墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
500+累计阅读
510平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
查看支持的最大版本
cuda各个版本下载
一路默认安装即可
各个cudnn版本
一路默认安装即可
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
import torch
torch.__version__
torch.cuda.is_available()
Python&aconda系列：Torch not compiled with CUDA enabled 报错的归纳总结
Torch not compiled with CUDA enabled 报错的归纳总结
搭建PyTorch炼丹环境（踩坑记录）
PyTorch环境 1. 使用docker搭建PyTorch运行环境 可以在docker hub上选择合适的镜像，注意选择的镜像CUDA版本尽量与服务器宿主机一致，例如：在RTX 2080 Ti上，使用CUDA 9的版本（比如：floydhub/pytorch:1.0.0-gpu.cuda9cudnn7-py3.39），就会报以下错： RuntimeError: cuDNN error: CUDN...
Camera mipi通信协议
MIPI(移动行业处理器接口)，是的缩写。MIPI移动行业处理器接口)是MIPI联盟发起的为移动应用处理器制定的开放标准。分别定义了一系列的手机内部接口标准，比如摄像头接口CSI、显示接口DSI，其中是由MIPI联盟下Camera工作组指定的接口标准。CSI-2是MIPI CSI第二版，主要由应用层、协议层、物理层组成，最大支持4通道数据传输、单线传输速度高达1Gb/s。
从零开始的赛博炼丹生活之yolov5、GPU环境配置篇
yolov5的环境搭建、数据标注，以及CUDA、cuDNN、torch、torchversion 的安装，这些弄完之后你就可以很基础的开始赛博炼丹了
il2cpp分析-gobal-metadata.dat解密
打开ida,把libil2cpp拖到ida中按快捷键Shift+F12等待字符串分析完后,搜索global-metadata.dat。ida中双击sub_57EE7C进入，VS code中也跳转到LoadMetadataFile函数。VSCode打开il2cpp源代码,全局搜索global-metadata.dat。工具:010Editor,IDA 7.5,Jadx,VS Code。判断加密逻辑为根据文件的长度循环读取字节码做亦或加密。双击搜索出来的结果，切记要选il2cpp目录下的。
基于陀螺仪航向反馈的轮式机器人PID直线控制
航向角控制是移动机器人实现稳定直线运动的基础技术，其本质是通过实时感知机体朝向偏差并动态调节驱动输出，以抵消机械不对称、轮径误差等固有扰动。该方法依托陀螺仪测量角速度并积分解算航向角，结合离散化PID算法生成补偿性PWM指令，在嵌入式平台（如STM32）上构建低延迟闭环。相比依赖编码器的速度闭环，它规避了轮径标定与安装偏心等误差源，显著提升低成本平台的工程鲁棒性与部署效率。典型应用场景包括教育机器人直线循迹、AGV基础导航模块开发及IMU-PID融合控制原型验证。
PyTorch炼丹1~
关于 PyTorch 炼丹，本文作者表示：「如果你有 8 个 GPU，整个训练过程只需要 2 分钟，实现 11.5 倍的性能加速。如何提升 PyTorch「炼丹」速度？最近，知名机器学习与 AI 研究者 Sebastian Raschka 向我们展示了他的绝招。据他表示，他的方法在不影响模型准确率的情况下，仅仅通过改变几行...
Cocos Creator Android打包：NDK版本选择与配置全攻略
在Android原生开发中，NDK（Native Development Kit）是编译C/C++代码的核心工具链，它决定了代码如何被编译为不同CPU架构（如ARMv7、ARM64）的动态库。其工作原理在于提供了一套完整的交叉编译环境，将高级语言代码转化为设备可执行的二进制指令。这一技术对于游戏引擎和性能敏感型应用至关重要，因为它能直接调用硬件资源，提升运行效率。在实际工程中，NDK版本必须与Android Gradle插件（AGP）版本、项目依赖的C++标准库精密匹配，否则会导致编译失败或运行时崩溃。特别
从炼丹到造桥：LLM多组织协同开发实战指南
大语言模型（LLM）的构建范式正经历从学术探索到系统工程的深刻转变。其核心原理在于通过分层技术栈（基础层、框架层、模型层、工具链层、应用层）实现模块化协作，技术价值体现在工程化降低了开发门槛并加速了创新迭代。在应用场景上，开发者可基于成熟的开源基座模型（如Llama、Mistral），利用参数高效微调（如LoRA、QLoRA）等工具链，快速构建垂直领域应用。本文聚焦于如何在这一多组织协同的“造桥”生态中，通过实战流程（如环境配置、QLoRA微调、模型部署）高效利用现有基建，避免重复造轮子，从而将工程实践聚焦
ROS2与Gazebo协同实现多机器人避障仿真
本文详细介绍了如何利用ROS2与Gazebo协同搭建多机器人避障仿真环境。通过创建SDF机器人模型、编写多机器人启动文件以及集成基础避障算法，构建了一个低成本、高效率的虚拟测试平台，为AGV编队、机器人集群等项目的算法验证与迭代提供了完整解决方案。
Python实现将txt文件转换成对应的excel或csv文件
此外，在上面的例子中，txt文件是以“空格”分隔的，如果遇到“逗号”分隔的，只需将上述代码中的。本文是该专栏的第29篇，后面会持续分享python的各种干货知识，值得关注。工作上可能会遇到这样的情况，使用python将某个txt文本，按照。转换成对应的excel文件或者是csv文件。”需要替换成你的目标txt文件的绝对路径。库，这里直接引用就好。需要注意的是，上述代码中的“
【炼丹术革新：PyTorch中的高效模型优化策略】
首先是模型，作者采用 DistilBERT 模型进行研究，它是 BERT 的精简版，与 BERT 相比规模缩小了 40%，但性能几乎没有损失。最近，知名机器学习与 AI 研究者 Sebastian Raschka 的方法在不影响模型准确率的情况下，仅仅通过改变几行代码，将 BERT 优化时间从 22.63 分钟缩减到 3.15 分钟，训练速度足足提升了 7 倍。作者更是表示，如果你有 8 个 GPU 可用，整个训练过程只需要 2 分钟，实现 11.5 倍的性能加速。
【扣子AI开发】如何开发一个图像生成智能体?
【扣子AI开发】如何开发一个图像生成智能体，从创建到发布
PyTorch-CUDA镜像中的torch.compile加速机制解析
本文深入解析PyTorch 2.0中torch.compile的加速机制，结合PyTorch-CUDA官方镜像，揭示其通过FX图捕获、算子融合与Inductor后端生成优化CUDA代码的原理，并提供实战性能对比、常见坑点及最佳实践，帮助AI开发者提升训练效率。
用Virtuoso和Abstract完成gds2lef
需要用到的工具有virtuoso和abstract。 数模混合的项目通常需要模拟完成模块设计，把接去数字的pin打上label（text），数字的floorplan才能正式开始。 如果只需要简单的数字PR boundary和pin点位置，那么只使用virtuoso就够了，还想把模拟版图都转成lef就要用到abstract工具。 1.PR boundary+pin 1）在virtuoso中打开layout a) Gui操作: Create->P&R Objects->
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
炼丹5至7倍速，使用Mac M1 芯片加速pytorch完全指南
2022年5月，PyTorch官方宣布已正式支持在M1芯片版本的Mac上进行模型加速。官方对比数据显示，和CPU相比，M1上炼丹速度平均可加速7倍。哇哦，不用单独配个GPU也能加速这么多，我迫不及待地搞到一个M1芯片的MacBook后试水了一番，并把我认为相关重要的信息梳理成了本文。公众号后台回复关键词：M1，可获取本文jupyter notebook源代码。一，加速原理 Question1，Ma...
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
PyTorch 1.8来了！正式支持AMD GPU，炼丹不必NVIDIA
点击上方，选择星标，每天给你送干货！来源|量子位（QbitAI）作者 |梦晨1.8版本中，官方终于加入了对AMD ROCm的支持，可以方便的在原生环境下运行，不用去配置Docker了...
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
从炼丹到工程：构建可复现AI能力的核心实践
在机器学习与深度学习领域，模型训练常被戏称为'炼丹'，其过程充满随机性与不确定性。从技术原理层面看，这源于算法内在的随机性、依赖环境的复杂性以及数据处理的非确定性。实现可复现的工程能力，意味着在任何环境下基于相同输入都能获得一致输出，这是AI技术从实验室走向规模化应用的核心价值。通过系统化的环境封装、数据版本控制、配置管理及实验追踪，工程师能够将一次成功的实验转化为可重复执行的标准化流程。本文聚焦于Docker容器化、数据版本控制等关键技术，探讨如何构建端到端的AI工程化工作流，为金融风控、工业质检等严肃场
告别CUDA依赖：在Windows PyCharm中配置AMD GPU与PyTorch-DirectML进行高效炼丹
本文详细指导AMD GPU用户在Windows系统下，通过PyCharm配置PyTorch-DirectML环境，实现无需CUDA的深度学习模型训练。文章从原理剖析到实战演练，手把手教你利用微软DirectML API释放AMD显卡的算力，并提供了关键的环境搭建步骤、避坑指南以及LeNet模型训练示例，让AMD用户也能高效“炼丹”。
新手使用AudoDL炼丹，以maskrcnn为例
本文通过Pycharm和AutoDL帮助新手/研0跑自己数据集的入门教程
import torch_geometric, torch_sparse出现 “OSError: [WinError 127] 找不到指定的程序”问题
解决import torch_geometric, torch_sparse出现 “OSError: [WinError 127] 找不到指定的程序”问题
AssertionError: Torch not compiled with CUDA enabled
pytorch 炼丹中出现的，显卡调用问题。
【转载】炼丹实验室：深度学习网络调参技巧
转载自：炼丹实验室：深度学习网络调参技巧 深度学习网络调参技巧好的实验环境是成功的一半画图从粗到细分阶段调参提高速度超参数范围经验参数自动调参总结参考资料 好的实验环境是成功的一半 由于深度学习实验超参众多，代码风格良好的实验环境，可以让你的人工或者自动调参更加省力，有以下几点可能需要注意： 将各个参数的设置部分集中在一起。如果参数的设置分布在代码的各个地方，那么修改的过程想必会非常痛苦。 可以输出模型的损失函数值以及训练集和验证集上的准确率。 可以考虑设计一个子程序，可以根据给定的参数，启动训练并监控和
改变几行代码，PyTorch炼丹速度狂飙、模型优化时间大减
与以前不同的是，微调部分在 LightningModel 类中包装了 PyTorch 模型，并使用 Trainer 类来拟合模型。据他表示，他的方法在不影响模型准确率的情况下，仅仅通过改变几行代码，将 BERT 优化时间从 22.63 分钟缩减到 3.15 分钟，训练速度足足提升了 7 倍。在模型运行了 22.63 分钟后进行微调，最终的测试准确率为 91.43%。首先是模型，作者采用 DistilBERT 模型进行研究，它是 BERT 的精简版，与 BERT 相比规模缩小了 40%，但性能几乎没有损失。
PyTorch 1.8炼丹：不必NVIDIA，支持AMD GPU ！
点击上方“机器学习与生成对抗网络”，关注星标获取有趣、好玩的前沿干货！作者丨梦晨来源丨量子位1.8版本中，官方终于加入了对AMD ROCm的支持，可以方便的在原生环境下运行，不用去配置...
Torch7实战CIFAR-10图像分类：从零搭建CNN模型到Kaggle提交
卷积神经网络（CNN）是计算机视觉领域的核心模型，其原理是通过卷积层自动提取图像的局部特征，再通过池化层和全连接层实现分类。这项技术极大地推动了图像识别、目标检测等应用的发展。在工程实践中，选择一个合适的深度学习框架并完成从数据处理、模型训练到评估部署的全流程，是掌握AI落地的关键能力。本文以经典的CIFAR-10图像分类任务为场景，详细剖析了使用轻量高效的Torch7框架，从环境搭建、数据预处理、CNN模型构建、训练调优到最终生成Kaggle提交文件的完整实战路径。通过本项目，读者不仅能深入理解**卷积神
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
7381
扫一扫
