目录1. Pytorch完成模型常用API1.1 nn.Module1.2 优化器类1.3 损失函数1.4 把线性回归完整代码2. 在GPU上运行代码1. Pytorch完成模型常用API在前一部分，我们自己实现了通过torch的相关方法完成反向传播和参数更新，在pytorch中预设了一些更加灵活简单的对象，让我们来构造模型、定义损失，优化损失等那么接下来，我们一起来了解一下其中常用的API1.1
转载
2024-08-04 15:38:00
73阅读
前言：2023年11月21日下午16:00 许，本篇博客记录由「torch.cosine_smilarity()计算余弦相似度计算结果为0」现象引发的关于 CPU 与 GPU 计算精度的探索。事情的起因是，本人在使用 torch.cosine_smilarity() 函数计算GPU上两个特征的余弦相似度时，发现得出的结果为 0，百思不得其解。首先排出特征维度的问题，然后尝试5种不同的相似度计算方法
转载
2024-09-09 17:26:52
53阅读
一、安装 Win 200x 安全概览1.硬盘分区的文件系统选择①使用多分区分别管理不同内容在安装Win 2000时，如条件许可，应至少建立两个逻辑分区，一个用作系统分区，另一个用作应用程序分区。尽量修改“我的文档”及“Outlook Express”等应用程序的默认文件夹位置，使其位置不在系统分区。对提供服务的机器，可按如下设置分区: 分区1：系统分区，安装系统和重要日志文件。分区2：提供给IIS
简介这是我第一次发博客，可能解释的不是很详细，请多多包含一下，可以自己去官方下载相对应的驱动，有些版本可能不匹配导致安装的时候步骤也是不一样。下面就是我自己安装的步骤以及版本的型号。建议先看完我这个安装步骤，然后决定自己要安装的版本型号 你可以先在自己的电脑上安装，然后再进行拷进ubuntu中。安装显卡移除原有的nvidia驱动 sudo apt-get remove --purge nvidia
1、安装opencv我用的方法与ubuntu下利用源码安装opencv的方式是一样的。1.1 清除旧版本首先完全卸载刷机时刷如的自带的opencv旧版本，以便更好地安装opencv3.4.0版本sudo apt-get purge libopencv*
sudo apt autoremove
sudo apt-get update1.2 安装cmake以及依赖库sudo apt-get
转载
2024-07-23 07:24:58
127阅读
cpustat 是 Linux 下一个强大的系统性能测量程序，它用 Go 编程语言[1] 编写。它通过使用 “用于分析任意系统的性能的方法(USE)”，以有效的方式显示 CPU 利用率和饱和度。它高频率对系统中运行的每个进程进行取样，然后以较低的频率汇总这些样本。例如，它能够每 200ms 测量一次每个进程，然后每 5 秒汇总这些样本，包括某些度量的最小/平均/最大值(min/avg/max)。c
Linux ifconfig命令用于显示或设置网络设备。ifconfig可设置网络设备的状态，或是显示目前的设置。语法ifconfig [网络设备][down up -allmulti -arp -promisc][add<地址>][del<地址>][<hw<网络设备类型><硬件地址>][io_addr<I/O地址>][
转载
2024-10-16 16:37:18
12阅读
环境：Ubuntu 16.04 64bitNvidia GeForce GTX 1070 (驱动Nvidia-Linux-x86_64-367.57)安装：CUDA 8.0.44cuDNN 5.1CUDA是NVIDIA的编程语言平台，想使用GPU就必须要使用cuda。cuDNN是GPU加速计算深层神经网络的库。下载CUDA我选择的是：Operating System : LinuxArchitec
报错情况报错一在任意python文件下运行这几行命令print("是否可用：", torch.cuda.is_available()) # 查看GPU是否可用
print("GPU数量：", torch.cuda.device_count()) # 查看GPU数量
print("torch方法查看CUDA版本：", torch.version.cuda) # torc
这里写目录标题一、当前情况二、显卡驱动安装2.1 查看驱动是否满足2.2 安装驱动三、安装cuda cudnn3.1 下载cuda3.2 安装cuda3.3 下载cudnn3.4 安装cudnn3.5 配置环境变量四、安装tensorrtx依赖4.1 下载4.2 安装 一、当前情况当前系统显卡驱动 执行nvidia-smi，显卡驱动为450.57显卡型号 显示不全，执行lspci | grep
主要的流程参考 ubuntu 16和18没什么区别； 这里主记录一下原博客没有遇到的问题： 安装了两次，花了一天半搞清楚了。第一次安装的时候安装完了，最后在ipython里面import torch，import torchvision，然而torch.cuda.is_avaliable()返回了false，查了很多东西没法解决，加之后面conda命令出了问题，全部卸载重装了一次。装显卡驱动的
在Linux下配置网卡的驱动程序，总结了一下：
以D-Link530的网卡进行模块的编译.
由于Linux的默认内核已经建立很多网卡驱动程序模块,所以在编译网卡模块之前就要确认网卡芯片是否被支持,如果被支持,就不需
目录前言第一步：安装Anaconda1.下载和安装2.配置Anaconda环境变量第二步：安装CUDA Toolkit + cuDNN1.查看需要安装的CUDA+cuDNN版本2.下载CUDA + cuDNN3.安装 CUDA Toolkit 9.0 和 cuDnn 7.0第三步：安装TensorFlow-GPU1.创建conda环境2.激活环境3.安装tensorflow-gpu第四步：测试前言
转载
2024-07-23 13:26:29
28阅读
安装环境：
CPU：Intel® Pentium(R) CPU G4400 @ 3.30GHz × 2
GPU：GTX 1060
RAM：8G
OS：Ubuntu 18.04 64-bit
1. 安装NVIDIA驱动
下载（地址）显卡驱动
这里选择了GTX 1060当前最新版410驱动。
安装依赖项：
$ sudo dpkg --ad
且看此处说在前面安装CUDA创建Anaconda虚拟环境安装TensorFlow-GPU验证[Jupyter Notebook中使用内核]()PyCharm中使用虚拟环境 说在前面 使用的环境是win10+python3.7.10+tensorflow1.14.0gpu，仅供参考。安装CUDA 这里因为在之前安装GPU版本的PyTorch时已经安装好，所以我没有再进行安装CUDA。如果你没有
1.Cuda的下载安装及配置首先我们要确定本机是否有独立显卡。在计算机-管理-设备管理器-显示适配器中，查看是否有独立显卡。可以看到本机有一个集成显卡和独立显卡NVIDIA GetForce GTX 1050。接下来，测试本机独立显卡是否支持CUDA的安装，点击此处查询显卡是否在列表中。从上图中，可以看到我本机的独立显卡是支持CUDA安装的，计算力是6.1。那么，接下来就是选择CUDA进行安装即可
转载
2024-09-26 10:21:12
118阅读
因为科研需求开始学习深度学习，正式如坑caffe。折腾了三天也没有最终装对，感觉太浪费时间，决定暂且缓一缓，在笔记本上先用非GPU模式学习caffe，用实验室配好的服务器跑程序就好了，等之后Linux和caffe的知识丰富起来再配GPU模式不迟。同时，我感觉到学习caffe必然是两步一个坑的过程，因此决定记一笔流水帐，把学习过程中的每一个步骤，每一处bug，每一点成果都记录下来。避免我以后重新掉坑
本文安装GPU版本的Tensorflow过程完整，清晰，简洁，一步步指导你跳过那些坑。小编在经过无数次的安装失败过程后，决定将整个安装过程记录下来，将容易被忽略的地方突出，为后学者节约大量宝贵的时间。整个过程分为四部分，分别是：确定是否有英伟达的显卡，如有，则先安装合适的驱动。安装英伟达提供的cuda。安装与cuda，tensorflow对应的cudnn，这一点非常重要。通过安装Anaconda来
Linux系统下安装NVIDIA显卡驱动+配置CUDA（Ubuntu 18.04.4LTS+NVIDIA-Linux440.82+CUDA10.2）系统与显卡信息下载CUDA10.2以及其对应版本的NVIDIA显卡驱动禁止集成的nouveau驱动因为上面重启了，所以在这提醒一句，如果反复安装NVIDIA显卡驱动始终有问题，在开机时进入BIOS关闭secure boot卸载原有驱动给驱动.run文
转载
2024-10-18 15:18:41
34阅读
操作系统：Ubuntu16.04（并不是虚拟机）直接按照Tensorflow官方文档安装即可：http://wiki.jikexueyuan.com/project/tensorflow-zh/get_started/os_setup.html先安装pip：1、 sudo apt-get install python-pip。a)  
转载
2024-07-16 21:18:28
594阅读
