Blendtorch是一个 Python 框架，可将 Blender 无缝集成到 PyTorch 数据集，以便从人工视觉数据中进行深度学习。利用 Eevee，一种新的基于物理的实时渲染器，实时合成图像和注释，从而避免在许多情况下停止模型训练。
功能总结
- 数据流：实时将分布式 Blender 渲染直接流式传输到 PyTorch 数据管道中。
- OpenAI Gym 支持：创建和运行远程控制的 Blender Gym 来训练强化代理。
下图显示了在为现实世界检测任务生成人工训练数据的上下文中使用的Blendtorch的基本概念。
安装
Blendtorch 是由两个不同的子包：bendtorch.btt和blendtorch.btb组成。
先决条件
- Blender >= 2.83/2.91 (Python 3.7)
- PyTorch >= 1.50 (Python 3.7/3.8) 运行 Windows 10 和 Linux
克隆这个仓库
git clone https://github.com/cheind/pytorch-blender.git 确保 Blender 可执行文件在你的环境中查找PATH。在 Windows 上，这可以通过
set PATH=c:\\Program Files\\Blender Foundation\\Blender 2.91;%PATH%完整的 Blender 设置
至少打开一次 Blender，并完成初始设置。如果错过这一步，某些测试（尤其是与 RL 相关的测试）将失败（Blender 2.91）。
安装 Blendtorch Blender 部分
blender --background --python /scripts/install_btb.py
安装 Blendtorch PyTorch 部分
pip install -e /pkg_pytorch
安装blendtorch-btt到您打算从中运行 PyTorch 的 Python 环境中。虽然不是必需的，但如果您打算使用 Blendtorch 进行强化学习，建议安装 OpenAI Gym
pip install gym
-
Python 是一种通用的高级编程语言，广泛用于数据科学和生成深度学习算法。这个简短的教程介绍了 Python 及其库，如 Numpy，Scipy，Pandas，Matplotlib，像 Theano，TensorFlow，Keras 这样的框架。
-
你拿起这本书的时候，可能已经知道深度学习近年来在人工智能领域所取得的非凡进展。在图像识别和语音转录的任务上，五年前的模型还几乎无法使用，如今的模型的表现已经超越了人类。
-
主要内容 课程列表 专项课程学习 辅助课程 论文专区 课程列表 课程 机构 参考书 Notes等其他资料 卷积神经网络视觉识别 Stanford 暂无 链接 神经网络 Tweet 暂无 链接 深度学习用于自然语言处理 Stanford 暂无 链接 自然语言处理 Speech and Language Processing 链接 专项课程学习 下述的课程都是公认的最好的在线学习资料，侧重点不同，但推
-
Google Cloud Platform 推出了一个 Learn TensorFlow and deep learning, without a Ph.D. 的教程，介绍了如何基于 Tensorflow 实现 CNN 和 RNN，链接在 这里。 Youtube Slide1 Slide2 Sample Code
-
torch是什么 torch就是诸多深度学习框架中的一种 业界有几大深度学习框架：1）tensorflow，谷歌主推，时下最火，小型试验和大型计算都可以，基于python，缺点是上手相对较难，速度一般；2）torch，facebook主推，用于小型试验，开源应用较多，基于lua，上手较快，网上文档较全，缺点是lua语言相对冷门；3）mxnet，大公司主推，主要用于大型计算，基于python和R，缺
-
我太菜了，C++需要恶补才行，面试完基本上就知道自己寄，面试官特别好给我说了很多，也让我充分认识到自己的不足 如果是项目的话，会问你项目背景以及项目最终的实现结果等等 如果是自己学习的项目的话，会问你对这个项目的学习心得 最后问对C++对掌握程度 实现vector
-
现在开始学深度学习。在这部分讲义中，我们要简单介绍神经网络，讨论一下向量化以及利用反向传播(backpropagation)来训练神经网络。 1 神经网络(Neural Networks) 我们将慢慢的从一个小问题开始一步一步的构建一个神经网络。回忆一下本课程最开始的时就见到的那个房价预测问题：给定房屋的面积，我们要预测其价格。 在之前的章节中，我们学到的方法是在数据图像中拟合一条直线。现在咱们不
-
深度学习的总体来讲分三层，输入层，隐藏层和输出层。如下图： 但是中间的隐藏层可以是多层，所以叫深度神经网络，中间的隐藏层可以有多种形式，就构成了各种不同的神经网络模型。这部分主要介绍各种常见的神经网络层。在熟悉这些常见的层后，一个神经网络其实就是各种不同层的组合。后边介绍主要基于keras的文档进行组织介绍。