修改方法是将含有tf架构的语句进行修改，例如如下两个语句当中将tf后紧跟.compat.v1detection_graph = tf.compat.v1.Graph()sess = tf.compat.v1.Session(graph=detection_graph)

对两种解释器进行配置完成后，调制代码时，需要对几种常用的package导入调制bug。但当无法通过pip命令以及conda命令进行导入；因此需要手动对管理仓库中的镜像文件进行导入，并对解释器中的常见命令通过add将需要的包导入进解释器中。但些包无法通过conda以及pip方式将其导入，并且想从可用包中导入相应package时，又发现窗口出现无法显示包的错误，这其实就是通道错误，这里需要我们注意的是

当GPU内存占用不够时，将会出现RuntimeError: CUDA out of memory. 的错误，方法是将我们训练的模型转到相应的GPU上。以便更好地训练我们的模型。如果代码中已经写好了shell脚本则在脚本当中加入以下代码并修改：CUDA_VISIBLE_DEVICES=3 python main.py --dir_data='dataset' \其中的CUDA_VISIBLE_DEV

大家好，想用虚拟机装cuda和cudnn这两个环境，如果需要的话不要在虚拟机中装。根本装不好，踩了两天的坑，才知道在虚拟机环境下是无法安装cuda和cudnn得；因为虚拟机环境下根本无法识别到你的显卡版本，只有一个虚拟机得环境，所以如果想安装cuda和cudnn得同学，请选择双系统或硬盘吧，千万别入坑了！！！！！！！！！！...

出现此类问题的原因是安装版本以及环境的兼容性问题，我的代码所需要兼容的pytorch环境是torch1.1.0，因此我在服务器linux环境下对低版本的pytorch进行了下载；但是其对应的cuda环境也比较低，所以可能有些包存在无法安装的情况。可能需要对cuda版本进行降级下载，Previous PyTorch Versions | PyTorch上面的链接是对pytorch以及对应的cuda版

第一步：打开Anoconda prompt，利用命令conda activate pytorch/tensorflow要根据自己代码中所用到的虚拟环境去激活解释器第二部：手动键入conda install opencv-contrib-python将此包导入即可，这里需要注意在解释器中可能无法将此包通过添加的方式导入，所用只能通过Anaconda prompt环境对其进行导入...