Jetson Orin Nano安裝torch torchvision

2024-08-23 16:12

本文主要是介绍Jetson Orin Nano安裝torch torchvision,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

#https://forums.developer.nvidia.com/t/pytorch-for-jetson/72048# 準備好2個文件放在Dir裏1. torch-2.1.0a0+41361538.nv23.06-cp38-cp38-linux_aarch64.whl 下載地址 https://forums.developer.nvidia.com/t/pytorch-for-jetson/72048 注意JetPack版本,我使用的是5.1.32. vision-0.16.1.tar.gz  下載地址  https://github.com/pytorch/vision/releases
sudo apt-get install python3-pip libopenblas-base libopenmpi-dev libomp-dev sudo apt-get install libjpeg-dev zlib1g-dev libpython3-dev libopenblas-dev libavcodec-dev libavformat-dev libswscale-dev sudo apt-get install libjpeg-dev libpng-dev pip3 install 'Cython<3' pip3 install numpy export DIR=/home/$USER/Documents/torch2.1cd $DIR
pip3 install torch-2.1.0a0+41361538.nv23.06-cp38-cp38-linux_aarch64tar -zxvf vision-0.16.1.tar.gzcd vision-0.16.1python3 setup.py install --user
# 驗證
#cd ../  必須要離開vision的目錄
#python3
#import torchvision
#print(torchvision.__version__)#  版本對應
#    PyTorch v1.0 - torchvision v0.2.2
#    PyTorch v1.1 - torchvision v0.3.0
#    PyTorch v1.2 - torchvision v0.4.0
#    PyTorch v1.3 - torchvision v0.4.2
#    PyTorch v1.4 - torchvision v0.5.0
#    PyTorch v1.5 - torchvision v0.6.0
#    PyTorch v1.6 - torchvision v0.7.0
#    PyTorch v1.7 - torchvision v0.8.1
#    PyTorch v1.8 - torchvision v0.9.0
#    PyTorch v1.9 - torchvision v0.10.0
#    PyTorch v1.10 - torchvision v0.11.1
#    PyTorch v1.11 - torchvision v0.12.0
#    PyTorch v1.12 - torchvision v0.13.0
#    PyTorch v1.13 - torchvision v0.13.0
#    PyTorch v1.14 - torchvision v0.14.1
#    PyTorch v2.0 - torchvision v0.15.1
#    PyTorch v2.1 - torchvision v0.16.1
#    PyTorch v2.2 - torchvision v0.17.1
#    PyTorch v2.3 - torchvision v0.18.0

这篇关于Jetson Orin Nano安裝torch torchvision的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1099866

相关文章

pytorch torch.nn.functional.one_hot函数介绍

torch.nn.functional.one_hot 是 PyTorch 中用于生成独热编码(one-hot encoding)张量的函数。独热编码是一种常用的编码方式,特别适用于分类任务或对离散的类别标签进行处理。该函数将整数张量的每个元素转换为一个独热向量。 函数签名 torch.nn.functional.one_hot(tensor, num_classes=-1) 参数 t

torch.nn 与 torch.nn.functional的区别?

区别 PyTorch中torch.nn与torch.nn.functional的区别是:1.继承方式不同;2.可训练参数不同;3.实现方式不同;4.调用方式不同。 1.继承方式不同 torch.nn 中的模块大多数是通过继承torch.nn.Module 类来实现的,这些模块都是Python 类,需要进行实例化才能使用。而torch.nn.functional 中的函数是直接调用的,无需

RT-Thread(Nano版本)的快速移植(基于NUCLEO-F446RE)

目录 概述 1 RT-Thread 1.1 RT-Thread的版本  1.2 认识Nano版本 2 STM32F446U上移植RT-Thread  2.1 STM32Cube创建工程 2.2 移植RT-Thread 2.2.1 安装RT-Thread Packet  2.2.2 加载RT-Thread 2.2.3 匹配相关接口 2.2.3.1 初次编译代码  2.2.3.

nano 和 vim对比

nano 和 vim 是两种流行的文本编辑器,各有优缺点和适用场景。以下是对这两种编辑器的详细对比: Nano 优点: 1.简单易用:nano 的界面和命令非常简单,易于新手上手。所有的命令都列在屏幕底部,不需要记住复杂的命令。 2. 直接编辑:打开文件后可以直接开始编辑,不需要进入插入模式。 3. 轻量便捷:通常预装在大多数Linux发行版上,启动速度快。 缺点: 1.功能有限:相比于vim

torchvision.transforms.ToPILImage()使用

grid_img = torchvision.transforms.ToPILImage()(grid_img) torchvision.transforms.ToPILImage() 是一个类,后面的空括号 () 表示实例化这个类。 详细解释: 1. torchvision.transforms.ToPILImage(): 这是 torchvision.transforms 中的一个类

torch.backends.cudnn.benchmark和torch.use_deterministic_algorithms总结学习记录

经常使用PyTorch框架的应该对于torch.backends.cudnn.benchmark和torch.use_deterministic_algorithms这两个语句并不陌生,在以往开发项目的时候可能专门化花时间去了解过,也可能只是浅尝辄止简单有关注过,正好今天再次遇到了就想着总结梳理一下。 torch.backends.cudnn.benchmark 是 PyTorch 中的一个设置

torchvision数据集使用

文章目录 一、下载torchvision中的数据集文件二、断点知识点三、数据集形式建立四、展示数据集中的图片 一、下载torchvision中的数据集文件 这段代码是使用PyTorch的torchvision库来加载CIFAR-10数据集。 import torchvisiontrain_set = torchvision.datasets.CIFAR10(root="./

【稀疏矩阵】使用torch.sparse模块

文章目录 稀疏矩阵的格式coocsrcsc Construction of Sparse COO tensorsConstruction of CSR tensorsLinear Algebra operations(稀疏与稠密之间混合运算)Tensor methods and sparse(与稀疏有关的tensor成员函数)coo张量可用的tensor成员函数(经实测,csr也有一些可以用

【PyTorch】深入解析 `with torch.no_grad():` 的高效用法

🎬 鸽芷咕:个人主页  🔥 个人专栏: 《C++干货基地》《粉丝福利》 ⛺️生活的理想,就是为了理想的生活! 文章目录 引言一、`with torch.no_grad():` 的作用二、`with torch.no_grad():` 的原理三、`with torch.no_grad():` 的高效用法3.1 模型评估3.2 模型推理3.3

【PyTorch常用库函数】torch.add():张量的加法操作

🎬 鸽芷咕:个人主页  🔥 个人专栏: 《C++干货基地》《粉丝福利》 ⛺️生活的理想,就是为了理想的生活! 文章目录 前言一 、torch.add()函数的基本用法二、示例演示示例1:两个相同形状的一维张量相加示例2:两个不同形状的一维张量相加(错误示例)示例3:使用alpha参数进行加权加法 结尾 前言 PyTorch作为一