一、Pytorch及CUDA安装注意事项

        ①依据参考资料[3]，通过NVIDA控制面板查看计算机使用的GPU驱动程序版本；

        ②依据参考资料[2]及计算机GPU驱动程序版本，查阅显卡驱动对应的CUDA版本；

        ③依据参考资料[3]，分别下载对应版本的CUDA以及cuDNN。

        注：计算机GPU驱动程序版本有可能找不到CUDA的对应下载版本，但是CUDA遵循向下兼容原则。因此，我们可以选择GPU驱动程序对应版本的最近的旧版本进行CUDA的下载； Jupyter的Pytorch环境安装可参考资料[1]。

 （一）GPU

        图形处理器（Graphic Processing Unit）专用于执行在计算机上渲染图象、视频和动画所需的密集计算。其核数多，但每个核计算速度慢得多，非常适合简单的并行任务。

（二）CUDA

        CUDA（Computer Unified Device Architecture）是显卡厂商NVIDIA推出的运算平台。CUDA TM是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题，它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。

（三）cuDNN

        NVIDIA CUDA深度神经网络库（cuDNN）是GPU加速的用于深度神经网络的原语库。cuDNN为标准例程提供了高度优化的实现，例如前向和后向卷积、池化、规范化和激活层等。

        全球的深度学习研究人员和框架开发人员都依赖于cuDNN来实现高性能GPU加速。它使他们可以专注于训练神经网络和开发软件应用程序，而不必花时间在底层GPU性能调整上。cuDNN加速广泛使用的深度学习框架包括Caffe2、Chainer、Keras、MATLAB、MxNet、Pytorch和TensorFlow。

二、一些实践注意事项

（一）在自己设计网络时，需要注意__init__函数与forward函数应该具有相同的流程构造，__init__函数中的Conv2d、ReLU、BatchNorm2d、MaxPool2d等函数不能够因为输入参数一致就只实例化一次，多次使用的相同参数函数都要实例化不同名；

（二）在具体实践中，样本集的训练集、验证集和测试集的合理划分比例通常为6：1：3，并且该划分比例应该是基于单独样本类别的。

三、计算机视觉与机器学习学习笔记（入门体系）

        计算机视觉与机器学习的入门级笔记-Python文档类资源-CSDN下载

参考资料：

[1]win10 anaconda3环境安装pytorch并在jupyter中使用_一手阳光的博客-CSDN博客

[2]显卡驱动对应的cuda版本_kyle-fang的博客-CSDN博客_cuda版本 与显卡版本

[3]pycharm配置pytorch_huanglianghuang的博客-CSDN博客_pycharm pytorch

[4]适用于初学者的Pytorch神经网络编程教学_哔哩哔哩_bilibili

[5]deeplizard - Resources

[6][pytorch中文文档] torch.nn - pytorch中文网

[7]5-自动求导机制_哔哩哔哩_bilibili（唐宇迪课程）

[8]训练模型搭建_哔哩哔哩_bilibili

[9]pytorch 常用loss函数整理篇（一）_L1_Zhang的博客-CSDN博客_pytorch误差函数

[10] ResNet论文逐段精读【论文精读】 - 知乎（ResNet讲解）

[11] 深度学习与CV教程(2) | 图像分类与机器学习基础 - ShowMeAI - 博客园