今日继续学习树莓派4B 4G：（Raspberry Pi，简称RPi或RasPi）
本人所用树莓派4B 装载的系统与版本如下:
版本可用命令 (lsb_release -a) 查询:
Python 版本3.7.3：
本文很水，就介绍一下我以后的学习使用PC训练深度学习模型，然后给树莓派推理的开发想法
为何在PC端安装pytorch环境：
模型训练通常对硬件要求较高，但推理阶段对硬件的要求相对较低。这允许你将模型部署到各种边缘设备上，如树莓派。
使用树莓派进行PyTorch深度学习模型的训练，虽然技术上可行，但通常不是最优选择，主要因为树莓派的计算能力和内存资源相对有限。
因此，在更高性能的Windows电脑上先训练好模型，然后再将训练好的模型部署到树莓派上进行推理（即使用模型进行预测或分类等操作）的做法是非常提倡的，也是实际应用中常见的做法。
- 模型兼容性：确保在Windows上训练的模型能够无缝迁移到树莓派上。这通常不是问题，因为PyTorch模型是跨平台的，但你需要确保所有依赖库（如PyTorch本身）在树莓派上也是兼容的。
- 性能优化：虽然树莓派足以进行推理，但可能需要对模型进行量化或剪枝等优化措施，以进一步提高在树莓派上的运行效率。
- 数据传输：如果模型或数据集非常大，可能需要考虑如何将它们从Windows电脑传输到树莓派。确保有稳定且足够快的网络连接，或者使用外部存储设备（如USB驱动器）进行传输。
- 选择合适的模型：根据树莓派的性能限制，选择适合在边缘设备上运行的模型。
- 进行模型优化：在部署到树莓派之前，对模型进行必要的优化，如量化、剪枝等。
- 使用容器化技术：考虑使用Docker等容器化技术来打包和部署模型，以确保在不同环境下的一致性和可移植性。
- 测试与验证：在树莓派上充分测试模型，确保其在目标应用中的准确性和性能符合预期。
ONNX协议：
- 模型转换：将不同框架（如PyTorch、TensorFlow、MXNet等）训练的模型转换为ONNX格式，以便在其他框架或硬件上部署。
- 模型优化：利用ONNX Runtime等推理引擎对ONNX模型进行优化，提高模型的推理速度和效率。
- 模型部署：将ONNX模型部署到各种硬件和平台上，包括云端、边缘设备和移动端等。
初步认识Pytorch:
GPU加速
GPU加速是通过将数据和模型从CPU转移到GPU来实现的，从而利用GPU的并行计算能力来加速深度学习模型的训练和推理过程。
示例: 定义俩个比较大的矩阵进行运算，分别使用CPU与GPU进行运算比较
GPU运行了俩次，第二次所用时间小于CPU：
自动求导
PyTorch的自动求导机制是训练神经网络时的一个核心概念，它使得计算梯度变得简单而高效。
常用网络层
PyTorch提供了丰富的网络层实现，包括全连接层、卷积层、池化层、激活函数层等。
深度学习训练过程：
把图像拆分成以为像素阵列
匆匆结语:
没有实践的理论学习与查找资料真是枯燥无味......
配置个环境变量丝毫没有任何成就感，觉得很浪费时间...
