-----2021.7.27更新------ 针对cp38做了适当解释，其余未作修改。

通过os.environ[“CUDA_VISIBLE_DEVICES”]设置系统变量后，可能会使torch.cuda.device_count()结果不准确。例如我的环境名称是：pytorch180cuda111。例如我的环境名称是：pytorch180cuda111。例如我的环境名称是：pytorch180cuda111。例如我的环境名称是：pytorch180cuda111。例如我的环境名称是

多GPU训练能够加快模型的训练速度，而且在单卡上不能训练的模型可以使用多个小卡达到训练的目的。多GPU训练可以分为单机多卡和多机多卡这两种，后面一种也就是分布式训练——训练方式比较麻烦，而且要关注的性能问题也有很多，据网上的资料有人建议能单机训练最好单机训练，不要使用多机训练。本文主要对单机多卡训练的实现展开说明。

在系统Path环境变量中配置以上四个环境变量，缺一不可，从CUDA的安装路径中找到对应的位置复制地址粘贴进去即可。根据作者的经验，选择一个发行日期不太新也不太旧的版本下载，下载完以后一直next安装即可，最好不要修改安装路径。不出所料，没有配置成功。如图直接点击donwload下载，下载完成后一直next安装，需要注意的是这一步最好选择自定义安装。附上官网链接 https://www.nvidia

windowscolmap下载解压后运行数据准备 准备工作文件夹，images存放文件，sparse存放colmap结果文件导出模型在sparse下的0文件夹官网地址AI写代码dart运行12官方包网址：https://debian.pkgs.org/11/debian-main-amd64/colmap_3.6+really3.6-1_amd64.deb.htmlAI写代码python运行123

pytorch

生成式建模的扩散思想实际上已经在2015年（Sohl-Dickstein等人）提出，然而，直到2019年斯坦福大学（Song等人）、2020年Google Brain（Ho等人）才改进了这个方法，从此引发了生成式模型的新潮流。目前，包括OpenAI的GLIDE和DALL-E 2，海德堡大学的Latent Diffusion和Google Brain的ImageGen，都基于diffusion模型，

本文将从源码编译并安装 OpenCV 4.2.0 ，包含 C++ 和 Python 绑定，支持 CUDA 和 CuDNN。文件安装方法，由于这种方法能够使多个版本的 TensorRT 同时安装成为可能，因此更灵活。虽然 CUDA Toolkit 包括了驱动，但为了安装特定版本的驱动，本文将驱动安装独立出来。同样的，TensorRT 也提供了很多安装方式，本文只给出。安装方式有很多种，本文只给出使用

latex的bib参考文献导入(zotero+overleaf)一、单篇论文的参考文献引用1、使用开始参考文献的引用；使用结束； 2、使用添加文献，在文章中只用使用引用，需要自己改，比较麻烦；123456二、多篇论文文件引用1、使用zotero，将文章所需参考文献导入至一个新文件夹中，选择，选择文件夹导出格式的文件； 2、打开overleaf，将刚刚的文件导入，打开后如下： 2、接下来就是在文章中

列表维度是(1080,1920)，但只能看到前500行，后面的看不到了。