cuda

1.引言 锵锵锵，好久不见，我又肥来了，前一段时间上网找资料的时候偶然发现一篇关于人脸关键点检测的文章，应该说这篇论文是关键点检测的看山鼻祖，论文主页：http://mmlab.ie.cuhk.edu.hk/archive/CNN_FacePoint.htm，一篇中文翻译的博客：基于DCNN的人脸特征点定位。我大概看了一遍发现这个论文的思路对我有很大的帮助，同时整体神经网络结构的搭建也不算太复杂，因此决定将论文复现一下看看效果，同时我对论文提出的网络也进行了一点细微的修改，但是中间有点事所以这个计划在进行了一半后就搁浅了，直到这几天才将后续的部分完成，让我们一起看一看实现的过程。 我的训练环境是使用Python3.6，Tensorflow—gpu，CUDA9.1，CUDNN7版本，每个网络进行1000epoch训练，最终训练效果如下图所示,红色点是网络预测的坐标点，蓝色点为数据集中给出的坐标点，该网络的预测效果相对来说还是可以的，但是在嘴角部分的预测还有一定差距。 2.网络结构 论文提出的网络整体思想是将网络分为两个模块，第一模块是通过适应openCV、faster rcnn或者训练的其他网络将原始图片裁剪出人脸部分用作第二模块关键点检测的数据，由于我使用的是Kaggle上提供的人脸关键点定位数据集，因此我没有使用第一模块

一、PyTorch是什么？ 　　这是一个基于Python的科学计算软件包，针对两组受众： 　　①、NumPy的替代品，可以使用GPU的强大功能 　　②、深入学习研究平台，提供最大的灵活性和速度 二、入门 　　①、张量（tensor）： 　　张量与NumPy的ndarray类似，另外还有Tensors也可用于GPU以加速计算： 1 from __future__ import print_function 2 import torch 　　构造一个未初始化的5x3矩阵： 1 x = torch.empty(5, 3 ) 2 print (x) 　　构造一个随机初始化的矩阵： 1 x = torch.rand(5, 3 ) 2 print (x) 　　构造一个矩阵填充的零和dtype long： 1 x = torch.zeros(5, 3, dtype= torch.long) 2 print (x) 　　直接从数据构造张量： 1 x = torch.tensor([5.5, 3 ]) 2 print (x) 　　 根据现有的张量创建张量。 除非用户提供新值，否则这些方法将重用输入张量的属性，例如dtype： 1 x = x.new_ones(5, 3, dtype=torch.double) # new_* methods take in sizes 2 print (x) 3 4

　　最近在学习《深入理解OpenCV:实用计算机视觉项目解析》一书的第三章和第四章时，遇到很多编译问题，书中又没有详细的讲解环境配置和搭建过程。经过多天的捉摸、调试、排错终于将两章的程序都调试成功了，先做个记录以备忘。该书的英文名为：《Mastering OpenCV with Practical Computer Vision Projects》。 一、开发环境概述 　　1、OpenCV版本：2.4.4； 　　2、PCL版本：1.6.0； 　　3、SSBA版本：3.0； 　　4、IDE版本：VS2010 32位 ，字符集： 使用多字节字符集 ； 　　5、PCL如果涉及到OpenGL，则采用OpenGL32.lib和OpenGL.dll。 二、OpenCV2.4.4编译和安装 　　 1、OpenCV2.4.4下载地址： https://github.com/opencv/opencv/releases?after=2.4.6.1 ，如下图所示： 　　2、具体的编译和配置工作参考： OpenCV2.4.12 开启OpenGL启用三维可视化支持 。 　　 注意 ：（1）第一次点击“Configure”时，请在“Specify the generator for this project”选择“Visual Studio 10”,该选项是32位的； 　　　　　（2

被tensorflow 1.8, ubuntu 16.04, cuda 9.0, nvidia-390折磨了5天，终于上坑，留下指南，造福后人。 1.先把依赖搞清楚： tensorflow 1.8依赖cuda 9.0，cuda 9.0依赖nvidia-390。 2.坑： ubuntu 16.04源里只有nvidia-384，nvidia-390太新还没支持。 怎么办？ 如果你不在天朝以下可以在个人源中安装nvidia-390 sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update sudo apt install nvidia-390 如果你在天朝ppa速度极慢，只能手动从这里下载： http://ppa.launchpad.net/graphics-drivers/ppa/ubuntu/pool/main/n/nvidia-graphics-drivers-390/nvidia-390_390.48-0ubuntu0~gpu16.04.3_amd64.deb 3. 安装顺序，很关键，必需安装先cuda再nvidia-390的顺序，否则会造成loop login 循环登陆 无法进入桌面： 1. 参照NVIDIA的文档安装cuda9.0： https://docs.nvidia.com/cuda/cuda

1、下载cuda， https://developer.nvidia.com/cuda-90-download-archive?target_os=Linux&target_arch=x86_64&target_distro=Ubuntu&target_version=1604&target_type=runfilelocal 。下载cuda9.0及其补丁的.run文件 2、下载cudnn， https://developer.nvidia.com/rdp/cudnn-archive 。 3、Ubuntu安装和卸载CUDA和CUDNN，参看： https://blog.csdn.net/qq_33200967/article/details/80689543 4、安装多个版本cuda并进行切换： https://blog.csdn.net/yinxingtianxia/article/details/80462892 5、在ubuntu18.04上安装cuda9.0： https://blog.csdn.net/u012428169/article/details/90942762 （ubuntu18.04与cuda9.0原本是不匹配的） 6、多账户使用不同cuda版本的情况： https://www.cnblogs.com/sddai/p/10278005.html

下载cuda https://developer.nvidia.com/cuda-downloads?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal 下载opencv3.1和opencv-contrib3.1 vs2015要选择c++环境 启动这个命令窗口，从这里启动cmake cuda安装的时候参考 https://blog.csdn.net/u014613745/article/details/78310916 测试cuda正常 cmake编译时确保选择cuda和opencv-contrib，然后 否则我的电脑会提示 nvcc fatal : Unsupported gpu architecture 'compute_20' 取消勾选 BUILD_PERF_TESTS这一项 LNK1104 无法打开文件“..\..\lib\Debug\opencv_bioinspired310d.lib” opencv_perf_bioinspired https://blog.csdn.net/fu_shuwu/article/details/72793856 一些参考： https://blog.csdn.net/liujiabin076/article/details/68926699

去年底入手一台联想Y7000P,配置了Nvidia GeForce GTX 1660 Ti GPU，GPU内存6G，但是因为有GPU服务器，所以一直没有在这台笔记本上跑过模型，如今经过一番折腾，终于在此笔记本上搭建好了环境，并成功使用GPU训练了一些模型，本篇记录了环境搭建的过程。 检查你的GPU 首先确保你的电脑有Nvidia的GPU，并且支持CUDA，可以参考 这个网址 。 安装vs2017 Visual Studio 2017 Community下载地址 安装选项：勾选“C++的桌面开发”,右边的列表再额外勾选一个SDK,这个SDK是在后续测试CUDA样例的时候要用到的，如下图： 安装CUDA10.0 下载 打开网站： CUDA10.0 按照下图选择对应的选项后，点击下载： 安装 双击下载的文件，选择自定义安装，如果之前你已经安装过显卡驱动并且兼容CUDA10.0，可以在这里去掉显卡驱动的勾选，兼容情况参考 这里 ，截图如下： 另外，去掉Visual studio integration的勾选： 后面默认选择下一步，等待安装完成。 测试 命令行测试： nvcc -V 输出以下信息即成功: 样例测试： 以管理员方式打开vs2017，然后加载bandwidthTest解决方案，路径如下： C:\ProgramData\NVIDIA Corporation\CUDA Samples

课程链接： https://edu.51cto.com/course/22982.html 课程演示环境：Windows10; cuda 10.2; cudnn7.6.5; Python3.7; VisualStudio2019; OpenCV3.4 需要学习ubuntu系统YOLOv4的同学请前往：《YOLOv4目标检测实战：训练自己的数据集》 https://edu.51cto.com/course/22982.html YOLOv4来了！速度和精度双提升！ 与 YOLOv3 相比，新版本的 AP (精度)和 FPS （每秒帧率）分别提高了 10% 和 12%。 YOLO系列是基于深度学习的端到端实时目标检测方法。本课程将手把手地教大家使用labelImg标注和使用YOLOv4训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。 本课程的YOLOv4使用AlexyAB/darknet，在Windows系统上做项目演示。包括：安装软件环境、安装YOLOv4、标注自己的数据集、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算)和先验框聚类分析。还将介绍改善YOLOv4目标检测性能的技巧。 除本课程《Windows版YOLOv4目标检测实战：训练自己的数据集》外

接着上一篇，openfst已经编译好。 首先，使用git clone下载kaldi的项目 git clone https: // github.com/kaldi-asr/kaldi.git kaldi 用4G网络会快很多 1. 这里有两种选择来使用BLAS， Intel® MKL and OpenBLAS. Intel® MKL is made by Intel and is optimised for their processors.It isn't free, but you can get Community Licensing for Intel® Performance Libraries or as part of Intel product suite if you qualify as students, educators, academic researchers, and open source contributors . OpenBLAS is free alternative with similar performance.（大致是说MKL不是免费的，但如果你是学生、教育工作者、搞学术研究的可以用社区版）（--要验证很麻烦--）所以openBLAS是免费的可替代的，有着相似功能。 If using Intel® MKL , install it .

0. 前言 由于本电脑为公用电脑，可能由于其他人点了图像界面中推荐的内核更新，导致原来安装的NVIDIA显卡驱动 430 与升级后的 5.0 内核不兼容，从而导致输入用户名后登录一直卡在紫色界面。在排查问题的过程中也是几经周折，因为根本不知道上一个人在关机前都进行了什么操作，多方查找资料，最后发现可能还是由于显卡驱动造成的原因。那么知道了内核与显卡驱动不匹配的原因，就很好办，方法如下。（PS：最后未成功解决，时间宝贵的朋友，可跳过本文） 1. 卸载N卡驱动 首先，本机环境 Ubuntu 18.04.3, 英伟达 RTX2080卡，Ubuntu18.04其特性可阅读[1]。 (1) 在紫色屏中按 ctrl + alt + F1~6,本人是F2，然后进入 tty 命令行模式，随便输入一个用户名然后相应的密码。 (2) 输入以下命令，过程中并没有特别需要注意的地方。[2] sudo apt- get remove nvidia-* # 卸载N卡驱动 sudo apt - get autoremove sudo nvidia - unistall # 通过.run文件卸载 sudo reboot 如果确认跟我的问题一样的话，那么重启应该就能正常进入图形界面了。 2. 更换系统内核 网上也有人总结不同linux内核版本与N卡驱动、Cuda版本之间兼容关系[3].这里我直接粘贴图片。 (1)