1.[技术随笔]🛠🛠从源码安装Pytorch3D详细记录及学习资料
2.树莓派安装pytorch，码安史上最全方法合集（附安装链接）
3.Jetson nano部署Yolov8
4.pytorch 源码解读进阶版 - 当你 import torch 的码安时候，你都干了些什么？（施工中）
5.如何安装kmeans包
6.DGL-KE 安装及使用

[技术随笔]🛠🛠从源码安装Pytorch3D详细记录及学习资料

       在启动安装Pytorch3D之前，码安首要任务是码安选择合适的pytorch基础镜像。我选择了包含CUDA组件和驱动的码安pytorch 1.9的devel版本，以确保满足Pytorch3D对于pytorch和cuda版本的码安15源码反码补码要求。我使用的码安是python 3.7、pytorch 1.9和cuda.2，码安前提是码安你已经在宿主机上配置好了显卡驱动和nvidia-docker，以便在容器内映射宿主机的码安显卡信息。

       在安装前，码安确保nvcc编译器、码安CUDA工具箱和驱动正常运行，码安并且安装了git、码安vim、码安sudo和curl等基础工具。

       下一步是配置CUB工具。按照Pytorch3D的安装文档，为了支持CUDA，需要先配置CUB，并设置CUB_HOME环境变量。由于选择的镜像包含CUDA，编译过程中会自动包含cuda。为保险起见，可以指定FORCE_CUDA环境变量为1。

       从源码编译Pytorch3D时，避免了使用conda可能遇到的招聘app 源码依赖冲突问题。在确认前两步没有问题后，编译过程通常顺利。安装完成后，检查日志和pytorch3d的版本信息。

       为了验证Pytorch3D的正常运行，从ARkit中导出BS系数，尝试使用它渲染一个简单的白模，并利用GPU。观察到显卡被充分利用，表明设置正确，可以进行后续操作。

       在完成安装并验证Pytorch3D的功能后，可以参考收集的资料来探索其更高级的用法。以下是几个示例：

       从Pytorch3D文档中获取的教程和代码示例。

       开源社区的讨论和问题解答，特别是与Pytorch3D相关的话题。

       个人经验分享和案例研究，可以在GitHub、Stack Overflow等平台找到。

       通过这些资源，您可以深入学习Pytorch3D的功能和应用，进一步拓展其在计算机图形学、三维重建和深度学习等领域的应用。

树莓派安装pytorch，史上最全方法合集（附安装链接）

       在树莓派上安装PyTorch是一项挑战，特别是源码写个网站对于arm架构的设备。以下是详细的安装步骤合集，旨在帮助你顺利搭建。

       1. 位系统下的PyTorch安装

       虽然官方提供的树莓派系统为位，但部分库可能不支持。如果你的项目库在位下可用，可参考此部分。同时，这里会涉及到基础配置，如SSH、VNC和Python3.7的安装。

       2. 代理设置

       仅对git操作提供代理设置，如果你有其他方式，可跳过此步骤。

       3. 位系统源码编译

       由于官方资源无法满足需求，可能需要自编译。尽管遇到困难，但这是推荐的方法，因为自己编译更放心。注意编译过程中的问题和解决办法。

       4. 位系统安装

       转向位系统是解决一些兼容问题的明智选择。位系统安装更为直接，但需注意官方隐藏的位系统链接。

       位PyTorch安装

       找到并使用现成的位wheel文件，如大神仓库提供的资源，以简化安装过程。

       5. 环境测试与问题调试

       安装后进行测试，变态猫源码可能会遇到小问题，如权限问题或torchvision的配置。逐步调试，确保每个步骤都正确无误。

       结论与总结

       虽然过程曲折，但通过一步步的配置和尝试，最终实现了gloo分布式环境。记住，配置过程中遇到问题不要慌张，耐心解决每一个问题，一步步来，总会成功。如有任何疑问，本文作者愿意提供帮助和分享资源。

       年8月日更新：已更新轮子文件链接，欢迎收藏和分享，共同进步。

Jetson nano部署Yolov8

       于年1月日成功完成了Jetson nano B的Yolov8部署，无需科学上网，准备工作包括U盘。

       1. 安装流程首先从官网获取Jetson nano开发者套件SD卡镜像并下载（压缩文件需解压）。

       1.2 使用Etcher工具进行烧录

       2. 配置Python环境：推荐Python 3.8，因ultralytics要求。创建独立环境，具体步骤如下：

       2.1 安装基础环境

       2.2 下载Python 3.8源代码至Jetson Nano

       2.3 解压并进入Python-3.8.文件夹进行后续操作

       2.4 到Python-3.8.中编译并配置Python环境

       3.1 安装PyTorch和Torchvision：由于平台不兼容，需手动下载预编译和编译安装

       3.2 将下载的wap支付源码文件传输至U盘，通过终端在Jetson nano中安装

       3.3 安装ultralytics，注意在激活独立环境后操作

       4. 使用时，每次启动需打开独立环境，可能遇到libomp.so.5库缺失，需安装OpenMP库解决

       5. 个人简介：拥有丰富的学习和竞赛经历，目前准备出国留学，目标是新加坡国立大学的机器人学研究生

       5.2 可通过以下方式联系：

       CSDN主页，小红书和抖音，Gitee和Github代码仓库，以及ac@.com邮箱和微信。

pytorch 源码解读进阶版 - 当你 import torch 的时候，你都干了些什么？（施工中）

       使用PyTorch，无论是训练还是预测，你首先编写的代码通常如下所示：

       依据Python代码的编写规则，导入逻辑将去相应的PyTorch site-package目录寻找__init__.py文件，具体路径为：${ python_path}/lib/python3.8/site-packages/torch/__init__.py

       本章节聚焦于__init__.py 这个Python文件，从这里开始深入剖析，探究在一行简单的`import torch`命令背后，PyTorch是如何完成关键基础设置的初始化。

       重点一：从`from torch._C import *`开始

       在__init__.py 中，首先跳过一些系统环境的检查和判断逻辑，核心代码段为`from torch._C import *`，具体位置如下（github.com/pytorch/pytorch...）：

       这代表了典型的C++共享库初始化过程，遵循CPython代码组织规则，`torch._C`模块对应一个名为PyInit__C的函数。在文件torch/csrc/stub.c中，找到了此函数的相关定义（github.com/pytorch/pytorch...）。

       initModule被视为PyTorch初始化过程中的第一层调用栈，深入探讨此函数中的关键内容。

如何安装kmeans包

       å®‰è£…kmeans包方法：

       1、根据查询相关资料信息得知安装kmeans包先打开终端或Anacondaprompt。

       2、解码jar为对应的源码包。

       3、输入kmeanspytorch，等待安装完成即可。

       4、安装完成删除安装包，方便打开。

DGL-KE 安装及使用

       DGL-KE 现在兼容 Python3.5 及以上版本，内部基于 PyTorch 框架构建。

       安装步骤如下：首先安装 PyTorch，命令为 pip3 install torch；接着安装 DGL，使用 pip3 install dgl==0.4.3；最后安装 DGL-KE，执行 pip3 install dglke。

       通过源码编译也是可行的。

       安装完成后，运行测试命令，将自动下载 FBK 数据集并进行训练。

       DGL-KE 提供了5个开源数据集，无需准备数据即可直接使用命令训练。

       每个数据集包含5个文件。命令格式如下，只需修改 --dataset 参数以选择不同的数据集。

       对于自定义图谱数据的训练，命令与公开数据集类似，需要按照指定格式加载数据文件。

       以下是使用单个GPU机器训练的命令示例，主要关注参数设置和数据文件格式。

       在训练过程中，如遇到GPU不可用的情况，可移除GPU相关命令，以便使用CPU运行。

       训练、预测及相似度计算的命令如下：

       训练命令：DGLBACKEND=pytorch dglke_train --model_name TransR --data_path data/own_kg --data_files train.txt test.txt valid.txt --format raw_udd_hrt --dataset own_kg --batch_size --log_interval --neg_sample_size --regularization_coef=1e-9 --hidden_dim --gamma .9 --lr 0. --batch_size_eval --test -adv --gpu 1 --max_step

       预测命令：DGLBACKEND=pytorch dglke_predict --model_path /root/lv_my_task/ckpts/TransE_l1_own_kg_0 --format 'h_r_*' --data_files head.list rel.list --score_func logsigmoid --topK 5 --raw_data --entity_mfile /root/lv_my_task/data/own_kg/entities.tsv --rel_mfile /root/lv_my_task/data/own_kg/relations.tsv

       计算相似度命令：DGLBACKEND=pytorch dglke_emb_sim --emb_file /root/lv_my_task/ckpts/TransE_l1_own_kg_0/own_kg_TransE_l1_entity.npy --format 'l_*' --data_files head.list --topK --raw_data --mfile /root/lv_my_task/data/own_kg/entities.tsv

NVIDIA Jetson NX安装torchvision教程

       安装 torchvision 前，先确保已安装 pytorch，参考相关教程进行操作。

       首先，切换至国内软件源，执行更新操作。

       安装 torchvision 所需依赖。

       使用 dpkg 手动安装时，注意到 libpython3-dev 未有候选版本，需手动安装。安装其他依赖已满足。

       下载 arm 架构的 libpython3-dev_3.6.7-1~._arm.deb 包，确保版本与当前 python3（3.6.9）兼容。

       使用 dpkg -i 安装 deb 包，若遇到依赖问题，直接在网页中查找所有依赖的下载链接。

       安装 libpython3-dev 的依赖 libpython3.6-dev 时，出现版本不正确的错误。分析后发现 libpython3.6-dev 需要的版本为 3.6.9-1~.ubuntu1.4，已有的版本为 3.6.9-1~.，因此安装 libpython3.6-dev 的候选版本 libpython3.6-stdlib 中最后一个版本，即为所需版本 3.6.9-1~.ubuntu1.4。

       安装 torchvision 源码，确保 pytorch 和 torchvision 版本匹配，如 torch 1.6 版本对应 torchvision 0.7.0 版本。

       使用码云账号注册并导入 torchvision 仓库，完成代码下载。

       进入 torchvision 目录，使用命令编译，通常需时约十分钟。

       当出现 pillow 报错时，说明 torchvision 近于安装成功。返回上一级目录，使用 pip/pip3 安装 pillow。

       若下载速度慢，可使用国内豆瓣源下载安装 pillow。

       安装 pillow 后，再次尝试导入 torch 仍报错，需再次进入 torchvision 目录进行编译安装。这次配置完成迅速。

       使用 pip3 list 查看已安装包及版本，确认 torchvision 安装完成。

       执行卷积神经网络训练，速度比本地快四倍。使用 jtop 监控 CPU、GPU 运行情况，观察在 Jetson Nano 上使用 pytorch 并设置 CUDA 进行训练时，主要由 GPU 执行计算，W 功率能达到的算力相当不错。

ComfyUI学习笔记，ComfyUI安装

       欢迎来到ComfyUI的学习之旅！这是一篇关于ComfyUI的安装步骤的笔记，旨在帮助您顺利完成安装并启动使用。

       安装流程分为两种方式：一种是使用ComfyUI官方提供的整合包，另一种是通过git克隆源代码。官方整合包提供了运行所需的全部环境，操作简单。您只需下载一个压缩包（7z格式），使用常见解压软件将其解压。解压后，您将看到一个名为“python_embeded”的文件夹，其中包含了运行所需的Python环境、pytorch及其他包。

       启动运行有两种选择：如果您没有Nvidia显卡，可选择“run_cpu.bat”；若有Nvidia显卡，推荐使用“run_nvidia_gpu.bat”。双击相应的脚本即可启动。

       启动后，您将看到一个默认地址为“.0.0.1:”的网页窗口，这代表安装和启动已成功完成。如果需要安装模型文件，只需将它们放在“models/checkpoints”文件夹下，并通过点击右侧的“Refresh”按钮刷新列表。新添加的模型文件将立即显示在左侧的“Load Checkpoint”中。

       对于那些已经安装了Stable Diffusion webui的用户，可以通过git克隆ComfyUI源代码，借助webui的环境来启动。首先，您需要将源代码克隆到本地。如果您不熟练使用命令行，也可以使用GitHub官方客户端操作。

       接着，激活webui目录下的venv环境，选择使用conda启动或指定webui安装文件夹下的venv里的python来运行。具体步骤根据您之前安装webui的方式决定。

       对于手动安装的需求或特定硬件（如AMD显卡在Linux环境下），请参考ComfyUI官网提供的详细步骤。无论是Windows、Mac还是Linux环境，ComfyUI都能满足您的需求。

       最后，希望这篇笔记能帮助您顺利完成ComfyUI的安装，并开始您的生成之旅。欢迎在过程中遇到任何问题时，寻求进一步的帮助和指导。祝您学习顺利！