首先要保证安装好NVIDIA驱动工具和CUDA以及Cudnn软件包（主机的环境配置在第七章中可以找到，JetsonNano的环境配置参考刷机教程）
1 善用Anaconda工具的虚拟环境功能
诸如PyTorch这类软件包需要匹配依赖很复杂，稍不留神则会破坏现有的环境，如果你的主机上有多种训练环境则更加需要留心这个问题。
（1）Anaconda的安装教程可参考博客：https://blog.csdn.net/u012243626/article/details/82469174
其中在线安装命令为：
wget https://repo.anaconda.com/archive/Anaconda3-2021.05-Linux-x86_64.sh
（2）启动conda并建立一个虚拟环境
anaconda
conda create -n [environment_name] python=[x.x]（3）查看建立虚拟环境是否成功并启动该虚拟环境
conda env list
conda activate [environment_name]（4）记得更换anaconda的软件源，国内的软件源会使得下载速度加快很多。当然也有较慢的时候，如果发现下载过程中经常断开网络链接，就不要换源了
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/# 设置搜索时显示通道地址
conda config --set show_channel_urls yes# 注意pytorch, 还需要额外添加pytorch的镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/删除换源的代码
conda config --remove-key channels若要查看已经安装过的镜像源，cmd窗口执行命令：
conda config –show
查看配置项channels，如果显示带有tsinghua，则说明已安装过清华镜像。
2 安装PyTorch
安装方法：https://pytorch.org/get-started/locally/
这里需要注意依赖的匹配问题，版本不匹配会报错，主要是匹配CUDA版本与cudatoolkit版本与PyTorch的版本，查询CUDA与cudatoolkit版本的命令为：
nvcc -V如果在上面的链接https://pytorch.org/get-started/locally/中找不到匹配的版本，可点击install previous versions of PyTorch或直接在https://pytorch.org/get-started/previous-versions/中查找
3 了解一下 MobileNet网络
GhostNet网络是在MobileNet网络基础上进行修改的产物，故而对MobileNet网络我们应该要先大致了解一下。在这之前我们还要先明确几个对这篇文章比较重要的概念：引用：https://blog.csdn.net/mzpmzk/article/details/82976871
* 参数数量（params）：关系到模型大小，单位通常为M，参数用 float32 表示，所以模型大小是参数数量的4倍
* 理论计算值（FLOPs）：是 floating point operations 的缩写（注意 s 小写），可以用来衡量算法/模型的复杂度，这关系到算法速度，大模型单位通常为G，小模型的单位通常为M ； 通常只考虑乘加操作（Multi-Adds）的数量，而且只考虑CONV和FC等参数层的计算量，忽略BN 和PReLU 等等。一般情况，CONV 和 FC 层也会忽略纯加操作的计算量，如bias偏置加和 shotcut 残差加等，目前技术有 BN 的 CNN 可以不加 bias
博客：https://blog.csdn.net/hongbin_xu/article/details/82957426详细介绍了MobileNet网络的原理以及参数、计算量通过何种操作做到了明显减少。简单来说分为两部分depthwise卷积和pointwise卷积：depthwise卷积对每个输入通道单独使用一个卷积核进行处理，pointwise卷积是数个1x1卷积，用于将depthwise卷积的输出组合起来。注意dw与pw是联合使用的。
4 GhostNet网络
（1）GhostNet的github项目地址：https://github.com/iamhankai/ghostnet.pytorch
但原版GhostNet项目存在一些错误，我已在我的仓库中进行了修改，读者可直接git：
（2）GhostNet网络原理：https://blog.csdn.net/u011995719/article/details/105207344/
参考知乎中的一句话：GhostNet相当于将MobileNet两个卷积调转一下位置进行训练