深度学习相关的乱七八糟的东西的简介【jetson nano 的亚博智能的已配置镜像系统里的东西】
已安装:
CUDA10.2，CUDNNv8，tensorRT，opencv4.1.1，python2，python3,tensorflow2.3，
jetpack4.4.1，yolov4-tiny和yolov4，jetson-inference包（含资料中的训练模型），
jetson-gpio库，安装pytorch1.6和torchvesion0.7，安装node v15.0.1，npm7.0.3，
jupterlab，jetcham，已开启VNC服务，还有其他课程中所用到的模块。
CUDA
CUDA编程入门极简教程
看了安装教程才知道cuda是个什么东西
分点叙述各个知识
CUDA C/C++可以看作一个新的编程语言，因为NVIDIA配置了相应的编译器nvcc
CUDA拥有的统一的开发套件(CUDA Toolkit, NVIDIA GPU Computing SDK以及NSight等等)、非常丰富的库(cuFFT, cuBLAS, cuSPARSE, cuRAND, NPP, Thrust)以及NVCC(NVIDIA的CUDA编译器)所具备的PTX(一种SSA中间表示，为不同的NVIDIA GPU设备提供一套统一的静态ISA)代码生成、离线编译等更成熟的编译器特性让CUDA广受好评。
CUDA是建立在NVIDIA的CPUs上的一个通用并行计算平台和编程模型，基于CUDA编程可以利用GPUs的并行计算引擎来更加高效地解决比较复杂的计算难题。近年来，GPU最成功的一个应用就是深度学习领域，基于GPU的并行计算已经成为训练深度学习模型的标配。
在CUDA中，host和device是两个重要的概念，我们用host指代CPU及其内存，而用device指代GPU及其内存。CUDA程序中既包含host程序，又包含device程序，它们分别在CPU和GPU上运行。同时，host与device之间可以进行通信，这样它们之间可以进行数据拷贝。典型的CUDA程序的执行流程如下：
- 分配host内存，并进行数据初始化；
- 分配device内存，并从host将数据拷贝到device上；
- 调用CUDA的核函数在device上完成指定的运算；
- 将device上的运算结果拷贝到host上；
- 释放device和host上分配的内存。
CUDNNv8 //v8是版本号
深度神经网络库 (cuDNN) 是基于CUDA的深度学习GPU加速库。cuDNN 可大幅优化标准例程（例如用于前向传播和反向传播的卷积层、池化层、归一化层和激活层）的实施。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中，如谷歌的Tensorflow、加州大学伯克利分校的流行caffe软件。
tensorRT
- 训练（training）包含了前向传播和后向传播两个阶段，针对的是训练集。训练时通过误差反向传播来不断修改网络权值（weights）。
- 推理（inference）只包含前向传播一个阶段，针对的是除了训练集之外的新数据。可以是测试集，但不完全是，更多的是整个数据集之外的数据。其实就是针对新数据进行预测，预测时，速度是一个很重要的因素。
一般的深度学习项目，训练时为了加快速度，会使用多 GPU 分布式训练。但在部署推理时，为了降低成本，往往使用单个 GPU
机器甚至嵌入式平台（比如 NVIDIA Jetson）进行部署，部署端也要有与训练时相同的深度学习环境，如 caffe，TensorFlow
等。由于训练的网络模型可能会很大（比如，inception，resnet
等），参数很多，而且部署端的机器性能存在差异，就会导致推理速度慢，延迟高。这对于那些高实时性的应用场合是致命的，比如自动驾驶要求实时目标检测，目标追踪等。所以为了提高部署推理的速度，出现了很多轻量级神经网络，比如
squeezenet，mobilenet，shufflenet
等。基本做法都是基于现有的经典模型提出一种新的模型结构，然后用这些改造过的模型重新训练，再重新部署。而 TensorRT 则是对训练好的模型进行优化。 TensorRT 就只是推理优化器。当你的网络训练完之后，可以将训练模型文件直接丢进
TensorRT中，而不再需要依赖深度学习框架（Caffe，TensorFlow 等）可以认为 TensorRT 是一个只有前向传播的深度学习框架，这个框架可以将 Caffe，TensorFlow 的网络模型解析，然后与
TensorRT 中对应的层进行一一映射，把其他框架的模型统一全部转换到 TensorRT 中，然后在 TensorRT 中可以针对
NVIDIA 自家 GPU 实施优化策略，并进行部署加速。
TensorRT(1)-介绍-使用-安装
TensorRT是英伟达针对自家平台做的加速包，TensorRT主要做了这么两件事情，来提升模型的运行速度。
- TensorRT支持INT8和FP16的计算。深度学习网络在训练时，通常使用 32 位或 16 位数据。TensorRT则在网络的推理时选用不这么高的精度，达到加速推断的目的。
- TensorRT对于网络结构进行了重构，把一些能够合并的运算合并在了一起，针对GPU的特性做了优化。现在大多数深度学习框架是没有针对GPU做过性能优化的。一个深度学习模型，在没有优化的情况下，比如一个卷积层、一个偏置层和一个reload层，这三层是需要调用三次cuDNN对应的API，但实际上这三层的实现完全是可以合并到一起的，TensorRT会对一些可以合并网络进行合并。
TensorRT为什么能让模型跑快快
TensorFlow 2.3
任何曾经试图在 Python 中只利用 NumPy 编写神经网络代码的人都知道那是多么麻烦。编写一个简单的一层前馈网络的代码尚且需要 40
多行代码，当增加层数时，编写代码将会更加困难，执行时间也会更长。 开源深度学习库 TensorFlow
允许将深度神经网络的计算部署到任意数量的 CPU 或 GPU 的服务器、PC 或移动设备上，且只利用一个 TensorFlow
API。你可能会问，还有很多其他的深度学习库，如 Torch、Theano、Caffe 和 MxNet，那 TensorFlow
与其他深度学习库的区别在哪里呢？包括 TensorFlow 在内的大多数深度学习库能够自动求导、开源、支持多种
CPU/GPU、拥有预训练模型，并支持常用的NN架构，如递归神经网络（RNN）、卷积神经网络（CNN）和深度置信网络（DBN）。
TensorFlow 则还有更多的特点，如下：
- 支持所有流行语言，如 Python、C++、Java、R和Go。
- 可以在多种平台上工作，甚至是移动平台和分布式平台。
- 它受到所有云服务（AWS、Google和Azure）的支持。
- Keras——高级神经网络 API，已经与 TensorFlow 整合。
- 与 Torch/Theano 比较，TensorFlow 拥有更好的计算图表可视化。
- 允许模型部署到工业生产中，并且容易使用。
- 有非常好的社区支持。
- TensorFlow 不仅仅是一个软件库，它是一套包括 TensorFlow，TensorBoard 和 TensorServing 的软件。
c语言中文网的系列教程
TensorFlow 2 快速教程
TensorFlow2教程【这个免费且完整】
Tensorflow2.x（一）建立模型的三种方式
Tensorflow2.0实现29种深度强化学习算法大汇总
大佬在有理有据地抱怨tensorflow2不好用
jetpack4.4.1
它是一套组件库。（说明它是由许多个不同的组件库构成，并不是一个单一的组件库）
使用 Jetpack 可以帮助我们在不同的 Android 版本和不同的设备上，实现行为一致的工作代码。（说明 Jetpack 可以轻松的处理由 Android 版本不一致和设备不同产生的差异性和兼容性问题）
Jetpack 是什么
YOLOv4
YOLO是一种图像识别算法
人类视觉系统快速且精准，只需瞄一眼（You Only Look Once，YOLO）即可识别图像中物品及其位置。
传统目标检测系统采用deformable parts models
(DPM)方法，通过滑动框方法提出目标区域，然后采用分类器来实现识别。近期的R-CNN类方法采用region proposal
methods，首先生成潜在的bounding boxes，然后采用分类器识别这些bounding
boxes区域。最后通过post-processing来去除重复bounding
boxes来进行优化。这类方法流程复杂，存在速度慢和训练困难的问题。本文中，我们将目标检测问题转换为直接从图像中提取bounding boxes和类别概率的单个回归问题，只需一眼（you only look once，YOLO）即可检测目标类别和位置。
YOLO采用单个卷积神经网络来预测多个bounding boxes和类别概率，如图1-1所示。本方法相对于传统方法有如下有优点：
一，非常快。YOLO预测流程简单，速度很快。我们的基础版在Titan X GPU上可以达到45帧/s；
快速版可以达到150帧/s。因此，YOLO可以实现实时检测。二，YOLO采用全图信息来进行预测。与滑动窗口方法和region
proposal-based方法不同，YOLO在训练和预测过程中可以利用全图信息。Fast
R-CNN检测方法会错误的将背景中的斑块检测为目标，原因在于Fast R-CNN在检测中无法看到全局图像。相对于Fast
R-CNN，YOLO背景预测错误率低一半。三，YOLO可以学习到目标的概括信息（generalizable
representation），具有一定普适性。我们采用自然图片训练YOLO，然后采用艺术图像来预测。YOLO比其它目标检测方法（DPM和R-CNN）准确率高很多。YOLO的准确率没有最好的检测系统准确率高。YOLO可以快速识别图像中的目标，但是准确定位目标（特别是小目标）有点困难。
YOLO：实时快速目标检测
v1和v2是源头，v3很好地整合了，v4也只是稍加改进，v4-tiny加快速度牺牲精度【大概是这样】
yolo系列之yolo v3【写这个解析的是个很有趣又很强的人】
YOLO是“You Only Look
Once”的简称，它虽然不是最精确的算法，但在精确度和速度之间选择的折中，效果也是相当不错。YOLOv3借鉴了YOLOv1和YOLOv2，虽然没有太多的创新点，但在保持YOLO家族速度的优势的同时，提升了检测精度，尤其对于小物体的检测能力。
YOLOv3详解
YOLOv4 介绍及其模型优化方法
Jetson Inference
这个是官方推出的体验套件，它提供了三种最常见的AI应用于计算机视觉的类型，imagenet用于图像辨识 ( Image
Recognition )、detectNet用于对象辨识 ( Object Detection )、segNet用于语意分割。
NVIDIA Jetson Inference机器学习项目 -计算机视觉图片分类任务
笔记（八）Jetson Nano 跑通 jetson-inference
pytorch1.6
PyTorch 是一个 Torch7 团队开源的 Python 优先的深度学习框架，提供两个高级功能：
强大的 GPU 加速 Tensor 计算（类似 numpy）
构建基于 tape 的自动升级系统上的深度神经网络
你可以重用你喜欢的 python 包，如 numpy、scipy 和 Cython ，在需要时扩展 PyTorch。
在粒度级别上，PyTorch 是一个由以下组件组成的库：
通常使用 PyTorch 是将其作为：
作为 numpy 的替代品，以使用强大的 GPU 能力；
一个深度学习研究平台，提供最大的灵活性和速度。 PyTorch
中文教程
浅谈Pytorch与Torch的关系
torchvision 0.7
torchvision包是服务于pytorch深度学习框架的,用来生成图片,视频数据集,和一些流行的模型类和预训练模型.
torchvision的理解和学习(翻译torchvision在pypi上的文档)
Node.js
Node.js 是一个开源与跨平台的 JavaScript 运行时环境。 它是一个可用于几乎任何项目的流行工具！
node的官方教程
如果你是一个前端程序员，你不懂得像PHP、Python或Ruby等动态编程语言，然后你想创建自己的服务，那么Node.js是一个非常好的选择。
Node.js 是运行在服务端的 JavaScript，如果你熟悉Javascript，那么你将会很容易的学会Node.js。
当然，如果你是后端程序员，想部署一些高性能的服务，那么学习Node.js也是一个非常好的选择。
菜鸟教程网站的教程
nmp7.0.3
NPM是随同NodeJS一起安装的包管理工具，能解决NodeJS代码部署上的很多问题，常见的使用场景有以下几种：
- 允许用户从NPM服务器下载别人编写的第三方包到本地使用。
- 允许用户从NPM服务器下载并安装别人编写的命令行程序到本地使用。
- 允许用户将自己编写的包或命令行程序上传到NPM服务器供别人使用。 菜鸟教程
npm 是干什么的？（非教程）【是挺啰嗦的，看不懂上面引用的内容再看这个】
官方教程【全英文】
jupterlab
是个python的编译器，还能写文档看图片
JupyterLab作为一种基于web的集成开发环境，你可以使用它编写notebook、操作终端、编辑markdown文本、打开交互模式、查看csv文件及图片等功能。
JupyterLab，极其强大的下一代notebook！
jetcham
//估计是手滑写错了
PyCharm
PyCharm是一种Python IDE（Integrated Development
Environment，集成开发环境），带有一整套可以帮助用户在使用Python语言开发时提高其效率的工具，比如调试、语法高亮、项目管理、代码跳转、智能提示、自动完成、单元测试、版本控制。此外，该IDE提供了一些高级功能，以用于支持Django框架下的专业Web开发。
【百度百科】
好吧 确实是错了 不过错的是。。。。。
jetcam
JetCam是用于NVIDIA Jetson的易于使用的Python相机界面。使用Jetson的Accelerated GStreamer插件可与各种USB和CSI摄像机配合使用。轻松读取图像作为numpy数组image = camera.read()。设置相机以running =True将回调附加到新框架。JetCam使在Python中创建AI项目的原型变得容易，尤其是在JetCard中安装的Jupyter Lab编程环境中。
接下来开始安装:
git clone https://github.com/NVIDIA-AI-IOT/jetcam
cd jetcam
sudo python3 setup.py install
详细的使用即函数可以到https://github.com/NVIDIA-AI-IOT/jetcam查看
亚博智能官网教程