登录社区云，与社区用户共同成长
邀请您加入社区
【代码】动手学深度学习（Pytorch版）代码实践 -计算机视觉-45多尺度目标检测。
过华为、OPPO等大厂，18年进入阿里一直到现在。**
未解决问题：1.训练和验证的数据不知如何获取分类2.尝试换一网络模型和数据集，以及迭代次数等参数1. 数据处理部分1.1数据增强：torchvision中transform模数据预处理：Dataloader模块直接读取batch数据# 基于经典网络架构训练图像分类模型import osimport matplotlib.pyplot as pltimport numpy as npimport t
YOLOv3：图像识别的得力助手
本文采用YOLOv11作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv11以其高效的特征提取能力，在多个图像分类任务中展现出卓越性能。本研究针对5种海洋动物数据集进行训练和优化，该数据集包含丰富的海洋动物图像样本，为模型的准确性和泛化能力提供了有力保障。通过深度学习技术，模型能够自动提取海洋动物的特征并进行分类识别。PyQt5界面设计简洁直观，便于用户操作和实时
MindSpore框架下的大模型推理
Linly-Dubbing 是一个智能视频多语言 AI 配音和翻译工具，它融合了 YouDub-webui 的灵感，并在此基础上进行了拓展和优化。该模型致力于提供更加多样化和高质量的配音选择，通过集成Linly-Talker的数字人对口型技术，为用户带来更加自然的多语言视频体验。本文介绍了在算家云搭建该模型的详细方法和步骤，以便广大用户能在算家云快速搭建Linly-Dubbing 。
本文介绍了Flask部署pytorch框架的例子，简单易上手，代码和数据集齐全！
MooER模型是一个由摩尔线程开发的、基于大语言模型（Large Language Model，LLM）的语音识别和语音翻译系统。模型结构如图：
(bn1): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)(bn2): BatchNorm2d(128, e
系列文章目录第一章：Visual Studio 2019 动态链接库DLL建立第二章：VS动态链接库DLL调试第三章：VS2019OpenCV环境配置第四章：C++部署pytorch模型
详细解释什么是机器阅读理解，基于transformers的解决方案，以及机器阅读理解的代码实战。
这部分利用pytorch手动实现一个简化版的Vgg网络模型，用来对猫狗进行分类由于CPU计算太慢，改用GPU来计算。代码基于python3.7， pytorch 1.0，cuda 10.0 .import torchimport torchvisionfrom torch.autograd import Variablefrom torchvision import datasets, ...
PyTorch搭建RNN联合嵌入模型（LSTM GRU）实现视觉问答（VQA）实战（超详细 附数据集和源码）
本文节选自《PyTorch 2.0深度学习从零开始学》，这本书内容包括PyTorch概述、开发环境搭建、基于PyTorch的MNIST分类实战、深度学习理论基础、基于PyTorch卷积层的MINIST分类实战、PyTorch数据处理与模型可视化、实战ResNet、有趣的word embedding、基于RNN的中文情感分类实战、自然语言处理的编码器、站在巨人肩膀上的预训练模型Bert、自然语言处理
图像识别实战（一）----数据集的预处理1.模块的导入import osimport matplotlib.pyplot as pltimport numpy as npimport torchfrom torch import nnimport torch.optim as optimimport torchvisionfrom torchvision import transforms,mod
ResT：用于图像识别的高效Transformer
在图像处理领域，**图像识别（Image Recognition）**和**图像分类（Image Classification）**是紧密相关但略有不同的概念。- **不需要**：在标准的图像分类任务中（如CIFAR、ImageNet），模型直接对整张图像预测类别标签，无需显式识别其中的物体。**关系**：分类可以看作是识别的一种具体形式（识别图像属于哪一类别），但识别不一定需要分类（例如识别物体
MASR是一款基于Pytorch实现的语音识别框架，MASR致力于简单，实用的语音识别项目。可部署在服务器，Nvidia Jetson设备，未来还计划支持Android等移动设备。
1. 开篇循着第一篇CRNN的路径，我们介绍这个系列的第二篇论文——GRCNN.因为CRNN已经搭建起了一个清晰简洁的文字识别框架，加上受到RCNN(Recurrent Convolution Neural Network)的启发，本文很自然的将CRNN的backbone替换成了RCNN，从而提出了GRCNN的识别方法。代码实现可见：GitHub - chibohe/text_recognitio
最近在做ocr识别项目，由于是第一次接触这个东西，所以在整个过程中采到了非常多的坑，这里就记录一下采坑的地方，以及都是怎么解决的，方便大家接下来使用。1、首先是这个坑pytorch错误：RuntimeError: cuDNN error: CUDNN_STATUS_EXECUTION_FAILED （安装cuda）这个错误表达的意思好像是内存或者显存不够，这个一般是在训练开始几轮之后才会发生，这个
读取data_dir/x文件夹下对应的图片并经过data_transforms的转换1。
1. YOLOv5环境的安装本次安装参照 YOLOv5 Object Detection on Windows (Step-By-Step Tutorial)1.1 下载YOLOv5点击这里 下载YOLOv5，注：github版本下载zip版本并进行解压缩1.2 下载Python点击这里 下载Python3.8（题主用的是Python3.9，我更新过pip之后就无法下载Pytorch，所以Pyth
图 1：日志库适配封面图，用来概括本文主题、适配对象和工程边界。实际项目里，日志库适配经常不是“引入依赖就能用”的问题。真正麻烦的是输入来源、平台能力、生命周期、异常处理和发布说明没有被写清楚。前期省掉这些边界，后面一升级库版本或换设备，就会变成全链路排查。本文围绕和展开，目标是把三方库从“能跑一次”整理成“能被业务稳定接入”。读者可以按文中的源码地图、配置入口、封装层、示例页和验收清单，把自己的
卷积神经网络（convolutional neural network）是含有卷积层（convolutional layer）的神经网络。卷积神经网络中使用最常见的是二维卷积层，它有高和宽两个空间维度，常用来处理图像数据。
mmdetection，RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the same, but I set model and data to cuda
pytorch报错：RuntimeError: cuda runtime error (59) : device-side assert triggered at /pytorch/aten/src/THCUNN/generic/ClassNLLCriterion.cu:224原因：模型输出的类别个数和读入的类别个数不一致导致的将输出类别个数修改为与输入类别个数一致即可。...
6.3 peft 接口示例：https://huggingface.co/docs/peft/package_reference/lora。https://www.philschmid.de/fine-tune-flan-t5-peft代码实例。6.2 接口示例整合：https://huggingface.co/docs/transformers/peft。6.1 代码示例： https://gi
源码： DDRNet.py关键词: 实时语义分割原理介绍请看又快又强：Deep Dual-resolution Networks for Real-time and Accurate Semantic Segmentation of RoadDeep Dual-resolution Networks for Real-time and Accurate Semantic Segmentation
Pytorch_cuda版本的在线安装命令
【语义分割专栏】2：U-net原理篇(由浅入深) - carpell - 博客园本篇文章收录于语义分割专栏，如果对语义分割领域感兴趣的，可以去看看专栏，会对经典的模型以及代码进行详细的讲解哦！其中会包含可复现的代码！(数据集文中提供了下载地址，下载不到可在评论区要取)上篇文章已经带大家学习过了U-net的原理，相信大家对于原理应该有了比较深的了解。本文将会带大家去手动复现属于自己的一个语义分割模型
自我学习记录，说错不负责SOLO/SOLOv2源码Github地址我的环境Python版本 3.6（官方建议3.7）CUDA版本 10.0PyTorch版本 1.2.0PyTorch官网-历史版本PyTorch和CUDA的版本要对应好，不然会出现pytorch版本和CUDA驱动不匹配的情况具体步骤#从GitHub上把SOLO源码copy下来git clone https://github.com/
这里写自定义目录标题如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入根据相关领域，进一步预训练BERT可大大提高模型的性能。基于此，进行了BERT继续预训练实战。1、环境准备Python=3.6
摘要：解决PyTorch与ONNX Runtime的CUDA版本冲突问题，发现仅需调整import顺序即可完美解决。分析表明，PyTorch自带CUDA库（11.8），而系统CUDA（11.2）导致符号冲突。通过先导入torch，确保动态链接器优先使用PyTorch的CUDA库。解决方案简单有效，附带验证脚本和备选方案（环境变量设置），适用于类似GPU库冲突场景。
到这里会产生疑问，因为大家都是按照pytorch官方自定义的方式，给出的官方安装命令安装的，为何会安装成CPU版本？这可能是因为你本身创建虚拟的python环境时，没有选取合适的python版本导致的，庆幸的是，pytorch官方已经提示，你的python版本！首先发现conda中安装的torch版本并非CUDA版本，而是CPU版本，这一点很关键，如果你也安装了CPU版本，那大概率需要重新运行指令
picture文件夹存放的是经hf.py对data文件夹处理后，生成的训练集和测试集照片。predict.py是调用训练好的模型参数单个照片识别脚本，对单个 照片进行识别。GUI.py可以调用训练好的网络模型参数对多张照片连续进行识别。CNN.pth存放的是经train.py训练后的模型参数。model.py 是存放模型的脚本，可以任意改为其它模型。代码运行要求：Torch>=1.13.1即可。d
语意分割是指一张图片上包含多个物体，通过语义分割可以识别物体分类、物体名称、像素识别的任务。和物体检测不同，他不会将物体框出来，而是根据像素的归属把物体标注出来。PSPNet 的输入是一张图片，例如300500，那么输出就是一个 300500 数组，数组中的值就是分类索引，如果是 20 中分类，分类索引就是 0-19。PSPNet 的输入和输出，如下图。
pycharm安装教程和cuda版本pytorch安装教程
摘要本文提出了一种称为Hierarchical-Split块的表征块，它可以作为一种即插即用的块对现有卷积神经网络进行升级，显著提高了网络中的模型性能。层次分割块包含许多层次分割和连接连接在一个单一的残留块。我们发现多尺度特征对于众多的视觉任务是非常重要的。如图1所示，是准确率和延时之间的比较。圆的大小表示参数量。橙色表示不同的提升策略，绿色表示用不同的注意力机制。红色是我们设计的，蓝色是大的Re
torch对应cuda版本//torch对应cuda版本torch-1.4.0torch-1.4.0+cputorch-1.4.0+cu100torch-1.4.0+cu101torch-1.4.0+cu92torch-1.5.0torch-1.5.0+cputorch-1.5.0+cu101torch-1.5.0+cu102torch-1.5.0+cu92torch-1.6.0torch-1.6
利用新创建的虚拟环境完美解决pytorch中cuda调用不出来的问题。目前解决torch.cuda.is_available()返回False的问题
0. 前言对于一些特殊的算子, 我们需要进行定制其前向和反向的过程, 从而使得其能够获得更快的速度, 加速模型的训练. 这样, 我们自然会想到使用PyTorch的cuda扩展来实现, 这里, 我将以一个简单且易于理解的例子出发, 详细的介绍如何构造一个属于你的cuda扩展.1. 为什么需要写cuda扩展?由于我们的一些特殊结构可以由基础的pytorch提供的算子进行组合而形成, 但是, 其问...
怎么不使用conda命令安装环境？-哔哩哔哩】 https://b23.tv/mAKZwUM）。输入https://www.python.org,进入python官网，下载3.8版本，参考视频（可以进入哔哩哔哩 【Python3.8下载安装，有问题找组织【大熊课堂QQ群：913293727】-哔哩哔哩】 https://b23.tv/Pi0oJ2b）。参考视频为（【手把手教你安装PyTorch 傻
近端策略优化(Proximal Policy Optimization, PPO)算法作为一种高效的策略优化方法，在深度强化学习领域获得了广泛应用。特别是在大语言模型(LLM)的人类反馈强化学习(RLHF)过程中，PPO扮演着核心角色。本文将深入探讨PPO的基本原理和实现细节。PPO属于在线策略梯度方法的范畴。其基础形式可以用带有优势函数的策略梯度表达式来描述：策略梯度的基础表达式（包含优势函数）
旧显卡4060 显存8g新显卡5060ti显存16g一训练模型 就报爆显存的错误。现在的cuda12.8 ，pytorch是最新的。是不是这两个版本的问题啊。但是新显卡 好像不支持低版本的cuda和pytorch咋办。
深度学习基础之预训练模型的加载，保存模型，模型的修改
pip install torch==1.10.2+cu113 torchvision==0.11.3+cu113 torchaudio==0.10.2+cu113 --extra-index-url https://download.pytorch.org/whl/cu113
running build_extbuilding 'mujoco_py.cymj' extensionTraceback (most recent call last):File "E:/代码/new_ppo/test.py", line 1, in <module>import mujoco_pyFile "E:\anaconda\anaconda\envs\gpu\lib\sit
在CentOS系统使用Tesla V100显卡运行PyTorch时，发现虽然安装了PyTorch但无法识别GPU。问题原因是通过conda环境配置文件安装时，因换源导致自动安装了CPU版本的PyTorch。解决方法：1)检查CUDA版本兼容性(nvidia-smi)；2)卸载原有PyTorch；3)重新安装指定CUDA版本的PyTorch(如conda install pytorch pytorc
pytorch
——pytorch
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
乐奇 Rokid 开放社区
HarmonyOS开发者社区
天工造物局
