CUDA、python、pytorch、mmcv-full、mmdet版本对照表

Ne0inhk

— 3 min read

Python、Pytorch、CUDA版本对应表
高版本CUDA可兼容低版本

PyTorch 版本Python 支持版本CUDA 10.1CUDA 10.2CUDA 11.1CUDA 11.3CUDA 11.6CUDA 11.7CUDA 11.8安装指令中 CUDA tag
2.1.03.8–3.11❌❌❌❌✅✅✅+cu117, +cu118
2.0.13.8–3.11❌❌❌❌✅✅✅+cu117, +cu118
1.13.13.7–3.10❌✅✅✅✅✅✅+cu117, +cu116, etc.
1.12.13.7–3.10❌✅✅✅✅✅✅+cu116, +cu115, etc.
1.11.03.6–3.9❌✅✅✅✅❌❌+cu113, +cu102
1.10.03.6–3.9✅✅✅✅❌❌❌+cu113, +cu102, +cu101
1.9.03.6–3.9✅✅✅❌❌❌❌+cu111, +cu102, +cu101
1.8.03.6–3.9✅✅✅❌❌❌❌+cu111, +cu102, +cu101
1.7.13.6–3.8✅✅❌❌❌❌❌+cu110, +cu102, +cu101
1.6.03.6–3.8✅✅❌❌❌❌❌+cu102, +cu101
1.5.13.5–3.8✅✅❌❌❌❌❌+cu102, +cu101
1.4.03.5–3.8✅✅❌❌❌❌❌+cu101, +cu100

 PyTorch 、 CUDA、mmcv 版本组合
详情见官网：安装 MMCV — mmcv 1.4.1 文档

mmcv-full、mmdet版本组合

MMDetection versionMMCV version
mastermmcv-full>=1.3.17, <1.5.0
2.19.1mmcv-full>=1.3.17, <1.5.0
2.19.0mmcv-full>=1.3.17, <1.5.0
2.18.0mmcv-full>=1.3.17, <1.4.0
2.17.0mmcv-full>=1.3.14, <1.4.0
2.16.0mmcv-full>=1.3.8, <1.4.0
2.15.1mmcv-full>=1.3.8, <1.4.0
2.15.0mmcv-full>=1.3.8, <1.4.0
2.14.0mmcv-full>=1.3.8, <1.4.0
2.13.0mmcv-full>=1.3.3, <1.4.0
2.12.0mmcv-full>=1.3.3, <1.4.0
2.11.0mmcv-full>=1.2.4, <1.4.0
2.10.0mmcv-full>=1.2.4, <1.4.0
2.9.0mmcv-full>=1.2.4, <1.4.0
2.8.0mmcv-full>=1.2.4, <1.4.0
2.7.0mmcv-full>=1.1.5, <1.4.0
2.6.0mmcv-full>=1.1.5, <1.4.0
2.5.0mmcv-full>=1.1.5, <1.4.0
2.4.0mmcv-full>=1.1.1, <1.4.0
2.3.0mmcv-full==1.0.5
2.3.0rc0mmcv-full>=1.0.2
2.2.1mmcv==0.6.2
2.2.0mmcv==0.6.2
2.1.0mmcv>=0.5.9, <=0.6.1
2.0.0mmcv>=0.5.1, <=0.5.8
mmdet 版本mmcv-full 版本mmengine 版本PyTorch 推荐版本支持 CUDA 版本架构说明
3.3.0≥2.1.0≥0.10.01.10 ~ 2.211.3 ~ 12.x全新 MMEngine 架构
3.2.x2.0.1 ~ 2.0.2≥0.9.01.10 ~ 2.111.3 ~ 11.8新架构适配中
3.0.02.0.0≥0.7.11.10 ~ 2.011.1 ~ 11.7MMEngine 初期版本
2.28.21.7.0❌ 不需要1.10 ~ 1.1310.2 ~ 11.6经典架构最后版本
2.26.01.6.2❌1.8 ~ 1.1210.1 ~ 11.3适合向前兼容
2.24.11.5.2❌1.8 ~ 1.1010.1 ~ 11.1适合旧项目迁移
2.20.01.4.8❌1.7 ~ 1.1010.0 ~ 10.2✅ 适合 CUDA 10.1
2.18.11.3.18❌1.6 ~ 1.910.0 ~ 10.2VisDrone 项目常用
2.11.01.2.6❌1.6 ~ 1.810.0 ~ 10.1稳定性不错
2.5.01.1.5❌1.5 ~ 1.610.0较早期版本
2.0.01.0.0❌1.4 ~ 1.59.2 ~ 10.0V2架构起点
1.2.00.6.2❌1.49.2mmdet 早期版本

Read more

机器学习-聚类分析算法

机器学习-聚类分析算法

一、聚类分析的定义 聚类分析是一种无监督学习的统计分析方法。它的主要目的是将一个数据集中的样本（或观测值）按照某种相似性或距离度量划分成若干个类别（簇）。在聚类过程中，同一个簇内的样本具有较高的相似性，而不同簇之间的样本相似性较低。例如，在市场细分中，企业可以利用聚类分析将消费者划分为不同的群体，每个群体内的消费者在消费习惯、偏好等方面相似，而不同群体之间存在明显差异。 二、聚类和分类的区别 （一）学习方式 • 聚类 • 无监督学习：聚类分析不需要预先定义的类别标签。在聚类过程中，算法自己通过数据的内在结构来发现数据的分组模式。例如，在对文本数据进行聚类时，没有事先告诉算法每篇文本属于哪个主题类别，算法通过分析文本内容的相似性（如词语的共现频率等）来将文本分成不同的簇，每个簇可能对应一个主题。 • 分类 • 有监督学习：分类任务需要有标记的训练数据。这些数据已经明确地标注了每个样本所属的类别。算法通过学习这些已标记数据的特征和类别之间的关系来构建分类模型。例如，在垃圾邮件识别中，训练数据包含已经被标记为“垃圾邮件”或“非垃圾邮件”的邮件样本。分类算法会根据这些标记好的

By Ne0inhk
【数据结构与算法】单链表综合练习：1.删除链表中等于给定值 val 的所有节点 2.反转链表 3.链表中间节点

【数据结构与算法】单链表综合练习：1.删除链表中等于给定值 val 的所有节点 2.反转链表 3.链表中间节点

🔥小龙报：个人主页 🎬作者简介：C++研发，嵌入式，机器人等方向学习者 ❄️个人专栏：《C语言》《【初阶】数据结构与算法》 ✨ 永远相信美好的事情即将发生 文章目录 * 前言 * 一、删除链表中等于给定值 val 的所有节点 * 1.1题目 * 1.2 算法原理 * 1.3代码 * 二、反转链表 * 2.1题目 * 2.2 算法原理 * 2.3代码 * 三、链表中间节点 * 3.1题目 * 3.2 算法原理 * 3.3代码 * 总结与每日励志 前言 链表是 C 语言和数据结构学习的核心考点，也是编程入门绕不开的经典题型。本文聚焦删除指定值节点、

By Ne0inhk
❿⁄₁₄ ⟦ OSCP ⬖ 研记 ⟧ 密码攻击实践 ➱ 传递Net-NTLMv2哈希

❿⁄₁₄ ⟦ OSCP ⬖ 研记 ⟧ 密码攻击实践 ➱ 传递Net-NTLMv2哈希

郑重声明：本文所涉安全技术仅限用于合法研究与学习目的，严禁任何形式的非法利用。因不当使用所导致的一切法律与经济责任，本人概不负责。任何形式的转载均须明确标注原文出处，且不得用于商业目的。 🔋 点赞 | 能量注入 ❤️ 关注 | 信号锁定 🔔 收藏 | 数据归档 ⭐️ 评论 | 保持连接💬 🌌 立即前往 👉晖度丨安全视界🚀 ▶ 信息收集  ▶ 漏洞检测 ▶ 初始立足点  ▶ 权限提升 ▶ 横向移动 ➢ 密码攻击 ➢ 传递Net-NTLMv2哈希🔥🔥🔥 ▶ 报告/分析 ▶ 教训/修复 目录 1.密码破解 1.1 破解Windows哈希实践 1.1.4 传递Net-NTLMv2哈希概述 1.1.4.1 攻击背景 1.1.4.2 攻击流程 1.1.

By Ne0inhk