PyTorch中加载和处理数据的相关内容。首先，介绍了`Dataset`和`DataLoader`，前者定义了如何获取数据，后者用于加载数据和提供给网络。通过`MyData`类演示了如何自定义`Dataset`。接着，讲解了使用`TensorBoard`进行可视化，包括安装和使用`SummaryWriter`添加图片和标量数据。然后，介绍了`Transforms`用于图像变换，包括`ToTensor`、`Normalize`、`Resize`、`Compose`和`RandomCrop`等操作，并强调了关注输入输出类型。最后，介绍了`DataLoader`，演示了如何批量加载数据，并通过`TensorBoard`查看数据。

在Anaconda环境下配置PyTorch开发环境的步骤。 首先，安装Anaconda，使用conda创建和激活pytorch环境。 然后，根据是否有显卡选择合适的PyTorch安装命令。 接着，测试PyTorch是否安装成功。 此外，教程还介绍了PyCharm和Jupyter Notebook的配置方法，以及如何使用PyCharm调试conda环境。 最后，讲解了dir()和help()两个函数在PyTorch中的作用。

一个 PowerShell 脚本 (update-file-timestamps.ps1)，用于批量修改 Markdown 文件的创建和修改时间戳。脚本首先查找指定目录及其子目录下的所有 Markdown 文件，然后读取文件内容，提取 frontmatter 中的 'published' 和 'updated' 字段。它将文件的创建时间设置为 'published' 字段的时间，如果存在 'updated' 字段，则将最后修改时间设置为 'updated' 字段的时间，否则设置为 'published' 字段的时间。脚本还包含错误处理机制，并提供了运行 PowerShell 脚本的命令。

通过局域网内主机代理实现Jetson等设备科学上网。首先，在主机端配置代理服务（如v2ray），记录IP地址和端口号，并确保允许局域网访问。可通过修改代理配置文件或设置实现。为了安全，可以在防火墙中限制访问IP，只允许Jetson设备访问代理端口。 在Jetson端，可以通过图形界面或全局环境变量配置系统级代理。编辑`/etc/environment`文件设置`http_proxy`和`https_proxy`，然后重启Jetson生效。也可以在终端临时设置代理，或配置Git代理。 最后，在Jetson终端测试代理效果，如使用`curl -x`命令，若返回200状态码，说明代理生效。

Jetson Orin Nano 烧录系统有两种方法：使用 NVIDIA SDK Manager 或手动搭建 Linux_for_Tegra 环境进行烧录。本文介绍后者，需要在 Ubuntu 系统（16.04 或 18.04 LTS）上安装 qemu-user-static 和 python。然后，从 NVIDIA 官网下载驱动程序包和示例根文件系统包。解压后，进入 Linux_for_Tegra 目录，执行相关脚本。最后，使用 `l4t_initrd_flash.sh` 脚本烧录系统，选择 NVMe 方式。烧录过程中，Jetson 设备会断开并重新连接。 成功后会出现 successful 提示。

动手进行JetsonNanoCLB的开发学习

使用RKNN系列模型训练YOLOv7目标检测模型： 数据标注: 使用Labelimg标注图片，修改predefined_classes.txt。 模型训练: SSH进入计算服务器Docker，按README进行训练。将标注数据放入yolov7-rknn/datasets，修改数据集配置文件。在yolov7-rknn文件夹下执行train.py训练。训练后，使用export.py导出ONNX文件。 模型转换与部署: 参考airockchip/rknn-toolkit2进行模型转换。将转换好的模型拷贝至部署代码的model/RK3588文件夹，编写类别信息。修改include/postprocess.h和src/postprocess.cc，重新编译代码。按install.md文件执行，并使用orangepi-config使能串口。

FOLO 是一款信息聚合工具，支持订阅各类信息源，包括文章、社交媒体、图片和视频。它提供跨平台体验，网页版功能强大且灵活。用户可自定义分类，重新组织信息源，提升信息摄取效率。文章分类适合深度阅读，社交媒体分类适合快速浏览，图片分类适合视觉内容，视频分类用于发现新内容。FOLO 提供了多种实用技巧，如双栏视图和自动化规则。添加信息源可直接使用链接或通过 RSSHub 生成链接。推荐结合 RSSHub Radar 插件简化操作。