整理你的数据！ ① nnUNet需要你把你要训练的数据做一个好好的整理，初学者请务必按照我的做法，等你熟练掌握以后再考虑新的姿势（有些文件夹的创建时多余的，但是你还是跟着我这样做最好）： 3.设置nnUNet读取文件的路径 三、在Task08_HepaticVessel上进行训练！ 1. 转换一下你的数据集，让它可以被nnUNet识别 2. 预处理 3.开始训练 4.简单说下配置 5.至于调参 四、怎么在自己的训练集上训练？ 一、写在前面 1.笔者对nnUNet的使用也才一个多月，真正进入医疗影像领域也才三个月。对于nnUNet的理解肯定还停留在表层，希望大家在使用的时候能抱着一种纠错的态度，我会很感谢大家的指点！ 2.nnUNet是德国癌症研究中心的工程师编写的框架，迄今为止依旧在维护和更新，希望大家共勉，“抄”出自己的水平的同时，协助框架的维护，也是在帮助中国医疗行业（手动狗头）。 3.此框架仅在Ubuntu18.04上进行过安装，win上需要键入参数运行，框架作者的建议也是在linux系统。作者建议不在conda的环境下，但我的框架在两个服务器三台主机上都未遇到什么conda的问题。1.5.1+cu10.1 4

没GPU也能玩梵高作画：Ubuntu tensorflow CPU版 作者：七月在线开发/市场团队骁哲、李伟、July 时间：二零一六年九月二十七日 交流：TensorFlow实战交流Q群 472899334，有问题可以加此群共同交流。另探究实验背后原理，请参看： 深度学习在线班 。 一、前言 9月22号，我们开发/市场团队的两同事利用DL学梵高作画，安装cuda 8.0趟遍无数坑，很多朋友求避坑。因此，3天后的9月25日，便把教程《 教你从头到尾利用DL学梵高作画：GTX 1070 cuda 8.0 tensorflow gpu版 》公布出去。但令人尴尬的是，不少同学没有GTX 1070、甚至没有一块像样的GPU。 对于在北京的朋友，我们可以提供1070机器免费给大家实验，但对于更多不在北京的朋友呢？为了让 每一个人都能玩一把 ，特此发布本tensorflow作画的CPU版教程。你会看到，搭建过程相比较GPU版本而言简单太多太多了，但缺点是没有了GPU，计算过程非常熬人，i7-6700大约1.5h（要知道，如果搭好GPU，最后计算过程就几分钟的事）。 但不管咋样，之前你说没有GTX 1070所以没去动手，那现在有个CPU就能跑了，不受硬件条件限制，何不现在就动手试一把？希望更多朋友与我们一起玩更多有趣、好玩的实验。 二、安装 2.1、安装tensorflow Windows 下

环境依赖：PCL1.9 tensorflow1.8.0 ros （pcl1.9 及 ros自行配置 ros配置时推荐用国内源） 2020年最近rosdep不易成功具体方法需要 sudo gedit /etc/resolv.conf 删掉其中所有内容替换为 nameserver 8.8.8.8 #google域名服务 nameserver 8.8.4.4 #google域名服务器 下面开始正题 一、下载源码及虚拟环境 $ sudo apt-get install python-wstool doxygen python3-pip python3-dev python-virtualenv dh-autoreconf $ cd ~/segmap_ws $ catkin init $ catkin config --merge-devel $ catkin config --cmake-args -DCMAKE_BUILD_TYPE=Release $ cd src $ git clone https://github.com/ethz-asl/segmap.git $ wstool init $ wstool merge segmap/dependencies.rosinstall $ wstool update $ virtualenv ~/segmappyenv $ source

下载ffmpeg源码 git clone https://git.ffmpeg.org/ffmpeg.git ffmpeg/ 安装依赖包： sudo apt-get install build-essential yasm cmake libtool libc6 libc6-dev unzip wget libnuma1 libnuma-dev 编译配置 ./configure --enable-nonfree -–enable-cuda-sdk –enable-libnpp --extra-cflags=-I/usr/local/cuda/include --extra-ldflags=-L/usr/local/cuda/lib64 编译 make -j 8 安装 sudo make install 同分辨率转码, gpu加速转码，ddr在线模式 ffmpeg -y -vsync 0 -hwaccel cuvid -c:v h264_cuvid -i input.mp4 -c:a copy -c:v h264_nvenc -b:v 5M output.mp4 变分辨率转码： ffmpeg -y -vsync 0 -hwaccel cuvid –resize 1280x720 -c:v h264_cuvid -i input.mp4 -c:a copy -c:v h264

本文始发于个人公众号： TechFlow ，原创不易，求个关注 今天这篇是 Pytorch专题 第一篇文章。 大家好，由于我最近自己在学习Pytorch框架的运用，并且也是为了响应许多读者的需求，推出了这个Pytorch专题。由于这个专题是周末加更的，所以不能保证更新进度，我尽量和其他专题一样，每周一更。 Pytorch简介 Pytorch底层是Torch框架，Torch框架是一个科学计算框架，拥有一个与Numpy类似的张量操作库。非常灵活，但是它的语言是Lua，比较小众，因此没有广泛流行。 后来开发团队在Torch的基础上包装了一层Python的Api，使得我们可以通过Python来进行调用。它是由Facebook的人工智能小组开发维护的，目前在业内也非常流行，尤其是学术界，几乎清一色的Pytorch。它拥有两个最大的优点，一个是 动态网络 ，像是TensorFlow等框架定义出来的神经网络是静态的，一旦写死不能轻易改变。但是Pytorch我们可以零延迟地改变任何神经网络。第二个有点是具有 强大的GPU加速计算的工具 ，Pytorch的GPU加速非常好用。 另外Pytorch的语法更加简洁规范，更加Pythonic，学习曲线也更平稳一些。 写出来的代码更加容易理解 ，更适合初学者。 当然由于诞生的时间还短，并且在工业界的普及度还不如TensorFlow，所以它也有一些短板

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 验证自己创建的数据集： https://www.cnblogs.com/xiximayou/p/12550471.html 测试自己创建的数据集： https://www.cnblogs.com/xiximayou/p/12550566.html 还是以在谷歌colab上为例： cd /content/drive/My Drive/pytorch_ssd 导入相应的包： import os import sys module_path = os.path.abspath(os.path.join( ' .. ' )) if module_path not in sys.path: sys.path.append(module_path) import torch import torch.nn as nn import torch.backends.cudnn as cudnn from torch.autograd import Variable import numpy as np import cv2

conda 常用命令 1）conda list 查看安装了哪些包。 2）conda env list 或 conda info -e 查看当前存在哪些虚拟环境 3）conda update conda 检查更新当前conda conda新建环境 conda create -n your_env_name python=X.X -> 新建环境 conda activate your_env_name 更改国内源 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ conda config --set show_channel_urls yes pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/ 查看cuda版本 ls -l /usr

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 验证自己创建的数据集： https://www.cnblogs.com/xiximayou/p/12550471.html 测试自己创建的数据集： https://www.cnblogs.com/xiximayou/p/12550566.html 还是以在谷歌colab上为例： cd /content/drive/My Drive/pytorch_ssd 导入相应的包： import os import sys module_path = os.path.abspath(os.path.join( ' .. ' )) if module_path not in sys.path: sys.path.append(module_path) import torch import torch.nn as nn import torch.backends.cudnn as cudnn from torch.autograd import Variable import numpy as np import cv2