TensorRT（C++）部署 Pytorch模型
众所周知，python训练pytorch模型得到.pt模型。但在实际项目应用中，特别是嵌入式端部署时，受限于语言、硬件算力等因素，往往需要优化部署，而tensorRT是最常用的一种方式。本文以yolov5的部署为例，说明模型部署在x86架构上的电脑端的流程。（部署在Arm架构的嵌入式端的流程类似）。
3d稀疏卷积——spconv源码剖析（一）
和对应上图的Hash_in，和Hash_out。对于是下标，key_ in表示value在中的位置。现在的input一共两个元素P1和P2，P1在的(2, 1)位置,P2在的(3,2)的位置，并且是YX顺序。这里只记录一下p1的位置 ，先不管p1代表的数字把这个命名为。input hash tabe
ChatGLM-6B 类似ChatGPT功能型对话大模型 部署实践
ChatGLM（alpha内测版：QAGLM）是一个初具问答和对话功能的中英双语模型，当前仅针对中文优化，多轮和逻辑能力相对有限，但其仍在持续迭代进化过程中，敬请期待模型涌现新能力。中英双语对话 GLM 模型：ChatGLM-6B，结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量
全局平均池化/全局最大池化Pytorch实现：
全局池化与普通池化的区别在于“局部区域”和“全局”：普通池化根据滑动窗口以及步长以逐步计算局部区域的方式进行；而全局池化是分别对每个通道的所有元素进行计算，谓之全局池化。大大降低计算的参数量；没有需要学习的参数，可以更好的避免过拟合；更能体现输入的全局信息；拿一个简单的网络验证参数量下降（此处只计算
Jetson AGX Orin上部署YOLOv5_v5.0+TensorRT8
Jetson AGX Orin上部署YOLOv5_v5.0+TensorRT8
pytorch深度学习一机多显卡训练设置，流程
pytorch深度学习一机多显卡训练设置，流程
pytorch如何搭建一个最简单的模型，
在 PyTorch 中，可以使用torch.nn模块来搭建深度学习模型。具体步骤如下：定义一个继承自的类，这个类将作为我们自己定义的模型。在类的构造函数__init__()中定义网络的各个层和参数。可以使用torch.nn模块中的各种层，如Conv2dLinear等。在类中定义前向传播函数forwa
GPU版本PyTorch详细安装教程
注意：30系列的的显卡暂时不支持cuda11以下版本！！！一、安装显卡驱动第一步：右击右下角开始，在设备管理器中查看计算机显卡型号，例如我的显卡是GTX1050：第二步：进入英伟达官网，下载对应显卡驱动：官方驱动 | NVIDIAhttps://www.nvidia.cn/Download/inde
UNet语义分割实战：使用UNet实现对人物的抠图
摘要在上一篇文章，我总结了一些UNet的基础知识，对UNet不了解的可以看看，文章链接：https://wanghao.blog.csdn.net/article/details/123714994我也整理的UNet的pytorch版本，文章链接：https://blog.csdn.net/hhhh
如何将pytorch模型部署到安卓
这篇文章演示如何将训练好的pytorch模型部署到安卓设备上。我也是刚开始学安卓，代码写的简单。环境：pytorch版本：1.10.0pytorch_android支持的模型是.pt模型，我们训练出来的模型是.pth。所以需要转化才可以用。先看官网上给的转化方式：这个模型在安卓对应的包：注:pyto
超参数调优框架optuna（可配合pytorch）
全自动超参数调优框架——optuna
pytorch 笔记：torch.distributions 概率分布相关（更新中）
1 包介绍torch.distributions包包含可参数化的概率分布和采样函数。 这允许构建用于优化的随机计算图和随机梯度估计器。不可能通过随机样本直接反向传播。 但是，有两种主要方法可以创建可以反向传播的代理函数。这些是评分函数估计量 score function estimato 似然比估计
Pytorch深度学习实战3-8：详解数据可视化组件TensorBoard安装与使用
在深度学习领域，人工调试极其困难。Tensorboard则是神经网络的可视化工具，可以记录训练过程的数字、图像、运行图等，观察神经网络训练过程并指导参数优化。
Pytorch3D Linux环境下安装（踩坑）记录
因为代码迁移，在多个的环境下都安装过Pytorch3D。但是由于gcc、CUDA版本等问题，有的环境安装十分顺利，有的耗费了大量时间，这里我把遇到的各种情况（多种方法）都记录下来。
CUDA（10.2）＋PyTorch安装加配置 详细完整教程
CUDA安装PyTorch安装
【深度学习】(1) CNN中的注意力机制（SE、ECA、CBAM），附Pytorch完整代码
大家好，今天和各位分享一下如何使用 Pytorch 构建卷积神经网络中的各种注意力机制，如：SENet，ECANet，CBAM。注意力机制的原理 和 TensorFlow2 的实现方式可以看我下面两篇博文：SENet、ECANet：https://blog.csdn.net/dgvv4/articl
【Pytorch基础知识】数据的归一化和反归一化
搞清数据的归一化和反归一化，快速掌握将图片转为tensor进行系列操作后，再转为图片
PyTorch 深度学习实战 |用 TensorFlow 训练神经网络
为了更好地理解神经网络如何解决现实世界中的问题，同时也为了熟悉 TensorFlow 的 API，本篇我们将会做一个有关如何训练神经网络的练习，并以此为例，训练一个类似的神经网络。
Windows端CUDA11.3+CUDNN+pytorch环境搭建
1、显卡驱动的安装最近，在学习pytorch深度学习，遇到很多的坑，环境配置也出现过问题，忍不住和大家进行分享，现在把环境搭建过程分享给大家。1.1、查看自己的显卡。具体操作：我的电脑-——属性——设备管理器——显示适配器1.2、驱动的下载、安装。在找到自己的显卡后，去NVIDIA官网下载安装驱动选
nerf训练自己的数据，过程记录十分详细
用nerf渲染自己拍摄的数据，过程详细且配图解释！！！
