DeepLearning笔记

原创已于 2025-10-12 21:56:26 修改 · 133 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#笔记 #python #深度学习

于 2025-06-19 13:23:40 首次发布

1.环境配置

安装anaconda: 直接在anaconda.com官网里面下载然后安装

Anaconda的理解（到底需不需要它呢）？
总结：Anaconda 是一个“环境+包管理平台”，帮你快速配置、隔离、管理深度学习环境。
    但深度学习不用 Anaconda 也完全可以跑，它只是帮你“更方便、更省心”地管理环境而已。
本质：一套 Python 发行版 + 虚拟环境管理器 + 常用科学计算库（numpy、pandas、torch 等）。
优点：“东西很全”
缺点：（尤其是在ubuntu环境）
    修改 PATH 后容易“劫持”系统 Python；与 ROS、系统 Python 或 apt 安装的软件冲突严重

查看显卡信息和对应的可使用的最高等级的cuda版本：nvidia-smi

然后通过conda创建env：conda create -n envpytorch python=3.12.07

激活虚拟环境： conda activate envpytorch

配置环境： pip install -r requirements.txt

安装pytorch(Cuda会跟着一起安装下来)：直接在pytorch.com官网的指令在对应的虚拟环境里面安装

测试在env里是否安装成功pytorch: python; import torch; torch.cuda.is_available()-->True;

在vscode右下角可以选择当前文件使用的解释器，选择env\envpytorch解释器就行

2.使用tips

dir()可以查看某个包里面含有什么东西，如dir(torch)

help()解释某个函数的用法,如help(torch.cuda.is_available)

3.基础使用(多去pytorch.com里面的Doc里面查看用法，或者pytorch各种用法doc)

tensorboard工具库，可以用来展示训练进程的图像：from torch.utils.tensorboard import SummaryWriter；在终端查看：tensorboard --logdir="logs"

torchvision.datasets.CIFAR10()可以获取pytorch官方的一些数据集，通过__getitem__查看这个实例化对象里面获取的是什么一般为img, target。(train_dataset[0])

train_dataset = torchvision.datasets.CIFAR10(root="./cifar10_dataset",
                             train=True,
                             transform=torchvision.transforms.ToTensor(),
                             download=True)    # ctrl+P可查看所需参数

dataloader用来批量抓取数据集数据：from torch.utils.data import DataLoader

test_dataset_dataloader = DataLoader(test_dataset, batch_size=64, shuffle=True, drop_last=True, num_workers=0)

writer = SummaryWriter(log_dir="./logs")

for epoch in range(2):
    writer_step = 0
    for datas in test_dataset_dataloader:
        imgs, targets = datas
        writer.add_images("epoch:{}".format(epoch), imgs, global_step=writer_step)
        writer_step += 1
writer.close()

4. argparse()模块的使用

argparse 是 Python 标准库中专门用来处理 命令行参数 的模块

用途：可以通过命令行运行脚本时传入不同的参数，而不需要手动改代码，比如：

python train.py --epochs 50 --batch-size 16 --use-rgb 1

程序通过 argparse 自动解析这些参数，把它们变成可以用的变量。

# 基本使用架构
import argparse

def parse_args():
    parser = argparse.ArgumentParser(description='说明你这个程序是干嘛的')

    # 添加参数
    parser.add_argument('--参数名', type=类型, default=默认值, help='参数说明')

    # 解析参数
    args = parser.parse_args()
    return args

#使用示例

import argparse

def parse_args():
    
    parser = argparse.ArgumentParser(description="Train network")
    
    # normal argument
    parser.add_argument('--network', type=str, default='grconvnet3',
                        help='Network name in inference/models')
    parser.add_argument('--input-size', type=int, default=224,
                        help='Input image size for the network')
    
    # bool flag  # 只要你在命令行中写了 --vis，它就变成 True; 不写就为False 
    parser.add_argument('--vis', action='store_true', 
                        help='Visualiable the training process')    

    args = parser.parse_args()
    
    return args


if __name__ == "__main__":
    
    args = parse_args()
    print(args.input_size)    # 注意，这里是下划线


# 命令行中
bash
python train.py --vis --input-size 224   # 注意，这里是中划线

# 原因：因为 Python 中的变量名不能包含 -，所以 argparse 会自动把 --input-size 转成 input_size 这个属性名。

5.关于运行ros2与conda冲突的案例

在使用conda创建的venv环境下运行一个包含gazebo的项目时候报错：

client-8] gzclient: /usr/include/boost/smart_ptr/shared_ptr.hpp:728: typename boost::detail::sp_member_access<T>::type boost::shared_ptr<T>::operator->() const [with T = gazebo::rendering::Camera; typename boost::detail::sp_member_access<T>::type = gazebo::rendering::Camera*]: 断言 "px != 0" 失败。
[ERROR] [gzclient-8]: process has died [pid 69106, exit code -6, cmd 'gzclient --gui-client-plugin=libgazebo_ros_eol_gui.so'].
^C[WARNING] [launch]: user interrupted with ctrl-c (SIGINT)
^C[WARNING] [launch]: user interrupted with ctrl-c (SIGINT) aga

而通过conda deactivate退出来再用系统环境运行的时候是没错的。

分析：

这是典型的 Gazebo GUI（gzclient）在 Conda 环境下 crash 的情况。原因和 Python 环境无关，而是和 Conda 对系统库（尤其是 Qt / OpenGL / Boost）的隔离 有关。

原因分析

Gazebo GUI 依赖系统的 Qt、OpenGL、Boost 库。

Conda 环境可能带了自己版本的 libboost、libGL 或 Qt，和系统 Gazebo 的库冲突。

报错信息：gzclient: /usr/include/boost/smart_ptr/shared_ptr.hpp:728: ... 断言 "px != 0" 失败。
表明 Boost smart_ptr 在访问渲染 Camera 时出错，典型是 ABI 不匹配 / 多版本冲突。

在系统环境下没问题，说明系统的 Qt / Boost / Gazebo 库正常。

Conda 环境隔离了系统库，可能：

加载了 Conda 自带的 libboost、libGL、libQt5Core.so 等

这些库版本和 ROS2 / Gazebo 预编译包不兼容 → gzclient crash