Advertisement

PyTorch-ARM-Builds：适用于ARM设备的非官方PyTorch及Torchvision版本

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
PyTorch-ARM-Builds提供针对ARM架构设备的非官方PyTorch和Torchvision库版本，便于在嵌入式系统或移动设备上进行深度学习开发。 pytorch-arm-builds 提供了非官方的 ARMv6、ARMv7 和 Aarch64 构建版本，适用于 Raspberry Pi 0、1、2、3、4 等设备及 Android 手机等平台。 ### 常见问题解答 #### 1. 构建过程 构建详细说明如下： - 这些是在带有 qemu-static chroot 的 Fedora x86_64 系统上进行的。 - armv6 版本在 Raspberry Pi Zero WH（运行 Raspbian） 上完成构建。 #### 2. 依赖关系 PyTorch 的 Python 包仅需要 numpy。建议使用发行版包管理器下载二进制版本，避免自行编译。还需其他一些依赖项如 openblas、libgom 和 pillow 等。 Python 解释器在导入时会警告缺失的模块。 Fedora 用户可以通过以下命令安装所需依赖： ```bash sudo dnf install ``` 请根据实际需要替换 `` 为具体的包名。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • PyTorch-ARM-Builds：适用于ARM设备的非官方PyTorch及Torchvision版本
    优质
    PyTorch-ARM-Builds提供针对ARM架构设备的非官方PyTorch和Torchvision库版本，便于在嵌入式系统或移动设备上进行深度学习开发。 pytorch-arm-builds 提供了非官方的 ARMv6、ARMv7 和 Aarch64 构建版本，适用于 Raspberry Pi 0、1、2、3、4 等设备及 Android 手机等平台。 ### 常见问题解答 #### 1. 构建过程 构建详细说明如下： - 这些是在带有 qemu-static chroot 的 Fedora x86_64 系统上进行的。 - armv6 版本在 Raspberry Pi Zero WH（运行 Raspbian） 上完成构建。 #### 2. 依赖关系 PyTorch 的 Python 包仅需要 numpy。建议使用发行版包管理器下载二进制版本，避免自行编译。还需其他一些依赖项如 openblas、libgom 和 pillow 等。 Python 解释器在导入时会警告缺失的模块。 Fedora 用户可以通过以下命令安装所需依赖： ```bash sudo dnf install ``` 请根据实际需要替换 `` 为具体的包名。
     
  • CBDNet-pytorch: 非官方的PyTorch版本CBDNet
    优质
    CBDNet-pytorch是一个非官方维护的项目，提供了使用PyTorch框架实现的CBDNet代码库。该项目旨在为希望在PyTorch环境中工作的研究人员和开发者提供便利。 CBDNet-火炬CBDNet的非官方PyTorch实现。 更新2021.04.02：该代码可能存在一些实现错误，请谨慎使用。 欢迎提交拉请求。 2020.12.04：我们使用新的数据集训练了CBDNet模型，PSNR（DND基准）从38.06提升到了39.63。 快速开始指南： - 下载数据集和预训练的模型。 - 将文件解压缩到data文件夹和save_model文件夹中，如下所示： ~/ data/ SIDD_train/ Syn_train/ DND/ images_srgb/ 保存模型路径为：~/ save_model/ checkpoint.pth.tar 训练模型： python tr
     
  • FixMatch-pytorch：非官方的PyTorch版本实现
    优质
    FixMatch-pytorch是由社区维护的一个非官方项目，提供了用PyTorch框架实现的FixMatch半监督学习算法。此代码库旨在为机器学习爱好者和研究者提供一个易于使用的实验平台。 这是FixMatch的非官方PyTorch实现。Tensorflow的官方实现在另一处提供。 该代码仅在使用RandAugment的情况下适用于FixMatch。 结果如下： CIFAR10数据集： 标签数量：40，250，4000 论文（RA）的结果为：86.19±3.37, 94.93±0.65, 95.74±0.05 本代码实现结果为：93.60, 95.31, 95.77 CIFAR100数据集： 标签数量：400，2500，10000 论文（RA）的结果为：51.15±1.75, 71.71±0.11, 77.40±0.12 本代码实现结果为：57.50, 72.93, 78.12 使用以下选项进行训练--amp --opt_level O2 --wdecay 0.001。 用法： 通过CIFAR-10数据集的4000个标记数据来训练模型。
     
  • Pytorch-StarGAN-Digits: 非官方Pytorch版本的StarGAN，适用于Digit-5数据集(MNIST...)
    优质
    Pytorch-StarGAN-Digits是一个非官方的Pytorch实现库，用于在MNIST等Digit-5数据集上运行StarGAN模型。 派托克·史塔根·迪格斯StarGAN的非官方Pytorch实现用于生成Digit-5数据集（包括MNIST、SVHN、SynDigits、MNIST-M和USPS）。典型的顶层目录布局如下： ``` ├── build # 编译文件 ├── docs # 文档文件 ├── src # 源代码文件 ├── test # 自动化测试 ├── tools ```
     
  • 非官方PyTorch版本的RandAugment重现：pytorch-randaugment
    优质
    pytorch-randaugment是一个非官方但功能强大的PyTorch库，实现了RandAugment数据增强技术，用于提高机器学习模型在图像分类任务中的性能和泛化能力。 PyTorch-Randaugment 是 RandAugment 的非官方 PyTorch 重新实现版本。大部分代码来自其他开源项目。介绍使用 RandAugment 可以在不依赖单独代理任务的情况下，对感兴趣的数据集训练模型。通过仅调整两个超参数（N 和 M），您可以获得与 AutoAugments 性能相竞争的效果。 安装方法： ``` pip install git+https://github.com/ildoonet/pytorch-randaugment ``` 用法示例： ```python from torchvision.transforms import transforms from RandAugment import RandAugment transform_train = transforms.Compose([ transforms.RandomCrop(32, padding=4), # 其他转换步骤... ]) ```
     
  • Docker-OpenWRT-ARM: 适用于 ARM 设备的 OpenWRT Docker 基础镜像
    优质
    简介：这是一个专为ARM设备设计的基础Docker镜像，内置了OpenWRT操作系统，便于用户在各种嵌入式环境中快速部署和开发网络应用。 该项目创建了一个基于 OpenWRT 的 Docker 基础镜像，可以在 Raspberry Pi 和其他支持 brcm2078 构建目标的设备上运行。通过更改所用的 openwrt rootfs 文件，它可以轻松地适应不同架构的需求。此外，该映像还注入了 qemu-arm-static 以允许在非 ARM 计算机中运行，并且这些计算机已按照相关说明设置了 binfmt。
     
  • ARM CMSIS 4.5.0官方版本文件.zip
    优质
    此ZIP文件为ARM CMSIS 4.5.0官方版本，内含针对 Cortex-M 系列处理器的标准外设库及驱动开发接口文档和示例代码，便于开发者进行高效嵌入式软件设计。 当时在开发Nordic设备时使用了KEIL软件，当然也可以用于其他设备。从KEIL官网下载该软件的速度很慢，差不多要下一下午才能完成。
     
  • RTM3D: PyTorch中的非官方RTM3D实现
    优质
    RTM3D是一款基于PyTorch开发的非官方实现工具，专为三维重建和理解任务设计，提供高效灵活的深度学习解决方案。 RTM3D-PyTorch是ECCV 2020论文的PyTorch实现版本，它基于单眼RGB图像进行实时3D对象检测，并支持张量板。该模型使用RESNET与关键点特征金字塔网络（KFPN），可以通过设置参数--arch fpn_resnet_18来选择架构。此外，还可以通过调整use_left_cam_prob参数来控制左右摄像机的图像输入。 在公式(3)中，由于log运算符不接受负值作为输入，因此不需要对dim进行归一化处理（因为归一化的dim值可能小于0）。为了适应这一情况，我直接回归到以米为单位的绝对尺寸值。对于深度估计，使用L1损失函数，并首先将sigmoid激活应用于深度输出。 在公式(5)中，我没有采用地面真实值的绝对值而是采用了相对值。而在式（7）中，则是用argmin替代了原文中的argmax操作符。这些修改旨在优化模型性能和准确性。
     
  • PyTorch-LiteFlowNet：与官方Caffe版兼容的PyTorch版本的重新实现
    优质
    简介：PyTorch-LiteFlowNet是基于PyTorch框架对LiteFlowNet模型的重制版本，确保了其与原生Caffe版本的功能和性能一致，为深度学习开发者提供了更多灵活性。 这是使用PyTorch对LiteFlowNet的个人重新实现。如果您要利用这项工作，请引用相关文献。另外，请确保遵守作者的规定。如果使用此特定实现，请适当确认。 关于原始Caffe版本，可以参考相应的文档或资源获取更多信息。 设置： 相关层是用CuPy在CUDA中实现的，因此安装CuPy是必需的步骤之一。可以通过`pip install cupy`来安装它，或者根据CuPy存储库中的说明使用提供的方法进行安装。如果想通过Docker运行，请查阅相关的pull请求以开始操作。 使用方法： 要在自己的图像对上运行此代码，请按照以下命令执行。可以选择三种不同的模型版本，在选择时请参考各型号的详细信息。 python run.py [options]
     
  • PyTorch-1.4.0-torchvision-0.5.0.zip
    优质
    此文件包含PyTorch 1.4.0和torchvision 0.5.0版本的库资源，适用于深度学习项目与计算机视觉任务。 《PyTorch 1.4.0与torchvision 0.5.0：深度学习环境构建详解》 本段落主要介绍如何在Windows 10 64位系统上配置Python 3.7.1、CUDA 10.0和最新版本的PyTorch（1.4.0）以及torchvision（0.5.0）。此组合已被验证为有效且稳定的深度学习开发环境。 首先，我们将探讨PyTorch 1.4.0。这一版提供了许多性能改进与新特性，包括优化了多GPU支持、引入更多操作符以增强自动微分功能，并简化模型构建和训练过程。对于初学者而言，动态计算图模式使得代码编写更加直观；而对于有经验的开发者来说，则可以利用丰富的API进行复杂模型开发。 接下来是torchvision 0.5.0版本介绍。该版包含了许多常用的预训练模型（如ResNet、VGG等）和数据集处理工具（例如ImageFolder及dataset transformations）。通过使用model zoo中的直接下载使用的模型，开发者能够快速启动计算机视觉项目，并利用迁移学习技术进行微调。 为了在Win10_64+CUDA10.0+Python3.7.1环境下安装PyTorch和torchvision，请确保系统已正确配置了CUDA驱动程序及支持的NVIDIA显卡。然后，可以通过pip命令或Anaconda等包管理器根据具体需求选择合适的安装方法。 在实际应用中，请注意以下几点： - **GPU配置**：确认已经安装并设置好NVIDIA驱动和CUDA工具包，并且版本与PyTorch兼容。 - **Python环境**：确保所用的Python版本符合要求，避免因不匹配而引发的问题。 - **依赖库**：检查numpy、pillow等必要库是否已正确安装。 - **数据预处理**：使用torchvision提供的函数来准备适合模型输入格式的数据集。 - **模型训练**：理解自动微分和损失函数，并利用PyTorch的优化器进行有效训练。 - **保存与加载模型**：掌握如何持久化存储及恢复模型权重，以便于后续开发工作。 通过上述指导步骤，你将能够成功搭建一个用于深度学习研究与实践的强大平台。此配置经过测试证明稳定可靠，可作为构建类似项目的参考依据。