2020发生了太多事，在新冠疫情的影响下芯片和半导体产业也发生了很多翻天覆地的变化。在闲来无事时，博主整理的一下芯片半导体产业2020年的巨变，最后也是画了一把信仰尺来记下这一年的岁月。英伟达的信仰尺，图源淘宝1、苹果PC平台M1芯片 11月11日凌晨，苹果在其总部Apple Park发布了旗下首款自研PC平台基于Arm架构的芯片——M1，同时，也发布了搭载M1的最新MacBook Air。M1芯
模型训练之多GPU的简洁实现每个新模型的并行计算都从零开始实现是无趣的。此外，优化同步工具以获得高性能也是有好处的。下面我们将展示如何使用深度学习框架的高级API来实现这一点。本代码至少需要两个GPU来运行。from mxnet import autograd, gluon, init, np, npx
from mxnet.gluon import nn
from d2l import mxne
一键三连第一步 ↑’读完这篇文章大概需要2分钟 文 / Pankaj Kanwar 和 Fred Alcober借助 TensorFlow 2，可在跨平台、设备和硬件上实现一流的训练性能，从而使开发者、工程师和研究人员能够在他们喜欢的平台上工作。现在，TensorFlow 用户可以在搭载 Apple 全新 M1 芯片或 Intel 芯片 Mac 上的 利
本文用于记录如何进行 PyTorch 所提供的预训练模型应如何加载，所训练模型的参数应如何保存与读取，如何冻结模型部分参数以方便进行 fine-tuning 以及如何利用多 GPU 训练模型。
(各位收藏的时候, 麻烦顺手点个赞同吧)目录PyTorch 预训练模型保存模型参数读取模型参数冻结部分模型参数，进行 fine-tuning模型训练与测试的设置利用 torch.n
其它DIY硬件与配置点评：推荐显卡：丽台Quadro P1000 4GB显卡推荐理由：专业图形卡，避免贴图错误率对于专业的设计电脑来说，不建议使用游戏卡来应付，而是建议使用专业图形卡，术业有专攻嘛。配置中装机之家选用了丽台Quadro P1000 4GB专业显卡。丽台Quadro P1000专业显卡丽台Quadro P1000显卡采用NVIDIA新的Pascal GPU架构，CUDA核心640，拥
如果你想提高电脑开机和运行的速度，最直接和标本兼治的方法就是加物理内存。倘若你有幸拥有一台有着4G内存的电脑，那你工作学习的心情一定是心旷神怡的。除此之外，如果你稀罕自己囊中的“大米”，不愿给自己的机器剖腹加RAM，那么，你可以试试下面六种方法：
一：尽量删除桌面文件
每次Mac启动都要对桌面的内容进行索引，为桌面每个文件建立缩略图标（thumbn
这是一篇简单介绍在Mac利用最新M1处理器回事TensorFlow模型训练的文章，作者应该是google的人，但文章中引用的 github 仓库来自苹果公司。
原文链接： https://
blog.tensorflow.org/202
0/11/accelerating-tensorflow-performance-on-mac.html
本篇记录如何使用多张GPU 显示卡，加速TensorFlow Object Detection API 模型训练的过程。 虽然TensorFlow Object Detection API 已经有支援多张GPU 卡平行计算的功能，但是缺乏说明文件，所以我自己也不是非常确定该怎么用，以下只是我目前尝试出来的方式 这里我们接续之前的TensorFlow Object Detection API自行训练
一、Pytroch利用GPU训练模型Pytroch利用GPU训练模型需要将设计好的模型和数据放入指定的GPU上，至于损失函数个人认为不需要放到GPU上，至于原因引用知乎高赞回答（当然把损失函数放到GPU上也不会报错）：通常不需要。简单地说，损失函数接收一个或多个输入tensor，如果输入tensor本身就是在gpu上，则输出tensor自然就在gpu上。构建网络时，需要主动to或cuda的包括模型
写在最前能有如此方便的，避免走弯路的，深度学习环境配置教程，首先要感谢实验室颜神@stary_yan 与进神的配置指南。然后在他们的基础上再将其细化修改，变得更加清晰。哪怕你和我一样都是命令行小白，只要有一台带GPU的电脑，也能配置出自己的GPU版的Tensorflow+Keras环境，来跑深度学习代码。准备材料敏捷的手指对深度学习的热情一台Win10的带GPU的电脑（要联网）所需要的文件的百度网
image.pngMac 相比Windows 有好多优点，同时又是基于Unix 的所以对科研相当友好，但是最大的缺点就是非常封闭，各种沙盒安全机制，这就导致了除了官方的显卡，其他的显卡支持相当的差，也许正是这个原因，Google官方也就放弃了Tensorflow GPU 版本对Mac的后续支持。当然啦，这也挡不住爱折腾的人们前赴后继的让自己的Mac和hackintosh(黑苹果)的GPU上跑上Te
丰色 量子位 报道 | 不得不说，自发布以来，苹果M1芯片的各项测评表现都令人印象深刻。甚至此前有人发现M1 Mac Mini在某项TensorFlow速度测试中的得分高于英伟达RTX 2080Ti。所以一位从事光线追踪 （Ray tracing）技术的程序员，就对M1产生了兴趣。他发现，M1比他的Haswell（英特尔第四代酷睿处理器）旧电脑Cinebench得分高1.6倍，比Tige
Tensorflow和tf.keras 模型可以在单个GPU上透明运行，而无需更改。注意：（1）需要使用tf.config.experimental.list_physical_devices('GPU')确认使用的tensorflow可以使用GPU。（2）在一台机器上运行多个GPU，或者在多台机器上运行，最简单的方法是使用分布策略。确保你的机器已经安装TensorflowGPU版。import
文章方式一方式二 本文章中使用的网络模型架构图：GPU训练有两种方式：方式一使用gpu训练只要找到：网络模型、数据（输入和标注）、损失函数再调用.cuda()即可。 CPU训练代码：import torch
import torchvision
from torch import nn
from torch.nn import Sequential, Conv2d, MaxPool2d, Fla
深度学习模型越来越强大的同时，也占用了更多的内存空间，但是许多GPU却并没有足够的VRAM来训练它们。那么如果你准备进入深度学习，什么样的GPU才是最合适的呢？下面列出了一些适合进行深度学习模型训练的GPU，并将它们进行了横向比较，一起来看看吧！太长不看版截至2020年2月，以下GPU可以训练所有当今语言和图像模型：RTX 8000：48GB VRAM，约5500美元RTX 6000：24GB V
1.为啥需要云训练呢？一般来说，模型训练的时间长达十几个小时，而且对于运行设备的要求极高，一般的学生（比如说我）想拿自己的笔记本电脑跑训练的话，首先就可能因为GPU的设置问题跑不起来，就算跑起来了，速度也很慢，而且对于电脑的伤害是很大的。2.恒源云GPU 恒源云_GPUSHARE-恒源智享云在控制台-我的实例 中，点击创建实例 接下来选择
pytorch训练技巧使用DataLoadersDataLoader中的workers数量 允许批量并行加载。因此，您可以一次装载nb_workers个batch，而不是一次装载一个batch。loader = DataLoader(dataset, batch_size=32, shuffle=True, num_worke
在配置完环境之后，训练模型之前，就是寻找合适的训练数据。人脸模型对数据集的要求非常的高，比较出名的有lfw、vggface、CASIA-WebFace等等，这里提供一个别人收集好的数据资源信息，在近几年中，基本上大多数的模型都用lfw数据集进行验证，成了一个常态，所以本文也使用lfw数据集对训练中的模型进行测试，同时，vggface2和WebFace都是非常优秀的数据集，建议使用它们中的一个进行模
这两天在使用yolov3-tiny，记录下一些训练参数和其取值的意义。在不检测目标占比小的情况时，可以选用的yolov3-tiny模型1.模型训练参数yolo训练时输出的各项参数（这图用的是yolov3-tiny训练，所以只有16和23这二个yolo层），对比如上16层检测大的，23检测小的。count 是表示当前层与真实label正确配对的box数。其中所有参数都是针对这个值的平均值，除no o
