一、Pytorch及CUDA安装注意事项

        ①依据参考资料[3]通过NVIDA控制面板查看计算机使用的GPU驱动程序版本

        ②依据参考资料[2]及计算机GPU驱动程序版本查阅显卡驱动对应的CUDA版本

        ③依据参考资料[3]分别下载对应版本的CUDA以及cuDNN。

        注计算机GPU驱动程序版本有可能找不到CUDA的对应下载版本但是CUDA遵循向下兼容原则。因此我们可以选择GPU驱动程序对应版本的最近的旧版本进行CUDA的下载 Jupyter的Pytorch环境安装可参考资料[1]。

---

 一GPU

        图形处理器Graphic Processing Unit专用于执行在计算机上渲染图象、视频和动画所需的密集计算。其核数多但每个核计算速度慢得多非常适合简单的并行任务。

二CUDA

        CUDAComputer Unified Device Architecture是显卡厂商NVIDIA推出的运算平台。CUDA TM是一种由NVIDIA推出的通用并行计算架构该架构使GPU能够解决复杂的计算问题它包含了CUDA指令集架构ISA以及GPU内部的并行计算引擎。

三cuDNN

        NVIDIA CUDA深度神经网络库cuDNN是GPU加速的用于深度神经网络的原语库。cuDNN为标准例程提供了高度优化的实现例如前向和后向卷积、池化、规范化和激活层等。

        全球的深度学习研究人员和框架开发人员都依赖于cuDNN来实现高性能GPU加速。它使他们可以专注于训练神经网络和开发软件应用程序而不必花时间在底层GPU性能调整上。cuDNN加速广泛使用的深度学习框架包括Caffe2、Chainer、Keras、MATLAB、MxNet、Pytorch和TensorFlow。

---

二、一些实践注意事项

一在自己设计网络时需要注意__init__函数与forward函数应该具有相同的流程构造__init__函数中的Conv2d、ReLU、BatchNorm2d、MaxPool2d等函数不能够因为输入参数一致就只实例化一次多次使用的相同参数函数都要实例化不同名

二在具体实践中样本集的训练集、验证集和测试集的合理划分比例通常为613并且该划分比例应该是基于单独样本类别的。

三、计算机视觉与机器学习学习笔记入门体系

        计算机视觉与机器学习的入门级笔记-Python文档类资源-CSDN下载

参考资料

[1]win10 anaconda3环境安装pytorch并在jupyter中使用_一手阳光的博客-CSDN博客

[2]显卡驱动对应的cuda版本_kyle-fang的博客-CSDN博客_cuda版本 与显卡版本

[3]pycharm配置pytorch_huanglianghuang的博客-CSDN博客_pycharm pytorch

[4]适用于初学者的Pytorch神经网络编程教学_哔哩哔哩_bilibili

[5]deeplizard - Resources

[6][pytorch中文文档] torch.nn - pytorch中文网

[7]5-自动求导机制_哔哩哔哩_bilibili唐宇迪课程

[8]训练模型搭建_哔哩哔哩_bilibili

[9]pytorch 常用loss函数整理篇一_L1_Zhang的博客-CSDN博客_pytorch误差函数

[10] ResNet论文逐段精读【论文精读】 - 知乎ResNet讲解

[11] 深度学习与CV教程(2) | 图像分类与机器学习基础 - ShowMeAI - 博客园