1.st-gcn环境搭建
2.海思芯片AI模型转换环境配置(MindStudio+ATC)
3.Caffe学习(二) —— 下载、码安编译和安装Caffe（源码安装方式）
4.神经网络、码安深度学习和机器学习模型可视化工具——Netron

st-gcn环境搭建

       搭建ST-GCN环境的码安步骤如下：

       一、硬件与系统准备

       推荐使用基于Ubuntu .的码安系统，可从浙大官网下载稳定版本的码安镜像。通过U盘启动制作Ubuntu系统盘，码安大庆wap源码完成格式化后使用深度制作工具进行系统安装。码安在桌面计算机中使用磁盘管理工具创建Ubuntu分区，码安一般GB空间足矣。码安通过BIOS设置将U盘设置为启动优先项，码安然后开始安装Ubuntu系统。码安

       二、码安安装Python3

       在Ubuntu系统中，码安将Python3设置为默认版本，码安使用pip进行包管理无需额外命令。码安在终端中通过快捷键或命令行操作完成Python3的安装。

       三、软件源配置

       使用国内服务器作为Ubuntu软件源，在线查询网站源码推荐使用阿里云提供的服务，无需额外配置。如果使用官方镜像，可能需要更新软件源以获取最新软件包。

       四、安装显卡驱动

       使用NVIDIA显卡的用户，需安装对应版本的驱动程序。通过三种方法之一：官方PPA源安装、下载并编译安装、添加官方PPA源后安装。

       五、安装CUDA和cuDNN

       检查NVIDIA显卡型号和系统内核版本，确保CUDA版本与驱动匹配。下载CUDA和cuDNN，按步骤安装，确保安装成功并验证。

       六、健身社交app源码安装Python3的pip虚拟环境

       在Python3环境下安装pip，所有pip命令都将在Python3环境中执行。创建虚拟环境管理目录，将虚拟环境添加到环境变量中，并创建Python3虚拟环境。

       七、安装torch和torchvision

       使用国内源安装torch和torchvision，可永久修改pip安装源。查看Python版本与对应torch版本的关系，确保兼容性。

       八、安装cmake

       使用cmake配置编译参数，安装cmake和cmake-gui，确保cmake操作顺利进行。

       九、安装opencv

       可以选择通过apt-get安装opencv-python或从源码构建。构建时注意解压、cocos网狐源码更新依赖、下载ippicv，确保opencv功能齐全。

       十、安装caffe

       从openpose提供的链接下载caffe源码，解压后修改Makefile配置参数，编译安装。

       十一、安装openpose

       在caffe目录下连接openpose，下载源码，配置编译参数，确保兼容性和接口接入，测试安装成功。

       十二、安装ffmpeg

       下载ffmpeg源码，安装依赖环境，配置并编译安装。云豹直播android源码推荐使用smplayer作为视频播放软件。

       完成上述步骤后，环境搭建就已基本完成。评估官方模型，训练自己的模型，进行样本示例展示。安装视频播放软件，如smplayer，用于观看可视化效果。欢迎指出错误与建议，祝您搭建成功！

海思芯片AI模型转换环境配置(MindStudio+ATC)

       在配置海思芯片AI模型转换环境时，直接在服务器上安装配置可能引发冲突，因此推荐在Docker环境中部署转换工具，以确保良好的隔离性，避免不同开发环境间的相互影响。以下是在Ubuntu容器中部署海思芯片模型转换相关工具的步骤：

       首先，拉取Ubuntu .的Docker镜像，检查当前已有的镜像。

       然后，创建一个容器并运行，该容器将提供可视化界面，便于操作。

       部署CANN环境，为后续使用海思芯片做好硬件准备。

       安装MindStudio，这是一个用于AI模型开发和调试的集成开发环境。

       接下来，安装模型压缩量化工具（如caffe），用于优化模型大小与性能。

       部署caffe框架，确保与MindStudio的兼容性。

       安装Caffe源代码增强包，扩展caffe的功能与性能。

       执行量化操作，通过caffe优化模型的精度与运行效率。

       模型转换采用图形开发方式与命令行开发方式，灵活适应不同需求。

       完成模型转换后，进行板端程序编译，确保模型可在海思芯片上正确运行。

       同步推理过程，验证模型转换效果。

       如果需要，安装模型压缩量化工具（如pytorch），并执行量化操作，以进一步优化模型。

       参考《模型压缩工具使用指南（PyTorch）.pdf》中第3章内容，深入了解PyTorch量化操作。

       配置aiitop sample打包环境，为模型部署做准备（可选）。

       容器中配置SSH连接，实现远程访问与管理（可选）。

       容器导出镜像，方便在不同环境中复用（可选）。

       遇到问题时，查阅FAQ寻求解决方案。

       本文使用Zhihu On VSCode完成撰写与发布。

Caffe学习(二) —— 下载、编译和安装Caffe（源码安装方式）

       采用caffe源码编译安装方式说明

       此方法仅适用于编译CPU支持版本的Caffe。推荐通过Git下载以获取更新及查看历史变更。

       主机环境配置

       系统环境：Ubuntu .

       步骤一：安装依赖库与Python 2.7

       步骤二：安装CUDA（注意：虽然仅编译CPU版本的Caffe，但安装CUDA时可能会遇到编译错误，需确保环境兼容性）

       编译Caffe

       步骤一：修改Make.config文件

       具体配置说明请参考我的另一篇博客（"Hello小崔：caffe(master分支)Makefile.config分析"）

       步骤二：执行make编译

       测试已通过

       步骤三：解决编译过程中的错误

       错误实例：ImportError: No module named skimage.io

       解决方法：执行sudo apt-get install python-skimage

       错误实例：ImportError: No module named google.protobuf.internal

       解决方法：执行sudo apt-get install python-protobuf

       更多错误解决办法，请参阅另一篇博客（"Hello小崔：caffe编译报错解决记录"）

神经网络、深度学习和机器学习模型可视化工具——Netron

       Netron是一款支持深度学习模型可视化的工具，其源码地址为github.com/lutzroeder/N...。Netron能够支持包括ONNX、TensorFlow Lite、Caffe、Keras、Darknet、PaddlePaddle等在内的多种深度学习模型。

       最近，我尝试使用Netron对基于PyTorch实现的textcnn模型进行可视化。为了实现这一点，我首先需要将该模型导出为torchscript文件，这可以通过参考PyTorch官方文档进行。代码实现如下：

       完成模型导出后，我下载并安装了Netron软件，随后将生成的模型拖拽到软件界面中。结果，Netron成功地对模型进行了可视化。此外，Netron还详细显示了模型的模块输入、输出以及其他相关信息，如上图所示。这个可视化过程清晰地展示了模型的内部结构，帮助我验证了代码实现与预期的一致性。

       我同样尝试使用Netron查看了基于bilstm+crf实现的模型，也获得了成功。Netron的实验性支持还包括PyTorch、TensorFlow、TorchScript等，因此，无论你使用哪种深度学习框架，都可以通过Netron进行模型可视化，进一步优化和理解你的模型。