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。
Anaconda下载及安装 简介 Anaconda官网：https://www.anaconda.com/ Anaconda是一个开源的Python发行版本，包含了180+的科学包及其依赖项，可以方便获取开发所需要的包，并且对包进行管理，其中的科学包有：conda，numpy等 下载 网速好：官方下载：https://repo.anaconda.com/archive/ 网速慢：清华镜像：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ 选择相应版
之前我们在利用GPU进行深度学习的时候，都要去NVIDIA的官网下载CUDA的安装程序和cudnn的压缩包，然后再进行很繁琐的系统环境配置。不仅环境配置麻烦，而且还特别容易配置错误，特别还有CUDA和cudnn版本的对应也特别容易搞错，但是利用anaconda安装配置pytorch和paddlepaddle环境的时候会自动帮我们配置好cuda和cudnn。这篇博客就是针对小白的保姆级深度学习的环境配置教程
上周末，智谱AI在2023中国计算机大会（CNCC）上推出了全自研的第三代基座大模型ChatGLM3，在各个任务上相比ChatGLM2都有了很大的提升。今天终于下载了模型部署测试，实际效果确实要比ChatGLM2要好。
首先，我们需要准备下载text to image 资源,我打算跑的代码地址。 要求的版本 然后查看自己的服务器cudn,tensorflow，NLTK，如图 1.tensorflow版本 python import tensorflow as tf tf.__version__ 如果不报错并显示版本，则安装正确，否则按照安装教程这个链接自行安装。 tf.__path__ 路径 直接输入上面的命令，得到这个结果 2.tensorlayer版本
搭建深度学习环境所需资料 （md 我就安个神经网络的环境简直要了我的狗命） 不过还是认识到很重要的一点，在书上找再多的资料 都不如自己亲身实践一下 还是要总结一下学了what 不然白捯饬了
在大型机构分配的服务器集群中，需要使用GPU的程序默认都会在第一张卡上进行，如果第一张卡倍别人占用或者显存不够的情况下，程序就会报错说没有显存容量，所以能够合理地利用GPU资源能帮助你更快更好地跑出实验效果。 1、指定使用GPU0运行脚本（默认是第一张显卡, 0代表第一张显卡的id,其他的以此类推） 第一种方式：
2017年1月18日，facebook下的torch7团队宣布Pytorch开源，官网地址：pytorch。2018.4月 ，PyTorch0.4.0已经有官方的Windows支持，
今年6月份清华大学发布了ChatGLM2，相比前一版本推理速度提升42%。最近，终于有时间部署测试看看了，部署过程中遇到了一些坑，也查了很多博文终于完成了。本文详细整理了ChatGLM2-6B的部署过程，同时也记录了该过程中遇到的一些坑和心得，希望能帮助大家快速部署测试。另外：作者已经把模型以及安装依赖全部整理好了，获取方式直接回复：「chatglm2-6b」
Sony Z13 系列笔记本的驱动程序一直停留在 2010 年的版本， 在 Windows 7 下工作正常， 最近升级到了 Windows 8 ， 这个版本的驱动程序无法正常工作了， 由于 Z13 是 2010 年的产品， Sony 根本不打算提供 Windows 8 系统的驱动， 于是只好开始折腾， 想办法安装 NVIDIA 官方的驱动程序。 经过不懈的折腾， 总算搞好了， 现在总结如下：
所需环境：64 位的 Windows10，Windows8/7 64 位下也能安装。机器要有至少 30G 的硬盘空间。
最近一款名叫Roop的开源项目火爆了~~~ 不到一个月的时间，收获了近万star，足见项目的火热程度。
登录anaconda的官网下载，anaconda是一个集成的工具软件不需要我们再次下载。anaconda官网
一般来说我们会在笔记本或者 PC 端编写模型和训练代码，准备一些数据，配置训练之后会在笔记本或者 PC 端做一个简单验证，如果这些代码数据都 OK 的话，然后真正的训练放在计算力更强的的计算机上面执行，一般来说至少有一块或者多块 GPU，有相当好的显存和内存，接下来实验一下。 选择一个支持 TensorFlow GPU 的计算机 当务之急是找到一块可以用于 TensorFlow 的显卡，TensorFlow 只支持在 NVIDIA 的部分高端显卡上面进行 GPU 加速， 在 NVIDIA 开发者中心可以找到
点击【立即选购】可以进入选购页面。每种机型又对应不同的规格。基本上同机型（比如GN7）他们的显卡型号都是相同的，该机型下的不同规格（比如GN7.LARGE20、GN7.2XLARGE32)只是在CPU、内存、带宽以及显卡个数方面不同而已。下面简单列一下机型与显卡的对应关系（截至2022年5月）：
你也许会觉得： AI 程序员这么优秀，是因为他们聪明，而我只能笨鸟先飞，勤能补拙喽，当然不是！只要你掌握 AI 程序开发，还怕老板不追着你加工资？！
PyTorch是一个开源的Python机器学习库，其前身是著名的机器学习库Torch。2017年1月，由Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch，它是一个面向Python语言的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络，这是很多主流深度学习框架比如Tensorflow等都不支持的。PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。除了Facebook外，它已经被Twitter、CMU和Salesforce等机构采用。作为经典机器学习库Torch的端口，PyTorch 为 Python 语言使用者提供了舒适的深度学习开发选择。
语义分割（semantic segmentation） : 就是按照“语义”给图像上目标类别中的每一点打一个标签，使得不同种类的东西在图像上被区分开来。可以理解成像素级别的分类任务，直白点，就是对每个像素点进行分类。
（1）确定电脑是否有英伟达独立显卡；（2）无法下载mnist数据集；（3）无法显示数据集中的数字图像。
如果返回结果是 True，则说明环境已经搭建好；如果返回是 False，则说明环境还有问题。如果上述安装都没有问题，那么可能和笔者一样，是 Manjaro 当前启用了开源的 Nouveau 显卡驱动，需要将其禁用，然后再安装最新的 Nvidia 闭源驱动（详见下文）。
之前我已经安装了anaconda，现在检查它的版本以及环境。发现有tensorflow环境，但我需要tensorflow-gpu的环境，所以输入conda uninstall tensorflow卸载了，
经常有小伙伴和我抱怨说拿不到计算资源，于是这不就来了吗。这是一个后台GPU排队脚本，主要是为了解决实验室中的显卡使用/占用问题。
由于我们的课程是使用了深度学习技术，主要的开发过程会集中在数据处理这个环节上。这种开发任务需要我们多次频繁地执行某些小的语句块，例如训练过程需要不断地调参，对数据初始化并且进行重复地训练。
由于实验需要，在实验室电脑上搭建深度学习Caffee框架。一共花了两天的时间，其中遇到了不少的问题，记录一下。 Caffee在配置上相对来说比较麻烦，需要前期安装的东西比较多，逐一介绍。
常规的本地化运行机器学习代码，安装Anaconda+cuda显卡驱动支持，许多文章都有介绍，不在此多做赘述了。本文主要是为了解决在工作环境中，本机电脑没有显卡，需要将程序运行在带显卡的远程服务器上。
部署KYC人脸对比服务，需要GPU支持，生产环境都是容器，所以就需要捣鼓下docker如何支持GPU。
https://developer.nvidia.com/cuda-downloads
PyTorch进行神经网络的学习十分有用， 但是，其在中国大陆的安装包下载十分缓慢。这里介绍一下我在Windows10中安装PyTorch的过程与建议。
1.安装Pycharm，其中社区版免费，可以直接去pycharm官网下载安装https://www.jetbrains.com/pycharm/download/
最近人工智能等多门课需要复现论文，近两年的论文很多都是Pytorch环境，所以，这里总结一下Pytorch的安装教程，做好最快、最简单、最好地完成安装。
因为最开始安装的Anaconda中的Jupyter只存在于base环境中，无法在我们新建的Pytorch环境 中使用，所以我们需要进行以下操作在新环境中安装Jupyter
在数据越来越多的时代，随着模型规模参数的增多，以及数据量的不断提升，使用多GPU去训练是不可避免的事情。Pytorch在0.4.0及以后的版本中已经提供了多GPU训练的方式，本文简单讲解下使用Pytorch多GPU训练的方式以及一些注意的地方。
本人使用的是腾讯云提供的GPU计算型服务器GN8，安装系统为Ubuntu18.04，下面简单介绍下如何进行深度学习环境的搭建以及Ubuntu图形界面的安装。
其实很多想要学习人工智能方面的小伙伴可以顺道把TensorFlow下了，毕竟TensorFlow是目前很热门的框架了，要是做机器学习的话选择这个框架可以省去你的很多麻烦。
目前AI绘画最牛的软件就两款，一个Midjourney（收费，最低也得一个月10美刀，需要科学），另一个叫stable-diffusion，而Stable Diffusion开源免费，不受网络限制，不过上手难度高点，电脑还有配置要求。
目前常见的深度学习框架有很多，最出名的是：PyTorch（facebook出版）， Tensorflow（谷歌出版），PaddlePaddle（百度出版）。PyTorch是目前最主流的深度学习框架，我们就选择PyTorch肯定没错。
假设已经装好了pycharm、anaconda，并且新建了一个conda虚拟环境（我的虚拟环境名为pytorch）。接下来需要安装新版的显卡驱动，安装cuda、cudnn、pytorch和torchvision，这几个环境的版本互相关联，为了能使用更新的项目，尽量安装最新版本的环境。
背景 在Windows上使用GPU进行深度学习一直都不是主流，我们一般都首选Linux作为深度学习操作系统。但很多朋友如果只是想要了解深度学习，似乎没有必要专门装双系统或者改用Linux。现实生活中，很多使用学校或者公司电脑的朋友也没有操作权限改换系统。那么到底是否可以在Windows系统上设置深度学习框架，开发深度学习模型呢？ 好消息是越来越多的深度学习框架开始支持Windows，这使得在Windows上使用GPU加速学习过程也变成了可能。很多朋友虽然没有一块很强劲的显卡，但也可以以较低的代价来了解在G
此文为交流群「TensorFlow群」呵呵哒贡献，自己在win10中安装时踩过的坑，希望还被这些问题困扰的小伙伴，看完此文后能豁然开朗，同时没有安装过的以后可能会用到的小伙伴，可以收藏下，以备后用。
背景 在Windows上使用GPU进行深度学习一直都不是主流，我们一般都首选Linux作为深度学习操作系统。但很多朋友如果只是想要了解深度学习，似乎没有必要专门装双系统或者改用Linux。现实生活中，很多使用学校或者公司电脑的朋友也没有操作权限改换系统。那么到底是否可以在Windows系统上设置深度学习框架，开发深度学习模型呢？ 好消息是越来越多的深度学习框架开始支持Windows，这使得在Windows上使用GPU加速学习过程也变成了可能。很多朋友虽然没有一块很强劲的显卡，但也可以以较低的代价来了解在
AI绘画 关于 AI 绘画最近有多火，既然你有缘能看到这篇文章，那么相信也不需要我过多赘述了吧？ 随着 AI 绘画技术的发展，最新感到压力山大的应该属于那些设计师了吧，AI 不仅作图效率其高，而且画面超级逼真，甚至在很多细节处理方面都已经超过专业设计师的级别，是不是瞬间感觉自己的饭碗保不住了。 虽然很多人听说了这项技术，但是对于部署还是一知半解，到现在也只是只闻其声不见其物。这篇文章主要就是教大家如何部署最新版本的 Stable Diffusion 绘画工具。 图片 本地环境要求 在下载 AI 绘画工具前
因工作原因，原来的台式机工作站发生了变更，除了GPU显卡（NVIDIA GeForce GTX 1660显卡变成了NVIDIA Quadro P2200显卡）以外，其他配置都差不多，从网上查阅NVIDIA Quadro P2200相当于NVIDIA GeForce GTX 1660显卡。
搜索CUDA Toolkit 11.0（对应版本号），选择对应的系统和位数，官方会提供安装命令； 如下所示：
借着热点，简单聊聊大模型的部署方案，作为一个只搞过CV部署的算法工程师，在最近LLM逐渐改变生活的大背景下，猛然意识到LLM部署也是很重要的。大模型很火，而且确实有用（很多垂类场景可以针对去训练），并且和Vision结合的大模型也逐渐多了起来。所以怎么部署大模型是一个超级重要的工程问题，很多公司也在紧锣密鼓的搞着。 目前效果最好讨论最多的开源实现就是LLAMA，所以我这里讨论的也是基于LLAMA的魔改部署。 基于LLAMA的finetune模型有很多，比如效果开源最好的vicuna-13b和较早开始基于llama做实验的alpaca-13b，大家可以看：
可能有些朋友已经装了对应的Python版本和Conda了，我们先查看一下对应的版本。
以上就是python包和文件夹的区别，希望对大家有所帮助。更多Python学习指路：python基础教程
把C盘里面的东西移动到其他盘对文件有影响吗？普通文件如音频视频没有影响，但是如果是软件的话 下载的时候会在注册表中记录打开文件的路径，如果移动到其他盘的话注册表中的路径没有修改，再次打开 软件的时候就无法正常打开了
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM
