Python环境配置保姆教程(Anaconda、Jupyter、GPU环境)!

常用的python gpu加速方法 例如,如果我们需要对大量的数据进行分析和计算,并且需要对模型进行优化和训练,那么我们可以使用 Python提供的一些模块来加速这一过程: 在上面的代码中,我们使用了 Python内置的一个函数来对大量的数据进行分析和计算。但是,如果我们使用 gpu提供的其他功能,例如聚类、降维等,则可以避免这些问题。例如,在 Python中,我们可以使用以下语句来实现对数据的插入操作: 对于模型训练,我们可以使用以下语句来进行模型的训练和优化: 当然,在实际的开发中,我们还可以使用其他的内置函数来进行数据处理。 阅读详情

1. 写在前面

搞算法的同学也都明白,一个比较完美的python环境是多么的重要。这篇文章打算把一些必备的python环境配置过程记录下来,这样不管是新到了公司实习或者就职,还是新换了电脑,都可以借鉴这篇快速把环境搭建起来啦 😉

由于我也是重装了系统,所以算是从0开始搭建python环境,这次从anaconda安装开始, 然后到cuda的相关安装配置,再到cudnn的安装配置,然后从anaconda中建立虚拟tensorflow和pytorch的虚拟环境,再各自的虚拟环境里面安装jupyter notebook并完成配置,安装tensorflow的GPU版本和pytorch的GPU版本。这一整套下来,在自己机子上做一些简单的模型实验就没有问题了。

虽然这套流程是目前是在Windows上做的,但具有普适性,在Linux上也是一样的道理,只不过有些地方的操作可能不一样,原理都是一样的。

内容包括:

  • Anaconda的安装与常用命令小总

  • Jupyter的安装与相关配置

  • CUDA与Cudnn的安装(GPU支持必备)

  • 建立tf虚拟环境并安装tf2.0GPU版本

  • 建立pytorch虚拟环境并安装pytorchGPU版本

Ok, let’s go!

2. Anaconda的安装与常用命令

Anaconda是为方便使用Python而建立的软件包,其包含250多个工具包,多版本的Python解释器和强大的虚拟环境工具,所以Anaconda是Python的全家桶。Anaconda可以使安装,运行和升级环境变得更简单,所以初步学习Python,这一个就足够了。

Windows下的Anaconda安装,是所谓的傻瓜式安装,Linux下面的安装,可以参考我之前整理的(https://zhongqiang.blog.youkuaiyun.com/article/details/112376293)。

  • Anaconda官网下载安装包

  • 下载之后,点击Anaconda3-2019.07-windwos-x86_64.exe这个安装文件进行安装,选择路径,勾选加入环境变量,等待安装完成即可(这些和普通软件安装一样,一路回车操作),

这里面一定注意,不要把anaconda装到C盘。因为你后面会有好多个虚拟环境,安装很多包;另外,建议把conda命令加入到环境变量里面去。

  • 验证安装成功:打开命令行,输入conda,回车。看是否能进入conda环境。

这个安装比较简单,不过多整理,下面是常用的命令,这些记好了之后,就能比较轻松的用anaconda管理虚拟环境,管理相关包了。打开命令行,输入activate, 此时会进入一个root的默认虚拟环境, 如下:
这个是一个默认的虚拟环境,如果不想建其他环境,比较省事的方法就是把所有用到的包全安装到这里面,打造一个万能环境,所以下面先整理关于包管理的命令

# 列出当前环境下安装的包, 非常常用  
conda list  
  
# 实验过程中,如果发现某些包没有,直接安装  
conda install package_name  # 也可以带版本号  
pip install package_name  
  
# 如果发现装错版本了,想要卸载掉包  
conda remove package_name  
pip uninstall package_name  
  
# 更新包  
conda update package_name  

在一个虚拟环境里面,掌握这几个常用的命令即可,上面是比较省事的方法,只有一个环境,但我不太习惯这样做,我一般喜欢建立多个虚拟环境,在每个虚拟环境下安装特定的包去完成相应的实验,因为有的项目可能需要python2,有的需要python3,有的可能是tf项目,有的可能是pytorch项目。这时候,用到的包会很不一致,所以,分类管理也是一个不错的思路。那么下面就是管理环境常用的命令:

# 查看已经有的虚拟环境 常用  
conda env list  
  
# 新建虚拟环境 可以指定python版本和一些包的版本  
conda create -n env_names package_names   # conda create -n tfenv python=3.7  
  
# 进入虚拟环境,这时候面临着对一些包的操作,就是上面包的相关命令了  
activate tfenv  
  
# 离开虚拟环境  
deactivate  
  
# 删除虚拟环境  
conda env remove -n env_name  

这里单独拎出一个东西来,叫做共享环境,这个其实是非常有用的,它能让其他人安装项目中使用的所有包,并确保这些包的版本正确。比如开发了一个系统,让别人来部署,但其他人可能不知道用的哪个python版本,哪些包等,盲目安装又可能由于版本原因出现问题,所以共享环境就比发挥威力了。怎么用?

# 将当前环境下安装的包保存为YAML文件  
conda env export > environment.yaml  

此时在当前目录下就会发现一个导出的环境文件:


在GitHub上共享代码时,我们往往会看到这样的操作,一般人家都会给出创建环境的文件,这时候,我们git clone下项目之后,依赖这个文件就能轻松安装依赖项。那么导出的环境文件如何使用呢?

activate tfenv  
  
# 安装所有包  
conda env update -f=/path/to/environment.yaml    

如果不用conda,而是用pip的时候,可以导出一个txt文件,然后安装:

pip freeze > requirements.txt  # 导出文件  
  
# 然后将该文件包含在项目的代码库中,其他项目成员即使在他的电脑上没有安装conda也可以使用该文件来安装和我一样的开发环境  
pip install -r /path/requirements.txt  

关于anaconda,就整理这么多,应该是够用啦,后续如果有新大陆,还会再补充。

3. Jupyter的安装与相关配置

关于jupyter, 在安装了anaconda, 默认的root环境下会有jupyter notebook的,但是新创建了虚拟环境之后,我们还需要重新安装jupyter notebook。命令很简单:

pip install jupyter notebook  

安装jupyter很简单,这里想整理一个事情,就是修改默认的工作空间,在Windows上使用jupyter notebook不像Linux,Linux是在哪个目录下启动,就会默认哪个目录为工作空间,但是Windows中不是这样,那么怎么修改默认工作空间呢?

这个一般是修改jupyter的配置文件,如果没有,就打开命令行,通过下面命令生成:

jupyter notebook --generate-config  

此时会在C盘user下面的.jupyter目录下面产生一个jupyter_notebook_config.py的文件:


用Notepad++打开jupyter_notebook_config.py,找到c.Notebook,建立你的新工作路径,取消注释,c前面的#要去掉。
点击保存,这下就修该好了路径,cmd,输入jupyter notebook,你就发现你的路径已更改


这样一般是能够修改路径的,如果还没有,搜一下添加下环境变量,再修改下快捷方式。

修改配置文件,不仅可以修改默认工作空间,还能修改默认启动浏览器,想到想用的浏览器路径,然后打开jupyter_notebook_config.py 找到App.browser = '',在这行下面添加以下三行代码:

import webbrowser  
webbrowser.register("chrome",None,webbrowser.GenericBrowser(u"C:\ProgramFiles (x86)\Google\Chrome\Application\chrome.exe"))  
c.NotebookApp.browser = 'chrome'  

此时就修改了jupyter使用的默认浏览器。

在这里插入图片描述

关于jupyter的配置就整理这么多,但是原生的jupyter可能不是很好用,此时可以安装一些扩展功能:

conda install -c conda-forge jupyter_contrib_nbextensions  

此时,打开jupyter就会有一些扩展功能:


这个还是非常强大的,可以对各种单元格加一些骚操作等。

另外,这里也记录一个我比较喜欢的jupyter一个主题:

pip install jupyterthemes  
  
# 一个不错的主题  
jt -t monokai -f fira -fs 13 -cellw 90% -ofs 11 -dfs 11 -T -N  

下面整理些jupyter单元格操作的快捷键:

执行当前cell,并自动跳到下一个cell:Shift Enter  
执行当前cell,执行后不自动调转到下一个cell:Ctrl-Enter  
是当前的cell进入编辑模式:Enter  
退出当前cell的编辑模式:Esc  
删除当前的cell:双D  
进入下一个cell:双A (前面)或 Alt+Enter(后面)  
  
为当前的cell加入line number:单L  
将当前的cell转化为具有一级标题的maskdown:单1  
将当前的cell转化为具有二级标题的maskdown:单2  
将当前的cell转化为具有三级标题的maskdown:单3  
  
为一行或者多行添加/取消注释:Crtl /  
撤销对某个cell的删除:z  
浏览器的各个Tab之间切换:Crtl PgUp和Crtl PgDn  
快速跳转到首个cell:Crtl Home  
快速跳转到最后一个cell:Crtl End  
  
ctrl + ?         #注释  
shift + tab      # 查询函数的注解  
  
# jupyter 将本地.py文件导入  
%load test.py #test.py是当前路径下的一个python文件  
  
# 运行python文件  
%run file.py  
!python myfile.py  

4. Cuda和Cudnn的安装

CUDA是一个并行运算的一个计算平台,而CuDNN是在上面的一个深度神经网络的GPU加速库。如果想用TensorFlow或者pytorch的GPU版本,这两个是必须要安装的。但前提,机子内得有显卡,且是NVIDIA的。

4.1 Cuda安装

下载CUDA,这个是cuda-10.0的版本,如果安装别的版本,也可以在这里找。

链接:https://developer.nvidia.com/cuda-10.0-download-archive?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal

下载完成后,打开下载的驱动, 开始安装。这里选择自定义安装:

自定义安装这里可以进行一些设置,否则有可能会导致安装失败,首先组件这里取勾GeForce Experience,


然后, 我这里安装的时候,必须Visual Studio Integration也需要取消勾选。

点开Driver comonents,Display Driver这一行,前面显示的是Cuda本身包含的驱动版本是411.31
如果你电脑目前安装的驱动版本号新于Cuda本身自带的驱动版本号,那一定要把这个勾去掉。否则会安装失败(相同的话,就不用去取勾了)


接下来就等他安装完成即可。

结束之后, 怎么看是否成功了呢?打开下面这个路径,查看nvcc.exe,有这个说明CuDA安装成功。


打开此文件夹,查看有没有cuti64_100.dll


有这个cuti64_100.dll就说明CUPT1已成功。

4.2 Cudnn安装

同样的,来官网: https://developer.nvidia.com/rdp/cudnn-download, 选择Cudnn for CUDA10.0, 这个需要登录, 注册个邮箱或者用微信登录即可。

下载下来之后,解压cuDNN:


将解压后文件复制到CUDA文件夹下


接下来,要配置环境变量,

我的电脑——>属性——>高级系统设置——>环境变量  

在系统环境变量中找到path

当安装完Cuda的时候,会自动的cuda的bin目录以及libnvvp目录加入到环境变量中,但是并没有加CUPA和Cudnn的路径,我们需要把这俩加入进来,这样,在使用TensorFlow的时候,才不会报错。


Cudnn和Cupta的路径缺一不可,第三个不用管,安装anaconda的时候,会自动加入。

测试cuda, 打开命令行, 输入nvcc \-V


这里会显示版本。

5. 建立tf虚拟环境并安装tf2.0GPU版本

这里主要是tf2.0GPU版本的安装, 有了上面的铺垫,这里会变得非常简单。

首先,先建立一个tfenv的虚拟环境:

conda create -n tfenv python=3.7  

此时,我这里竟然报了一个错误:

CondaHTTPError: HTTP 000 CONNECTION FAILED for url <https://mirrors.tuna.ts  

这个我一开始以为是我anaconda换了安装目录导致的,但经过查阅资料,应该是源的问题,anaconda换源后无法创建新的虚拟环境。我的解决办法:

找到这个.condarc文件,这个在我的C:\Users\ZhongqiangWu目录下面,把https改成了http就好了。

这样就能创建出tfenv的虚拟环境,然后激活activate tfenv,进入环境。

// 安装TensorFlow-gpu  
pip install tensorflow-gpu=2.0.0-beta0  

此时等待下载,进行安装即可。安装完毕之后,测试是否安装成功。

在当前环境下,输入python进入环境,然后:

import tensorflow as tf  
print(tf.test.is_gpu_available())   // 如果输出True,说明安装成功  

但在我这里,导入TensorFlow的时候,报了一个错误:

ImportError: Could not find 'cudart64_100.dll'  
TensorFlow requires that this DLL be installed in a directory that is named in your %PATH% environment variable  

这个通过查资料,大部分得出的结论是这篇文章说的那样, 即cuda版本的问题, 这里会发现100,这其实意味着cuda要用10.0版本的,因为安装完cuda的时候,会在cuda的bin目录下面有这么一个dll文件:


也就是TensorFlow在导入的时候,会去找有没有这样的一个文件, 当然我这里tf2.0找的是10.0的这个,可能有的报错说找不到101.dll或者102.dll这种,这显然是cuda版本不匹配,要卸载掉当前的cuda, 重新安装对应版本的,或者卸载掉当前版本的tf,重新安装个别的版本的tf。但有种做法不提倡,有的竟然硬性的把这里的100.dll修改名字,改成101.dll这样,这叫投机取巧,并不是在解决问题。

我当时就非常纳闷, 我这里明明有这个文件,并且我也把这个bin目录加入到了环境变量里面,为啥还会报上面的这个找不到这个文件的错误呢?其实是费了一些时间的,网上也没找到好的办法,最后,我想到,可能是因为我anaconda启动的原因:

我anaconda这次安装到了D盘里面,然后依然是借助Anaconda Prompt启动了命令行,然后进入的虚拟环境。此时,我再想一个问题,我在虚拟环境里面输入python,然后import tensorflow的时候,此时tensorflow去找依赖的时候,是去哪里找呢?

怎么保证它这里是找的环境变量里面的配置呢?好像并没有进行设置,所以我猜测,它这里找dll的时候,可能是D:\Anaconda3\envs\tfenv\Library\bin目录下去找相关的dll文件,如果找不到,可能不会自动的去总的环境变量里面找,就直接报错了。

这个启发来自于,如果我们通过anaconda3自动安装cuda和Cudnn的时候,此时cudart64_100.dll是在D:\Anaconda3\envs\tfenv\Library\bin目录下的。而上面我们并没有通过anaconda3安装这俩哥们,而是手动安装的,那么在anaconda 自己的命令行里面可能找不到。

所以关于这个问题,我最终的解决办法,就是不用anaconda prompt启动命令行进虚拟环境,而是直接cmd打开系统的命令行,然后直接输入activate,进入root的环境,然后activate tfenv进入到虚拟环境,此时再运行测试,发现成功。这个应该是走环境变量里面的文件了。


此时,tf2.0的GPU版本安装成功。

6. 建立pytorch虚拟环境并安装pytorchGPU版本

这里和上面就基本上是一样的过程了,这里是按照pytorch的GPU版本,首先是建立虚拟环境

conda create -n pytorch_gpu python=3.7  

此时,又出现CondaHTTPError: HTTP 000 CONNECTION FAILED for url, 真是服了, 此时我重新配置.condarc,修改成下面这个样子:

channels:  
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/  
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/  
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/  
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/  
show_channel_urls: true  

把vpn关掉,然后好使了。

接下来安装torch和torchvision, 进入下面这个网站: http://download.pytorch.org/whl/torch_stable.html, 找符合系统版本、cuda版本的torch,采用搜索的方式找


我的是cuda10.0, python3.7版本,win10系统,64位。下载下来。

torchvision同样的道理,把这两个.whl文件下载下来。然后回到命令行, 安装即可。

pip install "torch-1.2.0-cp37-cp37m-win_amd64.whl"  
pip install "torchvision-0.4.0-cp37-cp37m-win_amd64.whl"  

安装完毕,进行测试,依然是进入python环境,然后输入:


这样,pytorch的GPU版本安装完毕!

有了这一整套流程,在自己机子上搭建python环境,跑模型实验,就比较方便啦,不管是tf项目还是pytorch项目,都能用这一套环境实验。Linux上其实也是这样的流程,很多地方都是一样的,原理都是通的,无法就是配置环境变量的时候不太一样。

参考:

之前整理的文章链接也放过来:

  • 大数据环境搭建下面的anaconda搭建

    https://zhongqiang.blog.youkuaiyun.com/article/details/112376293

  • Python管理包工具anaconda安装过程常见问题解决办法

    https://zhuanlan.zhihu.com/p/34337889

  • Python·Jupyter Notebook各种使用方法

    https://blog.youkuaiyun.com/liuyanlin610/article/details/76231958

  • 远程连接GPU服务器上的jupyter notebook解决方案

    https://blog.youkuaiyun.com/wuzhongqiang/article/details/107555363

  • Windows下GPU版本详细安装教程

    https://cloud.tencent.com/developer/article/1458665)

  • Windows下的Pytorch环境手把手搭建

    https://zhongqiang.blog.youkuaiyun.com/article/details/104503860

学习资源推荐

除了上述分享,如果你也喜欢编程,想通过学习Python获取更高薪资,这里给大家分享一份Python学习资料。

这里给大家展示一下我进的兼职群和最近接单的截图

兼职群

私单

😝朋友们如果有需要的话,可以V扫描下方二维码联系领取

一、Python学习路线

image-20230619144606466

python学习路线图1

二、Python基础学习
1. 开发工具

2. 学习笔记

在这里插入图片描述

3. 学习视频

在这里插入图片描述

三、Python小白必备手册

图片

四、数据分析全套资源

在这里插入图片描述

五、Python面试集锦
1. 面试资料

在这里插入图片描述

在这里插入图片描述

2. 简历模板

在这里插入图片描述

因篇幅有限,仅展示部分资料,添加上方即可获取
------ 🙇‍♂️ 本文转自网络,如有侵权,请联系删除 🙇‍♂️ ------
python3.9+Anaconda+pytorch+jupyter安装教程 目录一、python3.9安装二、Anaconda三、pytorch四、Jupyter 一、python3.9安装 我自身电脑是64位,所以安装的python也应该是64位。 1、去官网下载即可下载链接 2、下载下面这个64-bit 二、Anaconda 1、官网下载,下载链接 2、点击下载 3、记住anaconda安装路径,如下所示: 4、在菜单栏中找到Anaconda Prompt,打开后显示如下,即成功安装完成: 三、pytorch 1、在菜单栏中搜索任务管理器,打开它: 2、查看性能, 阅读详情

相关推荐

anaconda下jupyter使用tensorflow

为什么会有这篇文章呢? 因为我在安装tensorflow来使用时,我已经在anaconda下新建立的虚拟环境已经安装好了tensorflow,但是我在打开jupyter使用时,导入tensorflow的包就报错,我以为安装没有成功,但是重新尝试安装还是这样;我又怀疑安装的anaconda的版本的问题,又换了版本来安装,结果还是一样的报错。 经过看各种教程,折磨折腾,我终于知道了思路。是因为我的...

qq_35892623的博客 5112

解决Python使用GPU

本文简单介绍了使用Python解决使用GPU的方法,并给出了TensorFlow和PyTorch示例;本文还介绍了TensorFlow GPU的安装版本介绍,以及介绍了安装CUDA的详细教程。

m0_72958694的博客 4301

GPU加速Python:提升计算效率的利器

通过充分利用GPU的并行计算能力,我们可以显著提高计算效率,加快模型训练和推理的速度。请注意,为了能够在GPU上执行计算,您的计算机需要具备适当的硬件和驱动程序,并且您需要安装相应的GPU加速库。同时,不同的库可能有不同的用法和API,因此在实际使用中,请参考官方文档和示例代码来获得更详细的指导。PyTorch:PyTorch是一个基于Torch的开源机器学习库,它提供了GPU加速的张量计算和自动求导功能。希望本文能够帮助您了解如何在Python中利用GPU加速计算,并为您的计算任务带来更好的性能和效率。

PixelNovaO的博客 871

使用GPU运行python项目之环境配置

简单科普:CPU适合串行计算,擅长逻辑控制。GPU擅长并行高强度并行计算,适用于AI算法的训练学习GPU教为侧重于运算,因此GPU常被用于一些深度学习的项目

pengxiang1998的博客 4万+

设置 Python 环境

Python 环境是一个独立的目录树,其中包含特定版本的 Python 以及任何必需的包和依赖项。Python 环境对于隔离不同的项目和避免不同版本的 Python 或安装的包之间的冲突很有用。在 Python 环境中安装了必要的包后,我们就可以像往常一样运行 Python 脚本了。首先,我们需要导航到我们要创建环境的目录。这将在当前目录中创建一个名为 myenv 的新目录,其中包含新 Python 环境所需的文件。激活Python环境要激活Python环境,我们需要运行位于环境目录。

我的博客,不一样的自我表达 598

Python应用实战案例:Python编程环境配置(Anaconda、Jupyter、GPU环境)

1. 写在前面 搞算法的同学也都明白,一个比较完美的python环境是多么的重要。这篇文章打算把一些必备的python环境配置过程记录下来,这样不管是新到了公司实习或者就职,还是新换了电脑,都可以借鉴这篇快速把环境搭建起来啦 由于我也是重装了系统,所以算是从0开始搭建python环境,这次从anaconda安装开始, 然后到cuda的相关安装配置,再到cudnn的安装配置,然后从anaconda中建立虚拟tensorflow和pytorch的虚拟环境,再各自的虚拟环境里面安装jupyter noteb.

wenyusuran的专栏 1408

【Python】Python环境配置保姆教程(Anaconda、Jupyter、GPU环境)!

作者:吴永强,东北大学,Datawhale团队成员1. 写在前面搞算法的同学也都明白,一个比较完美的python环境是多么的重要。这篇文章打算把一些必备的python环境配置过程记录下来,...

fengdu78的博客 446

安卓直链APK安装拦截全解析:从Play Protect到厂商管控的应对指南

在移动应用分发领域,APK(Android Package)安装是开发者与用户交互的关键环节。其核心原理涉及安卓系统的安全沙箱机制与权限管理体系,旨在保护用户设备免受恶意软件侵害。这一机制的技术价值在于平衡了应用生态的开放性与安全性,但也在应用推广、企业内部分发等场景中带来了挑战。尤其在通过官网、广告等直链渠道分发APK时,常会遇到安装转化率骤降的问题。这背后主要受到Google Play Protect云端扫描、安卓系统安装权限模型演进(如Android 8.0+的安装源授权)以及设备制造商附加安全层(如

weixin_33894640的博客 472

anaconda Pycharm jupyter环境配置教程(最后一次写了!!!)

配置前的工作 默认anaconda和pycharm已经安装了,anaconda要注意一个就是 第一个是说他自动给你把环境变量添加到path路径里,这样就免得自己再配置了 然后pycharm可能只能免费使用30天,用这个方法可以到2089年https://xiaobaibubai.blog.youkuaiyun.com/article/details/109565159 之前写的这个文章可能确实有点慢,因为没说更换其他源啥的,很多包都安装失败,这里再详细说一下。 先参考这个博客把那个方法二的文件更换了吧。 两种方.

小白不白 5211

LTSPICE仿真电路:(二十八)三极管厄利电压与输出特性曲线深度解析

本文深入解析了LTSPICE仿真电路中三极管的厄利电压与输出特性曲线,详细介绍了厄利电压的物理意义、仿真设置及实际应用。通过伏安特性曲线和厄利电压的分析,帮助读者理解三极管放大性能的关键参数,并提供了电路设计中的优化方案和故障排查技巧。

weixin_26899659的博客 151

计算机网络-自顶向下方法 第三章课后习题答案(第七版)

复习题 R1. a) 就叫这个协议为简单传输协议STP(Simple Transport Protocol)。在发送方,STP从发送进程接收不超过1196字节的数据块、目标主机地址和目标端口号。STP向每个块添加一个4字节的头,并将目标进程的端口号放在头中。STP然后将目标主机地址和结果段提供给网络层。网络层将段交付给目的地主机的STP。目的主机基于STP检查段中的端口号,从段中提取数据,并将数据传递给由端口号标识的进程。 b) 在发送方,STP从发送进程接收不超过1192字节的数据块、目标主机地址和目标端

Erekilu的博客 2万+

Win10/11机器学习环境搭建—python、pycharm、anaconda、pytorch_gpu、tensorflow_gpu、Jupyter Notebook

Python-Anaconda- CUDA-cudnn-Torch- Tensorflow-显卡驱动-版本对应关系。 Anaconda下载、安装和运行。 Anaconda常用指令。 Anaconda创建虚拟环境。 Anaconda下载源更换为国内源。 Anaconda虚拟环境中安装CUDA。 Anaconda安装pytorch_gpu。 Anaconda安装tensorflow_gpu。 Jupyter notebook添加虚拟环境。 修改Jupyter Notebook默认的工作目录。 安装pycharm

chaiky的博客 1万+

别再手动抓波形了!用Synopsys AXI VIP的Port Monitor自动收集事务数据(附完整连接Scoreboard代码)

当标准Port Monitor无法满足需求时,Synopsys提供的callback机制就像一套精密的手术工具,允许你深入VIP内部进行定制化改造。创建自定义监控点的四步法继承基类// 其他自定义字段...endclass重写目标phase方法// 克隆事务并发送到自定义端口在env中注册callbackcustom_cb);连接自定义端口到分析组件经典应用场景地址phase特定检查数据beat级监控自定义性能统计异常注入检测。

weixin_28716181的博客 399

Python环境配置保姆教程(Anaconda、Jupyter、GPU环境)

1. 写在前面 搞算法的同学也都明白,一个比较完美的python环境是多么的重要。这篇文章打算把一些必备的python环境配置过程记录下来,这样不管是新到了公司实习或者就职,还是新换了电脑,都可以借鉴这篇快速把环境搭建起来啦 ???? 由于我也是重装了系统,所以算是从0开始搭建python环境,这次从anaconda安装开始, 然后到cuda的相关安装配置,再到cudnn的安装配置,然后从anaconda中建立虚拟tensorflow和pytorch的虚拟环境,再各自的虚拟环境里面安装jupyter n

m0_59164583的博客 516

飞塔防火墙CVE-2022-40684漏洞复现:手把手教你搭建靶场环境(附调试技巧)

本文详细指导如何搭建Fortinet飞塔防火墙CVE-2022-40684认证绕过漏洞的靶场环境,涵盖虚拟机部署、网络配置、调试模式开启及漏洞原理分析。通过手把手教程,读者可掌握漏洞复现与深度调试技巧,深入理解该认证绕过漏洞的利用与防御。

h6i7j8的博客 697

LTE网络下的SMS收发(SMS Over SGs方案的详细流程)

关键词: IMS,SMS, LTE, MSC, MME, EPS,eNodeB, SMS Over SGs, SMS Over IMS 2G时代由于采用了比较复杂的CS/PS域架构,所以SMS(短信)作为上个世纪的产物,一直寄居在2G的CS域架构下。看看核心网的配置,其实SMS的收发还是比较复杂的。 介绍下面的信息之前你需要去百度一下这些关键词,这里我只说明比较重要的三个单元 MS 移动终端...

kevin的博客 2万+

Anaconda与PyTorch安装全攻略,详细保姆级安装教程(gpu版本)

本文详细介绍了Anaconda和PyTorch(GPU版本)的安装配置流程。主要内容包括:1)Anaconda的镜像源下载、环境变量配置及快捷方式设置;2)PyTorch GPU版本的安装步骤,包含虚拟环境创建、CUDA升级、版本匹配和安装验证;3)Jupyter编辑器的路径修改、字体调整和虚拟环境连接方法;4)PyCharm的安装与基础设置。文章提供了从环境搭建到工具配置的完整指导,包含镜像源使用、版本选择建议和常见问题解决方法,适合需要配置Python深度学习开发环境的用户参考。

weixin_70217160的博客 8893

飞牛NAS新增虚拟机功能,如果使用虚拟机网卡直通安装ikuai软路由(如何解决OVS网桥绑定失败以及打开ovs后无法访问飞牛nas等问题)

飞牛NAS新增虚拟机功能,如果使用虚拟机网卡直通安装ikuai软路由

XiaoqiangClub的博客 1万+

【Anaconda安装-环境配置-虚拟环境-扩展插件-汉化教程】

这篇博文记录我在Anaconda的安装和使用过程中,碰到了一些问题,在解决的过程中,搜索到了很多博主的文章,从而解决了问题。因此,撰写本博文的目的,是记录Anaconda安装和使用的完整过程,我没有上传相关的图片,因为我参考的博主博文写的很详细了,加上图片的话,文章就会显得很长,而且每一步都截图,很耗时间。(1)Anaconda的下载与安装;(2)环境配置;(3)测试验证配置的环境;(4)修改默认目录;(5)修改虚拟环境及安装包的默认路径;(6)建立虚拟环境;(7)使用虚拟环境;(8)更换镜像源;

taibudong1991的博客 1477

uniapp(全端兼容) - 实现点击输入框时完美顶起键盘,获取键盘高度动态计算顶起距离,解决软键盘弹出时输入框被覆盖问题,uniapp微信小程序/移动端h5网页/安卓苹果app(示例代码,一键复制

uniapp,支付宝微信小程序,移动端H5网页网站,软键盘弹出位置不对,软键盘挡住了输入框怎么办,获取键盘高度计算弹出距离,uniapp如何解决输入框input激活后键盘弹出遮挡问题,uniapp输入框偶尔被键盘遮挡,解决uniapp在App环境下输入框被软键盘遮挡的问题,uniapp 完美解决苹果和安卓input框遮挡兼容问题,uniapp输入框拉起软键盘时,输入框显示不全,被软键盘挡住一半,input被键盘遮挡的解决方案,软键盘遮挡输入框,uniapp软键盘顶不起来输入框,输入框没有被软键盘弹出来怎么办

✅ 精选推荐文章 1万+

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

tensorflow-gpu环境配置(anaconda,jupyter)

近些时间一直在用autodl租服务器,没怎么用自己的电脑跑深度学习。今天发现自己的tf环境已经有很严重的包不兼容的情况,只能重新安装,其实已经安装过好几次了,每次都要重新找教程,所以自己整理了一些命令和遇到的问题。

qq_53429737的博客 797

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

上一篇: Python能用来做什么?以下是Python的三大主要用途
下一篇: 几个被淘汰的Python库,请不要再用!
大模型应用场景
博客等级 码龄5年 7683粉丝 1350原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值