Windows、MacOS以及Linux上以多种方式安装Python环境

大模型应用场景 大模型应用场景 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.2k累计阅读 1.2k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 2024-01-05 16:27:50 1.2k 阅读 AI 写同款· GEO 优化 ›
Matplotlib 安装指南 通过以上步骤，您可以在各种操作系统上成功安装 Matplotlib。安装完成后，您可以开始使用 Matplotlib 的强大功能来创建各种图表和图形。Matplotlib 的广泛使用和社区支持确保了其在数据可视化领域的领导地位。 阅读详情

Python简介

1989年Python的创始人Guido van Rossum为了设计一种简单、易读、易学且具备良好的扩展性的编程语言在荷兰完成了Python的第一个版本-Python0.9.0,在2008年12月3日发布了Python的3.0版本，在Python3.X版本中引入了与Python2.X版本不兼容的语法和库变更，所以Python2.X项目过渡到Python3.X可能需要进行一些调整，目前Python3.X为官方推荐的版本。在2010年左右的时候机器学习和人工智能的爆火热潮也为Python的快速发展带了机遇。

那么Python能做什么呢？

机器学习与人工智能：Python 成为了机器学习和人工智能领域的主要编程语言之一。诸如 TensorFlow、PyTorch、Scikit-learn 等库的出现使得 Python 在数据科学和机器学习方面发挥了关键作用。

Python Web框架: Python 在 Web 开发领域也取得了巨大成功，有众多流行的 Web 框架如 Django、Flask、FastAPI 等。这些框架使得开发 Web 应用变得更加简便。

当然Python能做的还远不止上述这些，Python应用广泛，特别是在数据科学、机器学习、人工智能、自动化、网络开发等领域，可以作为初学者上手的第一门编程语言，上手快语法简介，所以今天就为大家带来入门Python学习的第一步:Python安装与配置(包含Windows、MacOS、Linux环境)。

Mac下安装Python

方式一：检查Mac上自带的Python环境

在MacOS中通常都在带Python2.X版本，可以打开终端查看系统是否已经预装了Python环境

# 查看Python版本命令
python --version
python -V
方式二：通过HomeBrew安装

HomeBrew是Mac上的一个常用的包管理工具，可以通过打开终端执行以下命令安装HomeBrew

/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

扩展: 如果使用官方源安装，下载源是GitHub;部分国内用户可能下载速度较慢，可以讲HomeBrew换成国内的中科大源(ustc)（当然也可以换成阿里、清华等源）

# 1.替换brew.git:
cd "$(brew --repo)" && git remote set-url origin https://mirrors.ustc.edu.cn/brew.git
# 2.替换homebrew-core.git:
cd "$(brew --repo)/Library/Taps/homebrew/homebrew-core" && git remote set-url origin https://mirrors.ustc.edu.cn/homebrew-core.git
# 3.替换homebrew-cask.git:
cd "$(brew --repo)/Library/Taps/homebrew/homebrew-cask" && git remote set-url origin https://mirrors.ustc.edu.cn/homebrew-cask.git
# 4.zsh替换hombrew-bottles镜像（Mac OS在10.15系统以后默认的shell都是zsh）
echo 'export HOMEBREW_BOTTLE_DOMAIN=
https://mirrors.ustc.edu.cn/homebrew-bottles' >> ~/.zshrc
# 重新加载.zshrc使其生效
source ~/.zshrc
# 5.bash替换homebrew-bottles
echo 'export HOMEBREW_BOTTLE_DOMAIN=
https://mirrors.ustc.edu.cn/homebrew-bottles' >> ~/.bash_profile
# 刷新源
brew update

如果访问GitHub不慢可以忽略上述换源，两个命令直接搜索安装Python3.X版本等待安装完成即可。

# 1、使用homebrew搜索python
brew search python
# 2、安装python3.X 版本
brew install python
# 3、安装HomeBrew中指定的python版本
brew install python@3.11

方式三: 通过官网的安装包安装

访问Python官方网站下载Python安装包;官网地址: https://www.python.org/downloads/

这里会自动识别操作系统显示，选择想要安装的Python版本，默认在最上面的会是最新的Python版本(例如现在的3.12)

选择好版本以后拉到页面的最下面找到MacOS的进行下载。其它安装包为Linux二进制源码包和Windows安装程序。

下载完成后双击下载的python.pkg文件进入安装向导，在安装向导中一路点击继续即可。默认存放路径是Application文件夹下，可以在启动中显示。

安装完成后即可在启动中看见两个文件一个是Python集成开发环境IDLE一个是用于管理系统多个Python版本的Python Launcher。点击IDLE即可进入到Python的集成环境中。如下图所示:

Windows下安装Python

方式一:官网下载安装安装

和上面MacOS安装包安装一样，访问Python官网下载Windows操作系统安装包，如果是安装最新版本点击download按钮会自动下载适合自己电脑位数的安装包，如果想要下载其它版本需要注意自己电脑的位数,下载完成后双击进行安装。在安装过程中确保勾选 “Add Python 3.x to PATH”（将 Python 添加到系统环境变量中），这样就不需要自己去配置环境变量了。

如果是想要自定义安装路径记得选择custom install,不然默认就安装到C盘下啦，如果想要所有电脑用户都有Python环境记得勾选Use admin那个勾选框

安装成功后如下图所示：

方式二：通过应用商店安装

打开电脑上的应用商店(Microsoft Store)搜索python如下图所示

搜索结果中会展示在应用商店中的python版本，基本上都是python3.X的版本，点击安装即可，而且如果登录了Microsoft账号的话，以后换其它Windows电脑还可以再应用商店找到重新安装就好了，如下图所示

验证安装

按下Win+R键打开运行输入cmd打开命令提示符,输入以下命令来检查Python是否已经成功安装：

python --version
python -V
Linux上安装Python
检查是否安装了默认的Python

和在Mac上一样，许多Linux也自带了Python，可以先检查是否有默认的Python2.X版本

使用Linux命令安装

使用yum命令安装python时，如果是python3.X需要使用python3,如果是python2.X使用python

# 查看系统可用的Python3版本
yum list python3
# 查看系统可用的Python2版本
yum list python
# 安装系统中最新的python3.X版本
yum install python3
# 安装系统中指定的python3.x版本
yum install python36
# 安装python2.X 版本
yum install python
# 安装指定的python2.X版本
yum install python27
# 检查python3.X版本
python3 -V
通过源码安装

如果这台服务器能够访问外部网络的话，可以直接通过wget命令下载源码压缩文件,python二进制包列表地址:https://www.python.org/ftp/python/ 选择好版本后下载。如果有网络限制的话可通过Mac安装Python中的图中选择版本进行下载然后将源码安装下载后通过工具或者使用scp、ftp命令上传至服务上去即可。

# Linux上下载Python3.7.9命令
wget https://www.python.org/ftp/python/3.12.9/Python-3.7.9.tgz

找到上传至Linux的Python安装包后，解压并进入解压后的目录

# 注意替换具体的版本号
tar -xzvf Python-3.x.x.tgz

进入到解压好的Python目录进行源吗编译安装

cd Python-3.x.x
# 检查系统(需要C编译器)成功后会生成MakeFile文件，注意自己的版本号
./configure --prefix=/usr/local/python3.12 --enable-shared
# 编译,可能需要一些时间
make
# 安装，可能需要一些时间
sudo make install

CentOS上安装C编译器

yum groupinstall "Development Tools"

编译源码的安装方式同样可以在MacOS操作系统上进行编译安装,如果编译安装失败，可以多尝试几次或者切换到某个稳定的Python版本进行尝试，您也可以将安装失败原因放到留言区，具体问题具体分析。

默认的安装路径为: /usr/local/bin/python3.x,此时我们还需要设置一个软连接，以便能够在其它路径下能够执行python3

# 注意替换自己的版本号
ln -s /usr/local/python3.12/bin/python3 /usr/bin/python3
# 设置完成以后输入版本号信息命令如果能够正常显示即安装成功
python3 -V

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，也可以内推兼职群哦~

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

1.Python学习路线

image-20230619144606466

python学习路线图1

2.Python基础学习

01.开发工具

02.学习笔记

在这里插入图片描述

03.学习视频

在这里插入图片描述

3.Python小白必备手册

图片

4.数据分析全套资源

在这里插入图片描述

5.Python面试集锦

01.面试资料

在这里插入图片描述

在这里插入图片描述

02.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 🙇‍♂️ ------
标签
#windows #macos #linux
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
python-3.7.3-macosx10.9.pkg 安装包 python-3.7.3-macosx10.9.pkg Python 3.7.3 for Mac OS X macOS (for OS X 10.9 and later) macOS 64-bit installer MD5: 4ca0e30f48be690bfe80111daee9509a File Size: 27839889 请不要给我5星好评，因为好评会上涨下载积分！ 立即下载

相关推荐

基于matlab版本的三维直流电法反演算法

可以使用RESINVM3D工具包等现成的MATLAB工具进行三维直流电法反演。反演问题求解：基于MATLAB的反演问题求解算法实现和应用，包括反演问题数值模拟、反演问题参数优化和反演问题结果分析。希望这个代码示例能帮助你入门三维直流电法反演。如果有更具体的需求或问题，可以进一步探讨。反演过程中可能需要调整正则化参数和优化算法的设置。需要根据实际问题实现，可能涉及复杂的数值计算。

ytttr873的博客 671

chatgpt赋能python：Python怎么重装？完整指南

本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于AI+职场+办公方向。下图是课程的整体大纲下图是AI职场汇报智能办公文案写作效率提升教程中用到的ai工具。

a058046的博客 1425

SAP PS项目结算实操：从CJ20N到CJ88，手把手搞定项目成本结转与凭证生成

本文详细解析SAP PS项目结算全流程，从CJ20N到CJ88的操作要点，涵盖成本归集、结算规则配置、结果分析及凭证生成等关键环节。特别针对FICO模块中的项目凭证流转问题提供实战解决方案，帮助财务人员规避常见配置错误，提升项目结算效率与准确性。

weixin_26833503的博客 820

在Windows系统中安装Python

在Windows系统中安装Python

qq_53810226的博客 2792

基于 Matlab 的亚像素边缘检测算法：Zernike 矩

Zernike 矩是一种基于正交多项式的特征提取算法，可以用于分析和描述数字图像中的形状和结构。Zernike 矩可以描述图像在不同方向、不同比例和旋转角度下的变化情况，因此具有很好的不变性和鲁棒性。在基于 Zernike 矩的亚像素边缘检测算法中，我们首先需要将原始图像转换为极坐标系下的图像。然后，对每个像素点，计算其在不同方向下的一阶导数和二阶导数，并将其转换为极坐标系下的形式。其中，“n”表示次数，“m”表示阶数，“rho”和“theta”分别表示极坐标系下的半径和角度。% 转换为极坐标系下的形式。

2301_79325339的博客 983

Python量化交易：计算累积收益率

可以使用第三方库（例如pandas_datareader）从各大金融数据源获取股票的历史价格数据，或者使用自己的数据源。通过计算累积收益率，我们可以了解投资的整体盈利情况，并对投资策略进行评估和调整。在量化交易中，计算累积收益率是一项重要的任务。累积收益率反映了投资组合或某个股票的整体收益情况，能够帮助我们评估投资的盈利能力。本文将介绍如何使用Python计算累积收益率，并提供相应的源代码。在计算每日收益率之后，我们可以计算累积收益率。最后，我们可以绘制累积收益率的曲线图，以直观地观察投资的收益情况。

CodeHeroicX的博客 807

如何在 Windows上安装 Python

对于初学者和经验丰富的开发人员来说，Python 编程语言越来越受欢迎。Python 灵活且用途广泛，在脚本编写、自动化、数据分析、机器学习和后端开发方面具有优势。在本教程中，您将使用适用于 Windows 的 Python 安装程序在 Windows上安装 Python。

阿极的博客 1万+

YOLOv11改进策略【卷积层】| arXiv 2025 YOLO-Master中的稀疏混合专家ES-MoE 动态路由提适配 + 稀疏激活降延迟，突破精度-效率权衡

ES-MoE（Efficient Sparse Mixture-of-Experts）是为解决传统YOLO类实时目标检测器的静态计算冗余问题而提出的稀疏混合专家模块。现有YOLO架构对所有输入场景采用统一的密集计算模式，导致简单场景资源浪费、复杂场景（如密集小目标、遮挡场景）计算不足，难以平衡检测精度与推理速度。ES-MoE引入实例条件自适应计算，通过动态路由机制为不同复杂度的输入分配差异化计算资源，突破传统静态架构的精度-效率权衡限制，同时适配实时检测的轻量化需求。

Limiiiing的博客 465

【python教程入门学习】Python教程第1篇：下载和安装Python

Python是当下流行的通用编程语言，简单易学、容易上手，且“钱”景广阔。 在网络爬虫、数据挖掘分析、人工智能、运营运维、日常工作效率提升，无不有Python的影子。 因此，今天跟大家分享Python的下载和安装教程。 第一步：下载Python最新版本 Python官网：http://www.python.org 进入官网之后，根据电脑系统选择合适的版本下载安装。截止到目前为止，python-3.10.2是Python最新版本（此版本Windows7系统及更早系统无法使用，Windows7系统的小伙伴可以选

zihong523的博客 2805

基于Spring Boot + Vue 3的前后端分离教材订购系统设计与实现

随着高校信息化建设的不断深入，传统手工管理教材的方式已无法满足高效、准确、透明的需求。文章将详细阐述系统的需求分析、架构设计、数据库设计、核心功能模块的实现（包括用户认证、教材管理、购物车、订单管理等），并提供关键代码片段。一个集中化、在线化的教材订购系统可以有效地解决这些问题，实现教材信息的统一管理、学生在线选书、订单自动汇总、财务清晰对账，极大地提升了管理效率和服务质量。系统采用了先进的前后端分离架构，实现了用户管理、教材管理、购物车、订单管理等核心功能，具有良好的可扩展性和可维护性。

2201_76125393的博客 330

C#串口通信从入门到精通（26）——多个串口多个线程发送数据和接收数据

本文介绍如何在多个串口下使用多线程进行发送和接收数据，由高级工程师多年经验总结而成，绝对是串口领域的实战经验！

qq_34059233的博客 8708

windows电脑安装python教程

1 版本选择 2.x版本将慢慢退出历史的舞台，建议你从3.x开始学习，本教程所使用的python版本是3.6 2 下载安装包 进入官网下载页面https://www.python.org/downloads/windows/ 找到合适的安装包  本教程所提供的示例代码适用于3.0以上的版本，如果你喜欢更高的版本，可以自己选择，在下载安装包时，一定要选择x86-64 executab...

Python新手学习之家 3732

Isaac Sim 入门教程（四）强化学习策略训练宇树人形机器人四足机器人示例

isaac_sim_policy_example Extension 是在 Isaac Sim 中部署 Isaac Lab 强化学习策略的一个框架和一组辅助函数。有关在 Isaac Sim 中训练和构建策略的详细信息，请访问在 Isaac Sim 中部署策略。该扩展程序默认已启用。如果被禁用，可在扩展管理器中搜索 isaacsim.robot.policy.example 重新启用。要运行下面的示例，请激活 “视窗”>“示例”>“机器人示例”，这将打开 “机器人示例 ”选项卡。

机器人控制与仿真应用 3934

本地搭建python开发环境

本章节我们将向大家介绍如何在本地搭建 Python3 开发环境。 Python3 可应用于多平台包括 Windows、Linux 和 Mac OS X。 Unix (Solaris, Linux, FreeBSD, AIX, HP/UX, SunOS, IRIX, 等等。) Win 9x/NT/2000 Macintosh (Intel, PPC, 68K) OS/2 DOS (多个DOS版本)...

Laic Zhang的博客 2657

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

pipx安装教程：在Windows、macOS和Linux系统上的完整配置指南

pipx是Python生态系统中一个强大的工具，专门用于在隔离环境中安装和运行Python应用程序。无论你是Python初学者还是资深开发者，掌握pipx的安装和使用都能让你的开发工作更加高效和整洁。本教程将为你提供在Windows、macOS和Linux三大操作系统上安装pipx的完整指南。 ## 🐍 什么是pipx及其核心优势 pipx是一个专门用于安装和运行Python应用程序的包管理

gitblog_00018的博客 1199

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

Python3 环境搭建

Python3 环境搭建

samLi0620的博客 105

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Python安装全流程指南：从入门到精通的环境搭建教程

Python安装指南摘要：本文提供了Python 3.12/3.10在Windows、macOS和Linux系统的详细安装教程。Windows建议自定义安装并勾选"Add to PATH"；macOS推荐使用Homebrew安装；Linux可通过apt或源码编译安装。安装完成后需验证环境变量配置，建议优化pip镜像源以提升下载速度。文中还包含常见问题解决方法和开发工具推荐，帮助用户快速搭建Python开发环境。

沪漂码农的博客 1299

超全指南：ta-lib-python安装与环境配置完全攻略

你是否曾在安装ta-lib-python时遇到过`ta-lib/ta_libc.h: No such file or directory`的错误？是否在Windows系统上被编译问题折磨得焦头烂额？是否在Linux服务器上因权限问题无法顺利配置？本文将系统解决所有安装痛点，提供Windows/macOS/Linux全平台的完整安装方案，以及15种常见错误的解决方案，让你30分钟内完成从依赖库到Py...

gitblog_00803的博客 1543

uv安装指南：curl一键安装与PyPI多种安装方式

你是否还在忍受Python包管理器的龟速安装？是否为复杂的环境配置感到困扰？uv（Ultra Fast Python）作为用Rust编写的极速Python包安装器和解析器，通过底层优化将依赖解析速度提升10-100倍，完美解决传统工具的性能瓶颈。本文将系统讲解uv的8种安装方式，从curl一键部署到源码编译，帮助你快速上手这款革命性工具。 读完本文你将获得： - 掌握跨平台（Windows/ma...

gitblog_00660的博客 1314

Python 环境搭建

Python3具备出色的跨平台兼容性，支持Windows、Linux、MacOS等主流系统，以及Unix、嵌入式等多种平台环境。安装方式包括二进制包安装（推荐）和源代码编译安装。安装后需验证Python和pip版本，必要时配置PATH环境变量。运行Python可通过交互式解释器、命令行脚本或PyCharm等IDE实现。PyCharm提供专业版和免费社区版，支持调试、代码提示等功能，并可安装中文插件。

2401_87447200的博客 637

Phockup安装教程：Windows、Mac、Linux系统快速上手指南

想要快速整理杂乱无章的照片和视频文件吗？Phockup是您的终极解决方案！这款强大的媒体整理工具能够自动按照年月日智能分类您的相机照片和视频，让您的数字生活井井有条。无论您使用Windows、Mac还是Linux系统，本指南将为您提供完整的安装教程，让您在5分钟内快速上手这款免费的照片管理神器。 ## 📋 Phockup是什么？ **Phockup**是一款开源的媒体整理工具，专门用于自动化

gitblog_01103的博客 664

uv安装使用

是你要创建的环境目录名，可以换成任意名字（比如。

m0_73161433的博客 288
上一篇： 目前我国网络安全人才市场状况_我国网络安全人才的需求状况
下一篇： 常用 Python IDE优缺点对比
点赞 16
评论 0
书签 书签 19
大模型应用场景
大模型应用场景
博客等级 码龄5年 7675粉丝 1350原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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