紧接着前几天的事：非凡的日子，想起了当年的双(1080TI)显卡装机实录和炼丹炉买不起了:聊一聊这段日子的显卡行情之后，决定买一台整机玩玩。而当初，主机终于回！来！了！主机回来干什么，当然是——配置环境。老潘之前也有一些配置环境的文章，能够参考：ubuntu16.04下装置NVIDIA（cuda）-gtx965m相干步骤以及问题pytorch…

在应用过TVM、TensorRT等优良的机器学习编译优化零碎以及Pytorch、Keras等深度学习框架后，总感觉有必要从实践上对这些零碎进行一些剖析，尽管说在实践中学习是最快最间接的(指哪儿打哪儿、不会哪儿查哪儿)，但恶补一些对于零碎设计的一些常识还是十分有用了，权当是坚固一些根底了。

原文首发于公主号「oldpan博客」-> 原文链接在此~前言前一阵子忽然有了配主机的想法。呃，当然是为了搞深度学习。设想一下，亲手买下本人心仪的配件，而后用心组装起来，闻着显卡的香气，啊，满满的成就感。显卡料想着上RTX-3080或者3070，嗯，毕竟老潘曾经是打工人了，有点小钱，除了上缴，也应该犒劳犒劳一下本人了…

是的，有人对深度学习的局限性提供了一个证据：那就是当你数据比拟少的时候，深度学习的作用相比拟于其余传统的办法并没有什么劣势，相同成果还不如传统的办法。

图神经网络（Graph Neu做ral Networks, GNNs）是一种基于图构造的深度学习办法，从其定义中能够看出图神经网络次要由两局部组成，即“图”和“神经网络”。这里的“图”是图论中的图数据结构，“神经网络”是咱们相熟的深度学习NN构造，如MLP，CNN，RNN等。要理解图神经网络咱们须要先回顾一下“图”和“神经网络”的基本概念。

OUT OF MEMORY，显然是显存装不下你那么多的模型权重还有两头变量，而后程序奔溃了。怎么办，其实方法有很多，及时清空两头变量，优化代码，缩小batch，等等等等，都可能缩小显存溢出的危险。

三天前，一个名为@deeptomcruise的TikTok账号开始公布好莱坞巨星汤姆-克鲁斯的视频片段，从打高尔夫到在意大利的一家男装店里被绊倒后讲笑话，再到用硬币表演魔术。在这三段视频中，克鲁斯每一段都会收回他标志性的狂笑，不过尽管所有这些视频中的人看起来都和汤姆-克鲁斯如此相像，但这些都不是克鲁斯，而是用深度伪造…

最近闲来无事，老潘以一名一般算法工程师的角度，联合本身以及四周人的状况，感性也理性地剖析一下极市平台前些天公布的2020年度中国计算机视觉人才调研报告。

本系列为新TensorRT的第一篇，为什么叫新，因为之前曾经写了两篇对于TensorRT的文章，是对于TensorRT-5.0版本的。好久没写对于TensorRT的文章了，所幸就以新来结尾吧~

前一阵子忍不住剁手买了M1芯片的mac mini，为了补救本人的内疚感就卖了本人的旧的mbp2017款。数据也齐全迁徙到了新机器上，之前的工作也就由mbp2017彻底换成mac mini了，要换就换彻底点，不要给本人了留后路，哼。