苗栗網頁設計

先到 pytorch 官網 對應一下CUDA版本及指令

我的環境是：

• Python 3.10
• Nvidia driver 522.25
• Cuda 11.7
• Conda
• Cudnn 8.7

安裝方式可參閱此篇文章 ：Win10用 Anaconda 建 3070系列的 Tensorflow 深度進修情況


先下載CUDA 11.7 載點

下載安裝好以後，把CUDNN 三個目次COPY到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7下


到PyCharm 終端機下指令先建一個虛擬情況

進入OUTLOOK->帳戶設定


1.新增帳戶

最近Cpanel經常在進級從PHP 5 生到PHP 7 自動設定
本來安裝好的 OPENCART 3.0.2
變得不能上傳
點擊上傳圖片沒反應

近重新調試一段pytorch 程式碼，之前的伺服器上完全沒問題，但換了一台機械，重新安裝了新版本的cuda， anaconda ，pytorch 等，之前的程式碼呈現各種版本不合適的問題。
問題：
如今說說這個問題。運行pytorch 時呈現的情形以下：

jQuery分類過濾和排序結構插件-Isotope，jquery-isotope
Isotope是一款效果非常神奇的元素分類過濾和排序結構jQuery插件。Isotope是Masonry結構的作者David DeSandro的一款力作，該分類過濾和排序插件答應你以十分簡單和炫酷的體例來埋沒和顯示元素，和對元素依照指定的劃定規矩進行排序。
Isotope可以設置多種結構體式格局：masonry結構、程度結構、垂直結構、適合行結構、合適列結構等等。

情況 WIN10 RTX 3070 TI

設置裝備擺設一覽:

進入OUTLOOK->帳戶設定


1.新增帳戶

法式員的蒼茫－找尋不到價值

在浩蕩的軟件世界裡，作為一位通俗法式員，顯得十分細微，乃至會感到蒼茫。我們心裏崇敬手藝，卻也對日新月異的手藝抱有深深的驚駭。手藝市場就像這喜怒不定的老天爺，今全國個大數據雨，明天掛小我工智能風，面對琳瑯滿目標手藝海潮的衝擊，法式員難免深感無力，深怕錯過了技術潮水從而落空了職場競爭力。
有時辰我會思考莫非在技術範疇內接續緊跟新潮，不竭提陞妙技就是我的價值所在?那麼我是手藝的主人仍是手藝的奴隸？人之所以迷茫常常是找不到工作生活的重心，感受不到工作或生涯的價值。那麼什麼是價值呢？說的大一點就是我改變了世界，說的小一點就是我的所作所為改良了某些問題。若是不清晰本身的行為、目的、價值三者的關係，那麼又何來重心？又如何能分得清主要性與優先級呢？

法式員的渺茫不單單是面臨手藝複雜的無力感，更主要的是因為持久藏匿於軟件世界的浩蕩的分工體系中，沒法看清從業務到軟件架構的價值鏈條，沒法清晰定位自己在分工系統的位置，處置懲罰欠好本身與手藝、營業的關係而至。
許多法式員打心底不喜好營業，這一點我曾經也經歷過，我更寧願從事框架東西、手藝組件研究的相關工作。我有個朋友常常吐槽我說:"你們每天加班加點寫了那麼多代碼，然後呢？有改變什麼嗎？還不是寫出了一堆垃圾。"細心想一想很多時刻業務在我們腦海中存留的只是邏輯和流程，我們丟失的是對營業場景的感觸感染，對用戶痛點的體味，對營業發展的思慮。這些都是與價值慎密相幹的部份。我們很天然的用戰術的勤勞袒護計謀的懶惰！那麼如許的後果就是我們把本身限死在流水線的工位上，閹割了本身可以或許發現營業價值的能力，而過量關注新手藝對職場競爭力的價值。這也就是我們面臨複雜手藝，而產生技術進修焦慮症的底子緣由。

營業、手藝與軟件系統的價值鏈


那麼什麼是營業呢？就是指某種有目標的工作或工作項目，業務的目的就是解決人類社會與吃喝住行互相關註的範疇問題，包羅物資的需乞降精力的需求。
使展開業務舉止的主體和受眾都能獲得好處。通俗的講業務就是用戶的痛點，是營業供給方（好比公司）的盈利點。而技術則是解決問題的工具和手段。
好比為領會決用戶隨時隨地購物的營業問題時，法式員利用web技術構建電子商務App，而當需求進級為幫助用戶快速選購商品時，法式員會哄騙數據算法等手藝手段構建保舉引擎。
手藝若是離開了業務，那麼手藝利用就沒法很好的落地，手藝的研究也將失去場景和標的目的而營業離開了技術，那麼營業的開展就變得極爲昂貴和低效。

所以回過甚來我們想一想自己沒日沒夜寫了那麼多的代碼從而構建起來的軟件系統，它的價值安在呢？
說白了就是為認識決營業問題，所以當你所從事的工作內容其實不能為解決營業問題帶來多大扶助的時候，你應當要實時做出調整。
那麼軟件系統又是如何表現它本身的價值呢？在我看出處以下方面體現：

因搜索引擎改版，網站不能不改https
當網站安裝了SSL後，若何把網址自動轉成https？

在網頁目次－public_html，有一個檔案叫 .htaccess，編纂檔案內容，然後將以下轉向的劃定規矩寫在裡面：

寫法1:

Devrama Slider 是個圖象滑塊，帶有許多特別很是有趣的特征。

它不僅支撐圖像還撐持HTML 內容。響應式便利CSS3 轉換轉換結果進度條高級的預加載和延遲加載CSS 自定義用戶可以界說導航或節制器

再用bootstrap時，經常會碰到一些小細節須要修改

經常為了一些小問題找半天

GOOGLE半天也沒看到有人申明此問題

所以就只好本身來了

找到bootstrap.css

插手

ESP32 控制 TB6612FNG 直流馬達驅動∕節制板 請看這篇

 

OpenVino概念


圖改自https://www.learnopencv.com/using-openvino-with-opencv/#openvino-opencv
將已練習好的深度進修model經過Model Optimizer優化後
(何謂優化請見下面Model Optimizer條目)
經過Inference Engine  跟 硬體(CPU/ GPU /VPU)
到達加快Inference 的目的

★ Model Optimizer
      ●摘錄自:【AI_Column】應用 Intel OpenVINO 土炮自駕車視覺系統
       協助去除已練習好的模子中的冗餘參數，並可將 32bits 浮點數的參數降階，
      以犧牲數個百分點准確率來換取推論速度提升數十倍到百倍。

   ●把深度進修框架Train出來的model, 轉換成 Inference Engine 可以用的IR file
       今朝支援的深度學習框架有　Caffe*, TensorFlow*, MXNet*, and ONNX*.
     ●之前以為所有由Caffe*, TensorFlow*, MXNet*, and ONNX* 練習出的model
     都可以由Model Optimizer轉換成IR file  ，但看了 的Supported Models章節
     好像不是這麼一回事，需找一個底下沒提到的model來實行看看
     有成果我再更新
      Supported Models
        For the list of supported models refer to the framework or format specific page:
•        Supported Caffe* models
•        Supported TensorFlow* models
•        Supported MXNet* models
•        Supported ONNX* models
•        Supported Kaldi* models
   ●有script可以 configure Model Optimizer  以導入
     所有OpenVino supported的深度進修框架或單一深度進修框架
       若要手動configure Model Optimizer也有文件可以參考 ->  Model Optimizer Developer Guide.

★ IR file
   包括train model的topology 跟weight，利用者只要知道怎樣將
   練習好的model change to IR file，就可以使用OpenVino加快Inference

★ Inference Engine
   用來run 最好化後的深度學習model
   C:\Program Files (x86)\Intel\openvino_2021.4.689\
   deployment_tools\inference_engine\samples底下有放一些IE的samples   
   各Samples申明 　
   延長浏覽 → 如何run Inference Engine Samples
★ VPU plugin
    這份文件似乎在講怎樣的model能被vpu 支援
■OpenVino不供給Model Training
   OpenVino的model來源以我的理解就以下這幾種
   1.自己用OpenVino supported的深度進修框架去train  model
      或去Model Zoo下載所需model
1.        Caffe [ Model Zoo ]
2.        Tensorflow [ Model Zoo ]
3.        MxNet [ Model zoo ] 連結失效
4.        Open Neural Network Exchange (ONNX) [ Model zoo ]
   2.OpenVino裡面附的pre-trained model  
      不外紛歧定有符合你需求的
   3.OpenCV DNN sample model
■相關名詞
★ OpenVino用的是CNN( Convolutional Neural Networks )模型 ;
   還包括了Deep Learning Deployment Toolkit (Intel® DLDT).
    
      Convolution：影象->filter->擷掏出特徵，好比邊沿。
      此種進程叫做Convolution
★ OpenCV和OpenVX有什么联系和区别？
★ 機械進修
   機器進修理論首要是設計和分析一些讓電腦可以主動學習的演算法。
    機械進修演算法是一類從資估中主動闡明取得規律，並行使紀律對未知資料進行預測的演算法。
★ 深度學習
   是機械進修的分支。 深度進修框架對照
■若何安裝OpenVino
照著 安裝步驟做便可 (英文看不懂請自行克服)
-------------------------------------------------------------------------------------------------------------------------------
上述的工具都認識以後，接下來入手下手DEMO OpenVino附的兩個script
■Run the Image Classification Verification Script
   ★在C:\Program Files (x86)\IntelSWTools\openvino\deployment_tools\demo下
   可以找到demo_squeezenet_download_convert_run.bat。
   這個demo使用squeezenet model 判定照片中的Object屬於什麼類別
   可判定的類別有一千種，有哪一千種可以看底下這個檔案
   C:\Program Files (x86)\Intel\openvino_2021.4.689\
   deployment_tools\demo\squeezenet1.1.labels
   *路徑中的openvino_2019.1.148的2019.1.148這數字代表版本， 因此若安裝的OpenVino版本跟我分歧，那數字也會分歧
   *若安裝不只一個版本的OpenVino，分歧版本的OpenVino會有屬於本身的資料夾
   而openvino那個捷徑會指向最後安裝的那個版本
    
★這個batch的內容以下
   Step1 :  下載SqueezeNet model (利用downloader.py)
   Step2： 用 Model Optimizer 把SqueezeNet轉成IR file。
                (利用mo.py)
   Step3： Build Inference Engine samples
                batch檔履行過程當中， 會看到cmd 畫面卡在
                Build Inference Engine samples using MS Visual Studio (MSBuild.exe)一段時間
                請耐煩等待 。此步會產生 classification_sample.exe
   Step4： 把car.png & IR file看成iInference Engine的input 來剖析car.png
   ↓This is car.png
    

   ↓針對比片中的Object，分類前十名的成績依序從Prob.高到低擺列
   分類成績最高分數是sport car

   
★重跑demo_squeezenet_download_convert_run.bat
   跑過一次batch以後，若再執行一次batch，
   因為某些檔案跑過一次batch以後就已經存在了
   batch裡的寫法偵測到某些檔案存在以後就會疏忽掉某些Step
   若想要完整地再跑一次，需刪除以下檔案
   ●刪除model
   C:\Users\$(username)\Documents\Intel\OpenVINO\openvino_models
    \models\FP32\classification
   底下整個squeezenet 資料夾刪掉
   注意:FP32是針對CPU device的，若是VPU devide ，對應到的folder name是FP16

   ●刪除 IR       
   C:\Users\$(username)\Documents\Intel\OpenVINO\openvino_models\ir\FP32
    \classification\squeezenet\1.1\ 底下全部caffe 資料夾刪掉
   注意:FP32是針對CPU device的，若是VPU devide ，對應到的folder name是FP16
------------------------------------------------------------------------------------------------
■Run the Inference Pipeline Verification Script
★demo_security_barrier_camera.bat 這個batch的內容以下
Step1 : 下載 three pre-trained models IRs
Step2：build Security Barrier Camera Demo Inference Engine來剖析car1.bmp
Step3： 圖片裡的object會被第一個model判定成是車輛，
              這個判斷成績被看成input 導入到下一個model，
              這個model可以指出車輛的一些屬性 ex:車牌
              最後 車牌被看成input導入到第三個model，這個model可以把車牌的字元識別出
              會被稱做Pipeline 我想應該是辨認結果從第一個model傳到第三個model
             像水流在管線裡流動一樣吧...

        
★重跑全部bat
  跑過一次batch以後，有些step會被忽略掉，因為某些檔案已存在了
  若要乾乾淨淨的再跑一次，需要刪除以下檔案
  ●刪除 IR      
  C:\Users\$(username)\Documents\Intel\OpenVINO\openvino_models\
  ir\FP32\classification\squeezenet\1.1\
  底下整個caffe 資料夾刪掉

----------------------------------------------------------------------------------------------------------
以上典範榜樣是利用openvino在 CPU
若用其他intel 硬體， 比如movidius gpu vpu  FPGA or MYRIAD
請參考安裝文件中 Optional Steps這部分
-----------------------------------------------------------------------------------------------------------
■OpenVino PreTrained Model
★OpenVINO供應好幾個pre-trained models
可以用Model Downloader 或到
https://download.01.org/opencv/2019/open_model_zoo/　去下載
下載的model是被優化過的model，稱作IR file( xml 檔+ bin 檔)

★可在這邊 https://docs.openvinotoolkit.org/latest/_demos_README.html
Demos that Support Pre-Trained Models章節
看各個pre-trained model support哪些Device
Object Detection Models
裡面包括好幾個model可以用來偵測object
包括：人臉，人，車輛
Object Recognition Models
用來分類或特徵辨識，利用在其他detector以後。好比先做人臉偵測，再做年齡/性別辨識

Semantic Segmentation Models
原文網址：https://kknews.cc/zh-tw/tech/mgqvl9.html
語義朋分（Semantic Segmentation）的方針是給定一張圖片，對於圖片中的每個像素做分類。
例如圖1(a)中給出的原始輸入圖片，語義朋分算法對圖片中的每個像素分類，
得到如圖1(b)的效果。在圖1(b)中，分歧色彩代表分歧種別：
如紅色代表行人，藍色代表汽車，綠色代表樹，灰色代表建築物等。
語義分割問題在很多利用場景中都有著十分主要的作用（例如圖片理解，主動駕駛等）



Instance Segmentation Models
INSTANCE SEGMENTATION可以知道同類object的數量(不同顏色默示)
https://arxiv.org/pdf/1405.0312.pdf
 

Human Pose Estimation Models
Image Processing
提高影象品質


Text Detection
Action Recognition Models
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------
■Trouble Shooting
● 安裝時碰到CMake*/ Python* version  xxx or higher is not detected.
       

      ->Fixed by 安裝如提醒的CMake & Python版本後
      再重安裝一次OpenVino
● 電腦已經有安裝Python3.6.5了
      仍是會出現Python* version  xxx or higher is not detected.
      ->Fixed by 再安裝一次Python >選Modify  >勾選Add Python.....
      ->再安裝一次OpenVino就能夠了

      

● 執行demo_squeezenet_download_convert_run.bat前
      若沒有安裝cmake 會泛起以下Error
       'cmake' is not recognized as an internal or external command,
       operable program or batch file.
       ->Fixed by 安裝cmake
       請參考 Install CMake* 3.4 or higher章節
  ● 履行demo_squeezenet_download_convert_run.bat發生以下Err
      target_precision = FP32
      Python 3.6.6
      ECHO is off.
      PYTHONPATH=C:\Program Files (x86)\IntelSWTools\openvino\python\python3.6;
      [setupvars.bat] OpenVINO environment initialized
      INTEL_OPENVINO_DIR is set to C:\Program Files (x86)\IntelSWTools\openvino
      Python 3.6.6
      ECHO is off.
      Collecting pyyaml
      Retrying (Retry(total=4, connect=None, read=None, redirect=None, status=None)) after connection broken by       'ProxyError('Cannot connect to proxy.', OSError('Tunnel connection failed: 407 Proxy Authentication Required (         Forefront TMG requires authorization to fulfill the request. Access to the Web Proxy filter is denied.  )',))':                 /simple/pyyaml/
       ...
      Could not find a version that satisfies the requirement pyyaml (from versions: )
      No matching distribution found for pyyaml
      ->Fixed by 更改proxy設定
      按照Cannot connect to proxy這個訊息判定應當是proxy問題
      本來我是使用公司內網run script
      後來將proxy調劑成以下設定&連手機熱門就能夠執行了  
       
  ● 泛起以下Error
     ###############|| Generate VS solution for Inference Engine samples using cmake ||###############

     Waiting for 2 seconds, press a key to continue ...
     Creating Visual Studio 15 2017 x64 files in      
     C:\Users\$(userName)\Documents\Intel\OpenVINO\inference_engine_samples_build...
     CMake Error at CMakeLists.txt:7 (project):
     Generator
     Visual Studio 15 2017
     could not find any instance of Visual Studio.
     -- Configuring incomplete, errors occurred!
     ->fixed by reboot
    因為在安裝openvino之前我有開visual studio installer去 modify設定
    設定完後沒有依照唆使重開機
    是以泛起以上issue
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------
●其它參考保持
  - OPENvINO with openCV
  - 既跨平台又開源　英特爾開啟聰明視覺立異
    跨越20個預先訓練的模型，以及針對OpenCV和OpenVx的最佳化電腦視覺庫。
    OpenVINO對象套件可透過CPU、GPU、FPGA、Movidius VPU(AI晶片 )等硬體進行部署，
    加強視覺系統功能和機能
-   SqueezeNet
     SqueezeNet 是圖片分類模子，最適合參數較少及較小的模子利用，相較於現代圖片分類模子 (AlexNet)，
     不會犧牲品質。
-   C:\Program Files (x86)\Intel\openvino_2021.4.689\documentation