精华内容
下载资源
问答
  • 2017-01-09 17:33:16

      对于刚接触深度学习的学友而言,可能都会碰到电脑配置的问题,比如显卡型号、内存容量、处理器型号等。好的电脑配置,比如GPU加速的显卡,是能够有效缩短算法的训练时间的,这能让人尽快的看到算法的结果,也便于及时对深度学习参数进行调整。但是,作为一个入门机的深度学习使用者而言,顶配的电脑实在太贵,一款性价比高且稳定的品牌电脑才是最合适的。

    品牌 > 组装

      一般来说,作为入门选手,我自己是愿意买品牌电脑的,一方面是自己对电脑硬件(电脑显卡、CPU、主板、风扇和机箱)等知识的欠缺。另一方面,品牌电脑在稳定性上以及各种硬件性能匹配度上都是有考虑的。所以我自己愿意买品牌电脑,也建议入门学友买品牌电脑。
      但是,如果你是一个对电脑的各种硬件都比较了解的人,而且对它们之间的搭配也有一定的理解,组装电脑也是一个不错的选择。

    GTX1070 > GTX980

      可能大家最关心的是显卡的型号问题,我最主要推荐的是2016年中旬推出的GTX1070,GTX1080 是它的旗舰版。GTX980系列是网上风评比较好的一款显卡,但是,无论是在性能上,还是价钱上,GTX1070都优于GTX980。虽然GTX1080的性能更强劲,但是搭载此款显卡的主机太贵,价钱在15000-20000左右。因此,作为入门级别,还是太贵。
      下表是3款GPU的性能和价钱数据。

    型号价钱核心频率显存位宽
    GTX107035001506MHz8GB GDDR5256bit
    GTX108055001607MHz8GB GDDR5X256bit
    GTX98040001126MHz4GB GDDR5256bit

    注:
    (1)GTX 1070 性能堪比顶级非公980 ti
    (2)GTX1080强于GTX980SLI,甚至比GTXTitanX还要强,大概超过TitanX2成!
    此两句结论来源于百度百科:http://baike.baidu.com/link?url=wfhquG0TzqRamFHdW5L-Lru3wb1R9CGIhIpL0eomqzQ5NCMXL7Cys8YYVTchkNCv4-YEGx1tB-z8hN1lTW9F8meMttLwvwn48dlyzj36gSW
      

      另一方面,既然是入门级别,TITAN和Tesla等型号显卡因为价钱原因不是我要推荐的重点。如下这篇文章里有高配的TITAN和Tesla,以及GTX980的一些介绍,如果有兴趣,可以查阅。

    http://blog.csdn.net/feixue67600/article/details/51772384

    GPU与内存

      既然选择了强大的GPU,那么处理器的性能必须要配套才行,因此,i7才是首选。其次,对于内存而言,16G才是比较合适的选择。

    笔者选用的入门款主机

      综上所述,Dell的XPS 8910-R29N8是笔者所选的主机,加上显示器等配件,总共价格是11777元。其具体参数如下表所示:

    品牌型号GPUCPU内存价格
    DellXPS 8910-R29N8GTX1070i7-670016G10500

      最后,如果大家的预算在15000-20000左右的话,笔者倾心建议大家使用搭载GTX1080的电脑,其性能的提升能够节省你的训练时间。

    更多相关内容
  • 内部资料,详细给新手介绍了深度学习的各大发展方向,以及tensorflow和anadonda等环境的配置详解,并且有网页链接可以指导成品展示
  • 因此,我们将要介绍的深度学习,指的是构建神经网络结构,并且运用各种深度学习算法训练网络参数,进而解决各种任务。本文从PyTorch环境配置开始。PyTorch是一种Python接口的深度学习框架,使用灵活,学习方便。还有...
  • Caffe深度学习入门——配置caffe-SSD详细步骤-附件资源
  • 《人工智能:深度学习入门到精通实战》课程主要就人工智能领域相关的深度学习基础、深度学习计算、卷积神经网络+经典网络、循环神经网络+RNN进阶、优化算法、计算机视觉和自然语言处理等,配套实战案例与项目全部...
  • 本系列课程利用MATLAB进行深度学习,课程将从数据集设置、模型搭建、模型训练、模型测试、模型评价等方面,深入介绍MATLAB深度学习工具箱。最后利用一个实例——多种果树病虫害识别。(这是最新版,2022年6月更新!...
  • 目录1 基础理论1.1 基本概念1.2 语言和工具1.3 深度学习框架2 项目实战2.1 图像处理2.2 自然语言处理2.3 语音识别3 竞赛进阶 1 基础理论 1.1 基本概念 (1)神经网络 可参考学习【神经网络分类】 (2)感知机 (3)...

    在这里插入图片描述

    1 基础理论

    1.1 基本概念

    (1)神经网络

    可参考学习【神经网络分类】

    (2)感知机

    (3)梯度下降

    (4)多层感知机

    (5)反向传播

    (6)损失函数

    (7)优化器

    (8)卷积

    (9)池化

    (10)注意力Attention

    。。。

    (11)三大应用领域

    • 图形处理CV:OCR、目标检测、图像识别等等。常用网络有LetNet、VGGNet、GoolgNet、ResNet、GAN、改进的Transformer等。
    • 自然语言处理NLP:分词、词性标注、命名实体识别、句法分析、关键词抽取、文本分类、自动摘要以及信息检索等等。常用网络有TextCNN、TextRNN、Transformer、Bert。
    • 语音识别ASR:语音合成和语音识别。常用网络如CNN和改进的CNN。

    注意:在不同的领域,有不同的概念需要系统学习,此处点到为止,后续将会针对每个领域出详细的攻略文章,比如图像处理中有像素、分辨率、采样、纹理等。自然语言处理中,还有词向量、词嵌入等。

    推荐书籍: 《机器学习-周志华》《深度学习-花书》

    推荐网课: 《Machine Learning -吴恩达》 《机器学习-李宏毅》

    推荐学习笔记: github最多Star笔记

    在这里插入图片描述

    1.2 语言和工具

    编程语言:Python

    编译器:VScode或者pycharm

    Python需要系统的学一遍,了解一些语法的使用,才能在后续的过程中,能轻松阅读别人的源码,以及写出简洁高效的程序。VScode作为通用的编译器,大部分语言都是写的,生态完善,调试方便,运行方便,部署方便。其中 notebook的ipynb文件的代码写作和运行,非常有必要掌握,这个将Markdown语法与图像可视化结合的一种文件格式。在VScode中是直接可以编辑使用的。在官网下载安装包后,一键直接安装,然后根据教程配置Python的编译环境就可以使用,Vscode的使用可以玩出各种花来,感兴趣的搜”最强Vscode“。将VScode配置成最骚气、最NB的编译器。

    在这里插入图片描述

    推荐书籍:《笨办法学Python》《廖雪峰的Python教程》

    推荐网课:小甲鱼python教程

    VScode Python环境配置:配置教程

    1.3 深度学习框架

    (1)Pytorch

    (2)TensorFlow2.0

    推荐书籍: 《动手学深度学习-pytorch》《Pytorch 深度学习入门与实战》《TensorFlow 2.0深度学习从零开始学》《简单粗暴TensorFlow 2.0》《30天吃掉那只TensorFlow2.0》

    推荐网站: Pytorch 中文官网Pytorch深度学习实战-B站北京大学-Tensorflow2.0

    2 项目实战

    定位自己做的是哪个领域,就多尝试几个该领域的项目,推荐书籍《阿里云天池大赛 赛题解析-深度学习篇》,有四个深度学习的例子,非常详细的讲解,而且开源。三个方面的其他实战项目举例如下

    2.1 图像处理

    (1)PyTorch 实现图像风格迁移

    标星:3.1k+

    地址:【github地址】

    (2)StarGan:多领域图像转换 GAN 网络的 PyTorch 实现

    标星:2.1k+

    地址:【github地址】

    (3)TensorFlow与OpenCV相结合的基础教程,入门人工智能图像处理

    标星:30+

    地址:【github地址】

    在这里插入图片描述

    2.2 自然语言处理

    (1)自然语言处理入门练习

    标星:964+

    地址:【github地址】

    在这里插入图片描述

    (2)天池-新闻文本分类竞赛

    多名开源方案汇总

    【BetterBench -新闻文本分类多种解决方案汇总】

    2.3 语音识别

    (1)语音数字识别

    标星:5+

    地址:【github地址】

    (2)基于深度学习的中文语音识别系统

    标星:5.2k+

    地址:【github地址】

    (3)基于深度学习的普通话识别

    标星:4+

    地址:【github地址】

    3 竞赛进阶

    参加竞赛打榜,少则一个月,多则半年,参赛一次,受益终身,完整的两个比赛就能入门完毕,成为进阶型选手。

    (1)阿里云天池

    (2)和鲸社区
    (3)华为云
    (4)百度飞桨
    (5)腾讯云

    (6)FlyAI竞赛
    (7)Biendata竞赛
    (8)DataFountain竞赛
    (9)DataCastle竞赛
    (10)Kaggle竞赛

    展开全文
  • 配置国内源 # 配置国内源,方便安装Numpy,Matplotlib等 conda config - - add channels https : // mirrors . tuna . tsinghua . edu . cn / anaconda / pkgs / free / conda config - - add channels ...
  • 深度学习入门

    千次阅读 2022-01-28 17:02:48
    一、什么是深度学习 人工智能是使一部机器像人一样进行感知、认知、决策、执行的人工程序或系统。其实现的一种方法是机器学习。而深度学习是机器学习的一种,也是近年来较为热门的方法。 人工智能主要有如下三个...

    一、什么是机器学习

    人工智能是使一部机器像人一样进行感知、认知、决策、执行的人工程序或系统。其实现的一种方法是机器学习。而深度学习是机器学习的一种,也是近年来较为热门的方法。

    人工智能主要有如下三个层面

    计算智能能存能算
    感知智能能听会说,能看会认
    认知智能能理解,会思考

    目前研究主要在第二个层面

    二、适用范围

    问题尺度和规则复杂度均极大时适用机器学习,这是大体原则,还有一些其它限制举例如下

    有大量数据机器学习需要一定的数据量来进行训练
    有意义的模式问题需要在某方面可以研究或预测等
    无解析解一般用来求无解析解或解析解难以求解的问题的近似解

    三、机器学习方法

    如下图

     机器学习依据模型类型等可以再进行分类,这里就不再赘述

    四、深度学习

    下表是机器学习、神经网络和深度学习的关系

    机器学习是/否应用了神经网络传统机器学习
    神经网络深度学习(应用了深度神经网络)

    传统机器学习vs深度学习

    传统机器学习数据+专家知识驱动的特征设计+专家选择的分类器
    深度学习数据+专家选择深度模型+机器优化深度模型

    下附几张图来详细描述

      

     显然,深度学习效率要高得多

    五、深度学习的局限性

    1、算法输出不稳定,容易被“攻击”

    2、模型复杂度高,难以被纠错和调试

    3、模型层级复合程度高,参数不透明

    4、端到端训练方式对数据依赖性强,模型增量性差

    5、专注直观感知类问题,对开放推理问题无能为力

    6、人类知识无法有效引入进行监督,机器偏见难以避免

    六、神经网络概述

    原理简单概括:选定带激活函数的模型,使用训练数据通过误差反向传播等方式对参数进行学                                 习、更新。下图为模型的基本表示形式及其对模型可完成的变换(以分类问题举                             例),以及误差传播方法的简单原理。

     

    七、深度神经网络

    一般来说,增加神经网络的层数可以有利于提高训练结果的准确性,但由于训练过程中的梯度消失问题,可能导致误差传递到某一层时数据极小从而不利于模型的训练,因此我们在一些情况下采用逐层训练的方式。逐层训练主要有以下两种方式。

    1、自编码器:没有额外的监督信息,每层输入信息同时作为监督信息进行训练

    2、受限玻尔兹曼机:由隐藏层得到可见层,使其与原本的可见层分布一致。

    八、其它

    本次学习基于pytorch框架进行,使用谷歌的colab运行,具体操作方法老师的学习材料已给出,注意较使用colab时需要翻墙,操作较为简单,不再赘述,下面给出配置好后用老师所给代码试运行的截图

     

    展开全文
  • 深度学习工作站配置推荐

    千次阅读 2021-07-09 08:27:55
    目前只有Nvida GPU能完整的支持深度学习,所以请购买较新的nvidia显卡(pascal、turing架构以上)2.GPU上的投资回报比基本呈线性变化,因此可以按照自己的需要配置不同GPU。3.保持工作站长期稳定工作需要一个靠谱的...

    在具体的论述之前,先说几个结论:

    1.目前只有Nvida GPU能完整的支持深度学习,所以请购买较新的nvidia显卡(pascal、turing架构以上)

    2.GPU上的投资回报比基本呈线性变化,因此可以按照自己的需要配置不同GPU。

    3.保持工作站长期稳定工作需要一个靠谱的电源,所以在电源选择上追求稳定。

    4.在现有预算下,GPU>CPU=RAM>=SSD

    5.云服务用起来简单,长期使用却十分昂贵,所以我们要有自己的硬件设施。

    1.需求分析

    (一)为什么要为深度学习专门配置工作站(服务器)?

    1.深度学习需要大量的并行计算资源,而且动辄计算几天甚至数周,而显卡(GPU)恰好适合这种工作,提供几十上百倍的加速,性能强劲的GPU能在几个小时内完成原本CPU需要数月完成的任务,所以目前深度学习乃至于机器学习领域已经全面转向GPU架构,使用GPU完成训练任务。

    2.如今即使使用GPU的深度学习任务也要持续数天乃至数月(取决于数据规模和深度学习网络模型),需要使用单独的设备保障保证训练任务能够7x24小时长期稳定运行。

    3.独立的深度学习工作站(服务器)可以方便实现实验室计算资源共享,多用户可以在个人电脑编写程序,远程访问到深度学习服务器上排队使用计算资源,减少购买设备的开支并且避免了在本地计算机配置复杂的软件环境。

    (二)深度学习工作站配置要求

    深度学习任务对计算机性能要求较高,各硬件主要完成以下操作:

    1f67a9f55ae7

    深度学习计算过程

    上述图示,深度神经网络计算大致流程,下面通过深度神经网络计算环节,分析核心硬件配置理想要求:

    1f67a9f55ae7

    各硬件性能要求

    CPU:

    因为主要使用显卡进行cuda计算,因此对CPU的要求并不是很高,频率越高、线程数越多越好,一般最低要求cpu核心数大于显卡个数。其中一个制约因素:cpu的最大PCI-E 通道数。每张显卡占用16条pcie通道才能达到最大性能,而单cpu最大支持40条pcie,也就是即使有4个pcie x16接口,只能最多达到2路x16加一路x8,插上的显卡不能发挥全部性能。不过,主板芯片组其实也可以扩充一部分pcie通道。(x99主板可以扩宽2.0的8lanes,z170可以扩充3.0的20lanes)

    显卡:

    深度学习需要较强性能的显卡进行复杂的单精度运算,通常神经网络需要大量显存和内存资源,因此需要8GB以上显存才能运行大规模的深度卷积网络,执行计算机视觉任务,一般选择GTX1070以上配置。应该购买具有较大显存的显卡。下面给出2080ti、2080、2070、1080ti、1070、1060、Titan X、Titan V的几项指标的对比:

    TFLOPS(teraFLOPS FLoating-point Operations Per Second每秒浮点运算次数)单精度

    也就是运算性能,决定了运算速度,首选1080ti、2080ti、Titan V,不过性能最强的titan V的价格是2080ti的三倍

    1f67a9f55ae7

    单精度算力

    VRAM (显存):显存大小决定了我们的网络模型能不能执行,大型的卷积神经网络会使用超过8G以上的显存,因此购买具有大显存的显卡才能够保证大多数卷积神经网络模型能够顺利执行。

    1f67a9f55ae7

    显存大小

    其中1080ti具有11G显存,能胜任较大的网络模型,性能也比较强,售价大约5000元一张具有最高的性价比。

    2080ti是最新的显卡,同样拥有11G显存,但速度是1080TI的1.5倍,售价大约9000元。

    Titan V具有12G显存,可以说能够执行绝大多数网络,并且速度是最快的,由于是面向商用,所以其价格也非常感人,约25000元一块。

    这三款较为适合深度学习图像处理任务,能完成大多数网络,可以根据预算自由选择。8G显存和6G显存的1080和1060也不失为信价比之选,但是考虑到显存的限制,还是尽量购买具有11G以上的显存的显卡。

    主板:

    前面提到了cpu提供的pcie通道数的限制,如果要使用多块显卡,就需要主板提供额外的pcie通道,一般只有服务器级别的主板才会提供扩展pcie通道如x99、x299等主板,但是使用此类主板必须搭配具有该接口的服务器级cpu(xeon系列、i7 7900x以上、i9系列等),如果不需要三块以上的显卡,使用cpu提供的40lane pcie即可。

    内存:

    深度学习需要大量数据,中间计算过程也会临时储存大量数据,一般要求具有显存2~3倍的内存,32G或64G乃至更高。内存频率越高越好。

    最低建议32G DDR4 3200MHz内存(16G*2)约2000元,预算宽裕可升级到64G(约4000元)。

    硬盘:

    深度学习需要大量数据,和较快的访问速度,一般使用一个较大的固态硬盘作为系统盘和训练数据仓储盘,另外使用hdd机械硬盘作为仓储盘。

    建议使用512G以上nVME固态硬盘(800元)搭配几TB(2TB约300元)Hdd作为储存空间

    电源、机箱:电源其实还是要买个比较稳定的,因为要保证长期稳定运行会有“无休止”的training。一般使用大品牌的经过80PLUS金牌或铂金认证的电源。只搭配一张显卡700w即可,每多一张增加400w。4*titan V大概使用1600w电源。

    显示器:显示器就是生产力,两到三台没问题。这是我的工作环境,两台显示器,一台查看运行状态,另一个查文献资料调试。

    1f67a9f55ae7

    6.jpg

    2.配置推荐

    讲完了基本需求,我们来到正题,推荐几个不同价位的配置样板,分别是

    0.深度学习入门配置 i5 8400+GTX 1060/1070/1070ti +16G RAM +256G SSD 约7000元,这个配置基本上可以尝试大部分模型,如今的网络模型越来越大、越来越深,不免遇到显存不足的情况。不过学习是一个循序渐进的过程,等到你的知识到了需要更高规格的设备,自然知道需要什么样的配置了

    1.深度学习个人进阶配置 i7 8700K+GTX 1080TI+32G RAM +512G SSD ,约15000元。有这样一个配置,大多数深度学习项目基本上不会遇到问题,如果有更深层次的需求,到了需要上集群的高水平,应该也知道需要什么样的配置了。我的建议就不管用了。。。

    2.深度学习个人完美配置,i7 9700K+GTX 2080TI2或者GTX TItan V1+64G RAM +2T SSD。约三万元,如果使用双2080TI (20000)元就能在保持高性价比的前提下拥有单台电脑相对最快的速度,使用GTX TITAN V 就达到了当前单显卡算力巅峰,并且能够完成少数显存使用超过11G的模型。

    3.深度学习实验室共享服务器,724小时运行 2080ti或者4titan V 其实前两个配置也可以拿来做共享服务器,不过计算资源太少,预算充裕可以专门购置一台高性能多显卡深度学习服务器,24*7小时运行,其他用户可以在自己的笔记本电脑和台式机上编写和初步调试卷积神经网络,本地验证无误后,上传至服务器进行训练任务。这样做可以极大的节省设备开支,最大限度的利用计算资源,也避免了每个用户单独配置复杂的软件环境。

    4.深度学习实验室共享服务器单机最高配置。基本上是单台服务器能提供的最高配置,如果要更高配置,可以模仿大型商业研究院在此基础上构建服务器集群。(相当于购买很多台这种配置,使用高速以太网互联。。一个10GE交换机可能要几万块)

    0. 深度学习个人入门配置

    i5 8400+GTX 1060/1070/1070ti +16G RAM +256G SSD 约7000元,这个配置基本上可以尝试大部分模型,如今的网络模型越来越大、越来越深,不免遇到显存不足的情况。不过学习是一个循序渐进的过程,等到你的知识到了需要更高规格的设备,自然知道需要什么样的配置了

    1f67a9f55ae7

    image.png

    1.深度学习个人进阶配置

    i7 9700K+GTX 2080TI2或者GTX TItan V1+64G RAM +2T SSD。如果使用双2080TI (20000)元就能在保持高性价比的前提下拥有单台电脑相对最快的速度,使用GTX TITAN V 就达到了当前单显卡算力巅峰,并且能够完成少数显存使用超过11G的模型。

    1f67a9f55ae7

    image.png

    可以在此基础上将显卡更换为2080ti(性能为1080ti的1.5倍,价格翻一倍 约9000元)或显存12G的titan V,达到单卡性能巅峰

    2.深度学习个人完美配置

    i7 9700K+GTX 2080TI2或者GTX TItan V1+64G RAM +2T SSD。约三万元,如果使用双2080TI (20000)元就能在保持高性价比的前提下拥有单台电脑相对最快的速度,使用GTX TITAN V 就达到了当前单显卡算力巅峰,并且能够完成少数显存使用超过11G的模型。

    1f67a9f55ae7

    image.png

    将显卡换为1080ti可以省一半的钱

    1f67a9f55ae7

    image.png

    3.深度学习实验室共享服务器

    724小时运行 2080ti或者4titan V 其实前两个配置也可以拿来做共享服务器,不过计算资源太少,预算充裕可以专门购置一台高性能多显卡深度学习服务器,24*7小时运行,其他用户可以在自己的笔记本电脑和台式机上编写和初步调试卷积神经网络,本地验证无误后,上传至服务器进行训练任务。这样做可以极大的节省设备开支,最大限度的利用计算资源,也避免了每个用户单独配置复杂的软件环境。

    1f67a9f55ae7

    image.png 显卡换为1080ti可以省一些,主板也可以替换为5000元左右的支持四路显卡sli的

    1f67a9f55ae7

    image.png

    4.深度学习实验室共享服务器单机最高配置

    基本上是单台服务器能提供的最高配置,如果要更高配置,可以模仿大型商业研究院在此基础上构建服务器集群。

    1f67a9f55ae7

    image.png

    4.显示器

    显示器当然越多越好,2-3台差不多,虽然多数任务可能都是在笔记本上完成。

    5.最后是机箱

    既然是科研设备,机箱一定要看起来有排面,一般深度学习服务器除了机柜式的以外都使用海盗船的这一款机箱

    1f67a9f55ae7

    1f67a9f55ae7

    各种服务商卖的深度学习主机也差不多就这样,注意不要被忽悠购买Tesla P系列商用计算卡,虽然是商用卡,但是性能同等的情况下比 gtx和rtx系列要贵几倍

    1f67a9f55ae7

    这是商家大概给的推荐。

    1f67a9f55ae7

    一般供应商给的配置差不多是靠谱的,就是会在有些零件用特殊渠道产品。有的商家给的配置性价比不高,比如说配置里无脑推荐titan V,25000一块,能买五张有它60%性能的1080ti,毕竟无奸不商,需要购机的朋友可以参考本文自行斟酌需要的配置,精打细算一番。唉,说多了都是泪

    展开全文
  • 深度学习框架caffe入门,详解网络配置中每一个层的结构和参数项,对于超参数配置文件详解每一个参数的含义以及选择策略。对于数据源实例演示了两种常用的数据源LMDB和HDF5格式。课程涉及许多caffe框架的小技巧如绘制...
  • Tensorflow是当今各大互联网首选使用的深度学习框架,最新的Tensorflow2版本提倡的kearas搭建模型的方法,能够快速的实现和部署深度学习模型,应用于自然语言处理、推荐系统等分类和预估技术领域,掌握了Tensorflow...
  • 深度学习入门实践1

    万次阅读 2022-04-23 23:04:39
    如果想简单test一下可以...1.下载好你想要的模型代码 gitee 或者 github 建议学习一下git操作 2.读Readme 创建配置虚拟环境 有requirements.txt最好 (直接创环境,然后pip install -r requirements.txt)否则就按他
  • 著名的诺贝尔物理学奖得主Richard Phillips Feynman提出一个著名...对于想入门深度学习的同学来说,配置环境是必经之路(仍记得当初被各种环境问题折腾的痛苦)。 虽然现在已经有很多云服务器,简单选择一下就可以远程
  • 深度学习入门之PyTorch学习笔记绪论1 深度学习介绍2 深度学习框架2.1 深度学习框架介绍2.1.1 TensorFlow2.1.2 Caffe2.1.3 Theano2.1.4 Torch2.1.5 MXNet2.2 PyTorch介绍2.2.1 什么是PyTorch2.2.2 为何要使用PyTorch ...
  • 入门深度学习服务器配置方案

    千次阅读 2020-03-10 16:17:18
    标签(空格分隔): 深度学习 我当初进入深度学习领域知识学习的时候,并不知道一张好显卡对网络模型训练的重要性,直到我有幸参与学校实验室的项目,并意识到缺乏足够处理能力的显卡在大量训练数据下很有可能会让...
  • [深度学习入门]Yolo系列

    千次阅读 2022-04-12 14:41:14
    python tools/anchor_cluster.py -c ../yolov3_darknet_baseline.yml -n 9 -s 896 -m v2 -i 2000 聚类后的输出需要手动在配置文件中修改: (4) 最初图像首先分成13x13个网格,目标落在哪个网格中,哪个网格就负责...
  • 对于普通人而言,ArcGIS主要用于三维处理、深度学习、大规模数据加载以及其它的一些热点GIS问题处理方面。 说实话,个人感觉ArcGIS Pro相比于传统ArcMap套件,在健壮性和稳定性方面还差得远。个人感觉虽然ArcGIS Pro...
  • 文章目录深度学习入门之PyTorch第一章 深度学习介绍1.1 人工智能1.2 数据挖掘,机器学习和深度学习1.2.1 数据挖掘1.2.2 机器学习1.2.3 深度学习第二章 深度学习框架2.1 深度学习框架介绍2.2 PyTorch介绍2.2.1 什么是...
  • 深度学习入门笔记(一):深度学习引言

    万次阅读 多人点赞 2019-09-09 18:02:57
    第一门课 神经网络和深度学习(Neural Networks and Deep Learning) 文章目录第一门课 神经网络和深度学习(Neural Networks and Deep Learning)第一周:深度学习引言(Introduction to Deep Learning)1.1 欢迎...
  • 前一章在anaconda中创建虚拟环境python37,并安装torch。 但在pycharm中import torch却报错,这是因为在pycharm中还没有导入之前安装的pytorch。...现在,基础的配置基本结束,可以在cmd 或者pycha..
  • Pytorch深度学习入门

    千次阅读 多人点赞 2018-12-08 21:03:37
    title: Pytorch深度学习入门 mathjax: false date: 2018-12-06 12:34:12 categories: - 深度学习 tags: - 深度学习 - Pytorch 在本教程中,将使用PyTorch框架介绍深度学习,并通过一个案例进行实验,通过本教程,你...
  • 因此,我们将要介绍的深度学习,指的是构建神经网络结构,并且运用各种深度学习算法训练网络参数,进而解决各种任务。本文从PyTorch环境配置开始。PyTorch是一种Python接口的深度学习框架,使用灵活,学习方便。...
  • 因此,学习感知机的构造也就是学习通向神经网络和深度学习的一种重要思想。本章我们将简单介绍一下感知机,并用感知机解决一些简单的问题。 感知机是什么 感知机接收多个输入信号,输出一个信号 下图是一个接收...
  • 深度学习:TensorFlow入门实战

    千次阅读 2021-09-16 10:27:33
    推荐下我自己建的人工智能Python学习群:[809160367],群里都是学Python的,如果你想学或者正在学习Python ,欢迎你加入,大家都是软件开发党,不定期分享干货,还有免费直播课程领取。包括我自己整理的一份2021最新...
  • 新手入门深度学习 | 1-1:配置深度学习环境

    千次阅读 多人点赞 2021-07-08 15:46:08
    文章目录 一、配置Python3环境 二、安装 CPU版本的tf2环境 三、安装 jupyter notebook...安装tensorflow-gpu 运行环境:python3 作者:K同学啊 精选专栏:《深度学习100例》 推荐专栏:《新手入门深度学习》 选自专栏:
  • 深度学习入门笔记(九):深度学习数据处理

    千次阅读 多人点赞 2019-09-29 09:00:40
    专栏——深度学习入门笔记 声明 1)该文章整理自网上的大牛和机器学习专家无私奉献的资料,具体引用的资料请看参考文献。 2)本文仅供学术交流,非商用。所以每一部分具体的参考资料并没有详细对应。如果某部分不...
  • 深度学习入门教程

    千次阅读 2022-04-18 16:03:13
    掌握一门编程语言:`i love Python ` 图书推荐 编程工具 Anaconda-环境管理 Pycharm-代码coding Python 图像处理 机器学习 ...深度学习入门路线推荐: 1、我是土堆 2、霹雳吧啦Wz 3、同济子豪兄 `更新记录`

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 30,463
精华内容 12,185
关键字:

深度学习入门配置