公司之前一直使用基于指纹的上下班签到机制,疫情期间为了减少人员接触开始改用人脸打卡。当时以为只是应急用一下,疫情有一两个月就结束了,使用的第三方的人脸打卡程序。...之后我们再使用`pip install dlib`来安装依赖库。 前面提到了特征点可以用5点或68点了,为了提高识别准确度我们使用68点。...另外下dlib在使用英伟达家显卡时可以使用GPU进行计算,可以大幅降低CPU的负载。推荐使用类Linux平台来安装cuda驱动。这里我使用centos7为例子进行安装。...DLIB WILL USE CUDA 以上都修改完后我们再重新测试下我们的程序,发现性能提升很多。不再占用CPU时间,而且每次处理都可以控制在毫秒级别。...第一个考虑到的是做手机上的APP,但想到要兼容iOS+Android也是个不小的成本。第二个考虑到的就是做小程序,做成微信的小程序还可以关联到企业微信内,直接就能读取用户在企业内的真实姓名很是方便。
dlib是一个强大的库,但是其默认是需要NVIDIA显卡的,其实也是需要N卡附带的CUDA环境。但偏偏我的虚拟机没有显卡,所以只能尝试无CUDA环境下安装dlib。...安装dlib需要确保事先安装好了python、cmake、Boost.Python环境,我是在系统自带的python2之外另装了一个python3,这导致我的安装过程又增加了不少麻烦,不过好在折腾许久之后成功了...最后安装dlib才是问题的大头,首先是因为我们的机器无显卡,所以系统会因为找不到CUDA环境而报错,这里可以指定dlib不使用CUDA,方法是解压后安装时使用: python3 setup.py install...--no DLIB_USE_CUDA 命令,注意,是python3,同时,后跟着不使用CUDA的指令。...,折腾了很多天之后算是安装成功了,可以用如何检查Python下的各种模块是否安装好文中的方法检查是否安装成功。
使用Nvidia Jetson Nano,您可以用很少的预算构建运行gpu加速的深度学习模型的独立硬件系统。它有点像树莓派,但速度比树莓派快得多。...通过人脸识别,它会立即知道你门前的人是否曾经来过你——即使他们穿着不同。如果他们来过,它可以告诉你确切的时间和频率。 ?...首先,我们正在更新apt,这是一个标准的Linux软件安装工具,我们将使用它来安装其他所有东西。接下来,我们将使用apt安装一些基本库,稍后我们将需要这些库来编译numpy和dlib。...然而,目前在Jetson NANO CUDA库中存在一个bug (https://devtalk.nvidia.com/default/topic/1049660/jetson-nano/issues-with-dlib-library...使用此命令执行此操作: ? 现在,您的Jetson Nano已准备好通过完整的CUDA GPU加速进行人脸识别。
2.Pycharm的安装配置 PyCharm是一种Python IDE,带有一整套可以帮助用户在使用Python语言开发时提高其效率的工具,比如调试、语法高亮、Project管理、代码跳转、智能提示、自动完成...在服务器上安装PyCharm其实也算是多此一举,但是主要也是有个小插曲导致下载了PyCharm: 用cmd进入项目之后执行程序:python xxx.py 之后会报 ImportError: No module...错误的演示: 首先:pip install face-recognition 报错:dlib 包安装失败(反正就这个意思) 接着:pip install dlib 失败:cmake,can't...install face-recognition==1.0.0 这一步可以直接下载 face-recognition 1.0.0 和 face-recognition-models 0.3.0 之后在代码中...经过一番检查,定位到问题,Cuda安装完成后默认的环境变量配置不对,不能直接访问到bin和lib\x64下的程序包,在path中加上这两个路径即可。
并非所有 GPU 都是一样的 大部分深度学习从业者不直接编写 GPU CUDA 代码,我们通常会使用软件库(如 PyTorch 或 TensorFlow)。...但是,要想高效使用软件库,你需要选择合适的 GPU。在几乎所有情况下,这意味着你需要使用英伟达的产品。 CUDA 和 OpenCL 是进行 GPU 编程的两种主要方式。...我在阅读 ROCm 网站上「概述、快速上手和深度学习」的页面之后仍然无法用自己的语言复述出其中的内容——尽管我很希望把 AMD 的这部分内容包含进本文中(虽然我对于硬件的理解不深,但像我这样的数据科学家应该是这一项目的使用者...不过即使理论上证明静态计算图要比动态计算图拥有更好的性能,但实际上很可能恰恰相反。 谷歌的 TensorFlow 可能是最常用的静态计算图框架,当然它也是我们最常用的深度学习框架。...TensorFlow 上做了大量的推广与营销,这也是 TensorFlow 如此出名的原因。
点击上方蓝字关注我们 看到标题,可能很多人会不太可能实现,因为 PyTorch 官网和 TensorFlow 官网最新版本的框架对 GPU 版本的 CUDA 版本的要求不一样,即使使用 Python...虚拟环境也是不可能把不同版本的 CUDA 做隔离,因为 CUDA 和 Python 虚拟环境没有一点关系!...即使如此,我们还是可以把两个框架的 GPU 版本都装上,只不过不能安装两个框架的最新版本!...找到经过测试的构建配置,选择 CPU 或者 GPU 进行点击(在我这里必须选择 GPU),跳转后的位置如图所示。...版本找齐之后就是进行安装。安装的时候需要注意,首先安装 CUDA 和 cuDNN,安装教程参考一下我的这一篇历史文章:用 GPU 运行代码,还有这种操作?!
windows darknet 编译darknet.exe 下载cmake,地址是:https://cmake.org/download/,也是傻瓜式的安装。然后打开cmake-gui.exe ?...windows darknet 源码目录和编译目标目录都指向darknet的源码目录,这里使用AlexeyAB的版本 https://github.com/AlexeyAB/darknet 接下来就是点击...请确认 Import 声明“C:\Program Files (x86)\Microsoft Visual Studio\2019\Professional\MSBuild\Microsoft\VC\v160...=0 --machine 64 --compile -cudart static -g -D_MBCS -DLIB_EXPORTS -D_TIMESPEC_DEFINED -D_SCL_SECURE_NO_WARNINGS...windows darknet 最近再多聊一句,在python中使用上面生成的yolo_cpp_dll.dll文件时(通常使用ctypes这个库)需要注意下,由于yolo_cpp_dll.dll依赖于同目录下的
即使加速效果不明显,但很多入门级的显卡依然可以用于TensorFlow,这至少可以帮助大家了解和熟悉这个框架。 请不要让缺少预算或者系统不兼容成为探索路上的拦路虎和借口。...安装步骤(建议使用管理员权限账号) 请尽量按照本文的安装顺序进行安装,否则有可能运行失败!最重要的是,安装CUDA必须在安装Visual Studio之后,这两个顺序不可以调换。...6.确认系统环境变量(Environment Variables) 确认Python3.5.4.和Pip3在系统环境变量中,检查的方法上面已经介绍了。...这是因为你的CuDnn设置错误,请参考本文确认系统环境变量(Environment Variables)来修复。 ? 写在最后 实践是检验真理的唯一标准,时间也是。...这也是我写这篇教程的目的,我不希望这些原因成为阻碍你探索研究的障碍。希望我的这篇文章为你的深度学习之路做出了一点微小的贡献。
模型转换成pytorch模型文件 hubconf.py:在Pytorch.Hub上获取预加载模型 在使用中,只需要用到两个文件: 1、demo.ipynb 2、weights文件夹(内含四个模型,...Pytorch 安装 项目需要使用Pytorch框架,框架的安装可以看我之前的博文: 超简单的pytorch(GPU版)安装教程(亲测有效) cmake安装 在进行dlib库安装时,直接安装会报错:...卸载方式: pip uninstall dlib 若使用pip进行dlib的安装,大概率会报错,因此需将dlib的包下载下来本地安装。...setup.py 运行好之后,相应的dlib版本就安装完毕。...该文件在文末我备份的文件中已添加。 权重文件放置 运行代码第一段,它会用torch.hub.load来下载模型文件,如果你的网速不快,很可能会下载中断,产生报错。
即使加速效果不明显,但很多入门级的显卡依然可以用于TensorFlow,这至少可以帮助大家了解和熟悉这个框架。 请不要让缺少预算或者系统不兼容成为探索路上的拦路虎和借口。...安装步骤(建议使用管理员权限账号) 请尽量按照本文的安装顺序进行安装,否则有可能运行失败!最重要的是,安装CUDA必须在安装Visual Studio之后,这两个顺序不可以调换。...确认系统环境变量(Environment Variables) 确认Python3.5.4.和Pip3在系统环境变量中,检查的方法上面已经介绍了。...这是因为你的CuDnn设置错误,请参考本文确认系统环境变量(Environment Variables)来修复。 ? 写在最后 实践是检验真理的唯一标准,时间也是。...这也是我写这篇教程的目的,我不希望这些原因成为阻碍你探索研究的障碍。希望我的这篇文章为你的深度学习之路做出了一点微小的贡献。 欢迎来到深度学习的世界 ʕ•ᴥ•ʔ
如果只想要分析CUDA内核执行时间,那么关闭CPU分析和所有其他功能也是可以的。因为在这种模式下,我们可以理解为显卡能力的真实评测。...内存分配器 memory allocator 当你在CUDA设备上使用PyTorch分配张量时,PyTorch将使用缓存分配器。...在图像中,梯度在训练步骤之后没有被清除,因此它们在向前传递过程中处于无用状态,占用了宝贵的内存。...生成了几个相同的进程,并且在反向传播期间聚合梯度。 当我们生成相同的进程时,在每个GPU上都有相同的模型和优化器状态,这是冗余的。...ZeRO 3 :模型参数分片 我么不需要在每个rank上存储模型的完整副本,我们将在向前和向后期间及时获取所需的参数。在大型模型的情况下,这些优化可以显著降低内存消耗 如何使用FSDP? 其实很简单。
学术和工业界专业人士使用这些工具来构建从语音识别到MRI扫描中的癌症检测的许多应用。许多这些工具可以在网上免费获得。...同时还给出了有关工具通过Hadoop或Spark在集群上分布计算的信息。这已经成为适合分布式计算的浅层学习技术的一个重要的讨论点。...搜索排名 工具 语言 类型 说明“quote” 使用 GPU加速 分布式计算 已知学术使用 已知行业使用 100 Theano python 库 有效的多维数组的数值计算库 深度学习和浅层学习 CUDA...构建可扩展算法的环境 浅层学习 JCUDA Spark和Hadoop 5 Accord.NET .Net 框架 机器学习 深度学习和浅层学习 CUDA.net 还没 5 NLTK python...还没 0 Shogun C ++ 库 机器学习 浅层学习 CUDA 还没 0 MLPACK C ++ 库 机器学习 浅层学习 CUDA 还没 0 DLIB C ++ 库 机器学习 浅层学习
在 PyTorch 中,图结构是动态的,也就是说图是在运行时创建的。在 TensorFlow 中,图结构是静态的,也就是说图在「编译」之后再运行。...在 TensorFlow 中,这需要在构建图时使用控制流操作(control flow operations),比如 tf.while_loop。...比如说,TensorFlow 假设如果存在可用的 GPU,你就希望在 GPU 上运行。而在 PyTorch 中,你必须在启用了 CUDA 之后明确地将所有东西移到 GPU 上。...TensorFlow 设备管理的唯一缺陷是它会默认占用所有可用的 GPU 上的所有内存,即使真正用到的只有其中一个。但也有一种简单的解决方案,就是指定 CUDA_VISIBLE_DEVICES。...在使用 PyTorch 时,我发现我的代码需要更频繁地检查 CUDA 的可用性和更明确的设备管理。尤其是当编写可以在 CPU 和 GPU 上同时运行的代码时更是如此。
在 TensorFlow 中,这需要在构建图时使用控制流操作(control flow operations),比如 tf.while_loop。...比如说,TensorFlow 假设如果存在可用的 GPU,你就希望在 GPU 上运行。而在 PyTorch 中,你必须在启用了 CUDA 之后明确地将所有东西移到 GPU 上。...TensorFlow 设备管理的唯一缺陷是它会默认占用所有可用的 GPU 上的所有内存,即使真正用到的只有其中一个。但也有一种简单的解决方案,就是指定 CUDA_VISIBLE_DEVICES。...在使用 PyTorch 时,我发现我的代码需要更频繁地检查 CUDA 的可用性和更明确的设备管理。尤其是当编写可以在 CPU 和 GPU 上同时运行的代码时更是如此。...从可编程性上看,它的句法并没有 PyTorch 的那么简单,尽管考虑到批量化在一些情况下带来的性能提升,这样的成本也是值得的。 ?
一、Bug描述 在使用深度学习框架,如PyTorch或TensorFlow时,我们经常希望利用CUDA加速计算。...CUDA版本与GPU驱动不兼容:即使安装了驱动,如果CUDA版本与GPU驱动不兼容,也会导致问题。...深度学习框架未编译为CUDA版本:即使安装了CUDA,如果使用的是不支持CUDA的框架版本,也无法利用GPU。 GPU不支持CUDA:某些旧的或集成显卡可能不支持CUDA。...==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html 方案三:检查GPU是否支持CUDA 访问NVIDIA官方网站,确认你的GPU是否支持...方案四:管理多个CUDA版本 如果系统中存在多个CUDA版本,可以使用nvcc的–expt选项或使用conda来管理CUDA版本。
这里默认它会安装到用户目录下,如果想全局安装,可以在这一步输入你要安装的地址: Anaconda3 will now be installed into this location: /home/cqc...local/anaconda3 PREFIX=/usr/local/anaconda3 这里我指定了将其安装到 /usr/local/anaconda3 目录下,全局安装,所有用户共享,当然如果只想本用户使用的话使用默认配置即可...CUDA 9.0 如果存在之前的旧版本,可以选择先卸载,以免和新的 CUDA 版本产生冲突,在 /usr/local/cuda/bin 目录下有一个 uninstallcuda*.pl 文件,可以直接运行卸载...接下来执行安装,运行如下命令: sudo bash cuda_9.0.176_384.81_linux-run 安装过程需要输入一些确认选项,过程如下: Description The NVIDIA...TensorFlow 1.6 版本针对 CUDA 9 和 cuDNN 7 做了优化,可以预构建二进制文件。
丰富的机器学习工具 当谈到训练计算机在没有明确编程的情况下采取行动时,存在大量来自机器学习领域的工具。学术界和行业专业人士使用这些工具在MRI扫描中构建从语音识别到癌症检测的多种应用。...例如,在2015年5月初的GPU技术大会上,机器学习下的45个演讲中有39个是关于GPU加速的深度学习应用程序,这些应用程序来自31家主要的科技公司和8所大学。...还提供了有关通过Hadoop或Spark在集群中分配计算的工具能力的信息。这已成为适合分布式计算的浅学习技术的重要论述点。...这项研究的结果表明,目前有许多工具正在使用,目前还不确定哪种工具能够赢得狮子会在工业界或学术界的使用份额。...Learning Shallow Learning CUDA Not Yet 0 DLIB C++ Library Machine Learning Shallow Learning CUDA Not
选自Medium 机器之心编译 参与:路雪、李泽南 在搭建深度学习机器之后,我们下一步要做的就是构建完整的开发环境了。...选项--dkms(默认开启)在 kernel 自行更新时将驱动程序安装至模块中,从而阻止驱动程序重新安装。在 kernel 更新期间,dkms 触发驱动程序重编译至新的 kernel 模块堆栈。...cuda 将库添加至 bash path,这样就可以使用其他应用找到库了。...你可以在 NVIDIA_CUDA-8.0_Samples/bin/x86_64/linux/release 中找到两个非常有用的脚本:./deviceQuery 可以在使用过程中打印 GPU,....python test_theano.py 在使用了 GPU 之后是否成功。
一.CMake准备 首先准备好要用到的CMake工具和Dlib(此处使用Dlib19.1),,分别可以从下面两个链接下载 https://cmake.org/download/ https...按照其所提示的打开cmd,先将文件夹跳转到当前解压出的dlib-19.1\dlib\matlab中,然后使用其所提示的这几个命令。...等待命令运行完可以看到结果如下 其中可能会报出CUDA找不到之类的错误,但这无伤大雅。 ? 完成这一步后再尝试使用cmake --build ....先打开dlib-19.1\dlib\matlab中的cmake_mex_wrapper文件,确认一下Matlab的地址是否是文件内的地址(如果之前安装Matlab使用的是默认地址则这部分不需要改动),如果有更改过需要调整下这几行...四.结果测试 最后进行测试,先打开dlib-19.1\dlib\matlab\build\Debug(如果刚才是使用了Debug生成的话),可以看到是否成功生成了Matlab可以使用的.
在本教程的下半部分,我们将创建一个这样的虚拟环境;然而,你可以在第八步之后按照需要创建很多个环境。如果你对于这些不熟悉的话,你需要阅读关于虚拟环境的RealPython 指南。...如果你的命令行提示符显示执行的名字不是你虚拟环境的名字,你可以随时使用workon命令: $ workon py3cv4 图9:确保在之后的教程中,你的命令行提示符的开头都是你虚拟环境名字 在接下来的所有过程中...CUDA是英伟达用于图形处理器的一组库。一些非深度学习任务在CUDA适用的图形处理器上运行的比中央处理器更快。...注意已设置WITH_CUDA=ON,表明我们将使用CUDA优化编译。...库: $ pip install dlib 注意:当你可能用CUDA相关试着编译dlib时,目前为止的dlib都不支持Nano的图形处理器。
领取专属 10元无门槛券
手把手带您无忧上云