cuda

处理器：I5-7500 显卡 ：GTX1050Ti 系统 ：Win10 1. 首先搭建Python环境。 官网 https://www.python.org/downloads/ 下载Python3.7（目前最新的版本为3.7.4，暂时不用最新版本）。下载安装完成后在环境变量中添加bin路径。 cmd 运行 python 查看是否配置成功。 C:\Users\admin> python Python 3.7 . 0 (v3. 7.0 :1bf9cc5093, Jun 27 2018 , 04 : 59 : 51 ) [MSC v. 1914 64 bit (AMD64)] on win32 Type " help " , " copyright " , " credits " or " license " for more information. >>> 2. 下载Cuda 官网链接： https://developer.nvidia.com/cuda-downloads 网盘链接：https://pan.baidu.com/s/1K_PEdQ-aJRu3mnCpVvPREQ 提取码：l2vw 按步骤安装。 3. Cuddn 链接：https://pan.baidu.com/s/1BXCwyUb6fUF7ULfKJd_8VA 提取码：qlgy 将解压出来的文件替换到CUDA

这个仅 7M 大小的人脸监测模型几乎监测出了世界最大自拍照中的所有人像！ 项目简介 之前机器之心报道过一个跨平台人脸检测项目，在 CPU 上就能轻松跑出 1000FPS。这次介绍的项目也是一个轻量级人脸检测项目。不同的是，该项目在保持较小参数量的前提下，检测精度要高很多，并且只需要 OpenCV 和 PyTorch 就能运行。 DBFace 是一个轻量级的实时人脸检测方法，其有着更快的检测速度与更高的精度。下图展示了多种人脸检测方法在 WiderFace 数据集上的测试效果。可以看到不仅 DBFace 模型的大小最小，其在 Easy、medium、Hard 三个测试任务中均取得了最高的检测精度。 项目地址： https:// github.com/dlunion/DBFa ce WiderFace 是一个关于人脸检测的基准跑分数据集，其中包含 32,203 张图片以及在各方面剧烈的 393,703 张人脸，数据集具有从简单到困难等不同难度的任务。下图是改数据集中一些样本的展示，可以看到，要想准确地检测出图中所有人脸还是很有挑战的。DBFace 在该数据集的不同任务上分别取得 0.925、0.920、0.847 的准确率，实属不易。 有关 WiderFace 的详细介绍请读者移步其官网： http:// shuoyang1213.me/WIDERFA CE/ 效果展示

官方一般只给最新版，如果cuda版本或者驱动版本匹配不上，官方推荐安装的会报错，不能用。 pip install https://download.pytorch.org/whl/cu100/torch-1.4.0-cp36-cp36m-win_amd64.whl 历史版本下载 https://blog.csdn.net/jacke121/article/details/86593234 点赞 收藏 分享 文章举报 ShellCollector 发布了2817 篇原创文章 · 获赞 1087 · 访问量 571万+ 他的留言板 关注 来源： oschina 链接： https://my.oschina.net/u/4272511/blog/3229040

安装环境 centos7.3的64位版本，安装时选择的workstation选项进行的安装。cuda环境是9.2。 安装过程 安装版本选择 一开始安装的时候选择的是最新的cuda10.2套件，进行安装时候出现了很多错误，使用离线的run文件运行，在进行第一步的显卡驱动安装的时候就会失败，错误退出码是256，查询未果。又尝试使用了离线的rpm文件进行安装，完全按着文件下载页的安装步骤来，到第三步的时候就会提示安装包冲突，放弃。又尝试了使用在线的rpm包进行安装，安装过程中下载了一堆rpm包，这次倒是显示安装完了，但是执行nvidia-smi命令没有反应，放弃。。。仔细看了cuda10.2的安装文档，发现cuda10.2需要centos7.7的操作系统才能安装。 准备工作 整个cuda的安装过程总体说很简单，选择的时候一路y和默认下来就可以。比较复杂的是安装前的准备工作：设置系统以命令行模式启动（关掉图形界面），禁用系统自带的nouveau驱动。 设置系统以命令行启动 临时设置一次命令行模式启动： init 3 将系统默认启动模式都设置为命令行模式启动，需要设置系统参数: systemctl set-default multi-user.target 禁用nouveau系统驱动 首先可以使用命令 lsmod |grep nouveau 查看是否有程序依赖运行nouveau驱动

由于现在神经网络这个东西比较火，准确的说是深度学习这个东西比较火，我们实验室准备靠这个东西发几个CCF A类的文章，虽然我不太懂这东西，兴趣也一般都是毕竟要跟随主流的，于是今天安装起了 Tensorflow 这个深度学习的框架。 安装好以后运行一个Demo ,如下： import tensorflow as tf a =tf.constant(2 ) b =tf.constant(20 ) with tf.Session() as sess: print (sess.run(a*b)) 运行结果如下： 2018-05-03 19:57:44.151803: I tensorflow/core/platform/cpu_feature_guard.cc:137] Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX AVX2 FMA 2018-05-03 19:57:44.251905: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:892] successful NUMA node read from SysFS had negative value (-1), but

绿幕是影视剧中抠图、换背景的利器，但如果不在绿幕前拍摄，我们还能完美地转换背景吗？华盛顿大学的研究者最近就上传了这样一份论文，不在绿幕前拍摄也能完美转换视频背景，让整个世界都变成你的绿幕。 机器之心报道，参与：Racoon、张倩。 从作者给出的 demo 可以看到，他们的方法效果非常惊艳，即使视频中的人疯狂甩头发也没有影响合成效果： 做各种动作也没有「穿帮」： 即使人物和背景不好区分、手持镜头稍微晃动时抠图效果也不赖： 目前，这篇论文已被 CVPR 2020 大会接收。 论文链接： https:// arxiv.org/pdf/2004.0062 6.pdf GitHub链接： https:// github.com/senguptaumd/ Background-Matting 在论文中，研究者提出了一种创建蒙版（matting）的新方法。多数现有的蒙版方法都需要以绿幕为背景，或者手工创建一个三元图（trimap）。当然，也有些自动方法不需要三元图，但效果会很差。本文提出的这个蒙版方法也不需要三元图，但抠图、换背景效果要更好。 当然，达到这么好的效果是有条件的。除了原始图像/视频之外，研究者还要求拍摄者多拍一张不带人物的背景图。这一过程要比创建三元图节省很多时间。研究者用对抗损失训练了一个深度网络，用来预测蒙版。他们首先利用带有 ground truth

MacBook外置显卡eGPU折腾笔记 硬件选购 当今市场上个人电脑的独立显卡，基本上能选的只有NVIDIA和AMD了，如果你想买外置显卡来打游戏的话，NVIDIA和AMD的都可以，但如果是像我一样准备用来做深度学习加速的，那最好还是选择NVIDIA了。 另外，如果要用来做深度学习加速，一定要查看英伟达官方网站，必须是支持CUDA的显卡才行，因为现在大多数的深度学习框架，底层都是调用GPU的CUDA编程接口。 不过大家也不用担心需要多么昂贵的显卡，GeForce GTX 9XX，GeForce GTX 10XX的显卡基本上都是支持的，具体购买之前去官方网站再核实一下即可。 因为本文的经验来自于MacBook Pro，所以，以下着重介绍MacBook Pro安装、配置外置显卡的一些信息。Windows下依然也可以使用外置显卡的，而且性能损失更少。 电脑 对比较新的笔记本而言，要配置外置显卡，最佳的途径非Thunderbolt接口（也称雷电接口）莫属，这个接口一共分3代，从2016年以后的苹果笔记本电脑，包括MacBook Pro、MacBook上面配置的，都是第三代的雷电接口，这个接口速度极快，因此提供了扩展显卡的可能性，接口的形状与USB 3.1的形状一样，现在很多PC笔记本也配备了这个接口，但 一定要注意了，有些电脑上也有这个形状的接口，但并不是雷电3接口，而只是USB接口

最近在研究室内6D姿态检测相关问题，计划在PoseCNN网络基础上进行改进实现。但是在第一步的复现过程中踩了无数的坑，最终成功运行了demo，但目前数据集train还是遇到了一些问题。有问题欢迎一起交流进步！ 本文重点讲解网络代码复现过程，对于原文的讲解可以阅读这篇文章，满满干货！ 《论文笔记——PoseCNN》 本人系统环境： Ubuntu 16.04 Tensorflow 1.8（from source） Python 2.7 Cuda 10.1 & cuddn 7.3.1 1.搭建虚拟环境 第一步，创建专属于PoseCNN的虚拟环境，之后install的包都在此虚拟环境中。 虚拟环境的好处不用多说了吧，反正对Ubuntu系统的折腾越少越好！！！ 我用 conda 创建的环境： conda create -n posecnn python=2.7 激活环境： conda activate posecnn 如果不用这个环境，记得deactivate： conda deactivate posecnn 2.pip install pip install opencv-python 如果不行试一下： sudo apt-get install libopencv-dev pip install mock enum34 pip install matplotlib numpy keras

创建时间：2016-11-25 作者：海滨 背景介绍:为了加速类prisma风格图片渲染速度（开源项目 yusuketomoto/chainer-fast-neuralstyle ),先需要对一台装有GeForce GTX 780 Ti的CentOS机器安装cuda环境。 安装CentOS 7系统 去 CentOS官网 下载安装镜像，本次下载的是Minimal ISO版本（不带图形化界面700多M) 在mac终端使用 dd 命令制作启动盘: 查看所有硬盘： diskutil list 取消硬盘挂载： diskutil unmountDisk /dev/disk2 拷贝iso镜像文件（时间较久请耐心等待，速度2m/s）： sudo dd if=CentOS-7.0-1406-x86_64-DVD.iso of=/dev/disk2 bs=1m 弹出硬盘： diskutil eject /dev/disk2 启动电脑从U盘启动安装系统（tips: 如果已有windows系统，只需将系统安装至空白分区即可 ） 网络配置 由于 ifconfig 命令没有安装，可以使用 ip 命令代替。 显示当前网卡信息： ip addr show 编辑网卡配置： vi /etc/sysconfig/network-scripts/ifcfg-eno1 新增IP地址和网关信息： IPADDR=192.168