深度学习——环境搭建(1)

深度学习1---环境安装 1 阅读详情

conda虚拟环境

conda常用命令

  1. conda list 查看conda的包
  2. conda env list 或 conda info -e 查看当前存在哪些虚拟环境
  3. activate 虚拟环境名 切换环境
  4. conda deactivate 退出该虚拟环境,并切换到base环境
  5. conda update conda 检查更新当前conda

对虚拟环境的操作

  1. 创建python虚拟环境。

    使用 conda create -n your_env_name python=X.X(2.7、3.6等)命令创建python版本为X.X、名字为your_env_name的虚拟环境。your_env_name文件可以在Anaconda安装目录envs文件下找到。

  2. 使用激活(或切换不同python版本)的虚拟环境。

    打开命令行输入python --version可以检查当前python的版本。

    使用如下命令即可 激活你的虚拟环境(即将python的版本改变)。

    Linux: source activate your_env_name(虚拟环境名称)

    Windows: activate your_env_name(虚拟环境名称)

    这是再使用python --version可以检查当前python版本是否为想要的。

  3. 对虚拟环境中安装额外的包。

    使用命令conda install -n your_env_name [package]即可安装package到your_env_name中

  4. 关闭虚拟环境(即从当前环境退出返回使用PATH环境中的默认python版本)。

    使用如下命令即可。

    Linux: source deactivate

    Windows: deactivate

  5. 删除虚拟环境。

    使用命令conda remove -n your_env_name(虚拟环境名称) --all, 即可删除。

  6. 删除环境中的某个包。

    使用命令conda remove --name your_env_name package_name 即可。

  7. 重命名虚拟环境

    实际上虚拟环境的更名是通过clone虚拟环境实现的,具体分两个步骤:
    1)clone
    conda create -n 新环境名 --clone 原环境名
    2)delete 旧环境
    conda remove -n 原环境名 --all

Anaconda 修改文件保存路径

1.打开Anaconda Prompt

输入jupyter notebook --generate-config生成配置文件~\.jupyter\jupyter_notebook_config.py

2.打开~.jupyter\jupyter_notebook_config.py

修改 #c.NotebookApp.notebook_dir = ’ ’ 为下一行

c.NotebookApp.notebook_dir =‘D:\WangyusSoftware\Anaconda\pythonNotebook’

注意去掉注释#,完成路径的修改

3.刷新快捷方式

右键Jupyter notebook属性,去掉目标一栏中的%USERPROFILE%即可。

4.打开Jupyter notebook

点击New->python3进入到python的编辑页面

输入:import os
print(os.path.abspath(‘.’))

运行查看Jupyter notebook的存储路径的

运行的快捷键shift+enter

第三方库版本的更新(Tensorflow为例)

  1. 打开Anaconda Prompt,进入主环境,切换到子环境(即激活子环境tensorflow),命令activate tensorflow,
  2. 更新tensorflow库版本,输入命令 pip install --upgrade --ignore-installed tensorflow,等待安装结束即可
    注:
    1)如果想指定版本,输入命令pip install --upgrade --ignore-installed tensorflow==x.x.x ,比如1.4.0
    2)更新版本命令也可以输入pip install --upgrade tensorflow,与pip install --upgrade --ignore-installed tensorflow 的区别,还不是很清楚。
  3. 查看已安装的tensorflow版本。第二步安装结束后,依次输入命令,即可看到tensorflow版本号
    python
    import tensorflow as tf
    tf.__version__(单词version前后都是两个下划线,__
深度学习环境搭建超级详解(Miniconda、pytorch安装) 《动手学深度学习》,本文主要是为了记录在环境搭建过程中遇到的问题和疑惑,以及解决方法, 阅读详情

相关推荐

深度学习入门之初学之环境搭建及经验

深度学习环境搭建

weixin_47143359的博客 3165

anaconda中创建虚拟环境(env),便于该环境为项目专用环境

参考博客地址 最近在学习深度学习,将别人的代码下载到本地运行时,需要安装一大堆的依赖库,又担心各个库之间会产生冲突,于是需要在anaconda中新建虚拟环境,把这些需要的安装包都装到一个虚拟环境里面。这样,一个项目就对应一个虚拟环境,包与包之间也就不会产生冲突。 虚拟环境中常用操作命令 conda env --help #查看帮助 conda env list #列出所有的虚拟环境 ...

Gavid的博客 2517

M1开发深度学习的环境搭建

金玉良缘易配而木石前盟难得|M1 Mac os(Apple Silicon)天生一对Python3开发环境搭建(集成深度学习框架Tensorflow/Pytorch) 首页 - Mac & Linux /2021-03-04 微信扫一扫:分享 ...

qq_45636009的博客 2187

深度学习:新项目的环境搭建

由于最近刚刚接触深度学习,接下来记录一下自己浮现项目的过程,并将其总结成方法,以便于以后的使用。下载代码在这里本文总结了个人对于一个项目的环境搭建的见解,环境搭建真的好麻烦,网上资料太分散了,要上网找好长时间,所以就想着自己写一篇,这样以后就不用花费大量时间去配置环境了。。。

qq_63250140的博客 2285

1、搭建深度学习图像识别开发环境

0. 所需硬件 Nividia显卡,并且计算能力>=3.5,GeForce GTX 1050/1060/1070等都是性价比都是非常高的GPU。参考地址:https://developer.nvidia.com/cuda-gpus#compute 1. 安装Anaconda 下载地址:https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ 下载的版本为:Anaconda3-5.2.0-Windows-x86_64.exe,该Anaconda对应P

抄而不思则废 7956

从ESP/ABS选型看轮速传感器:为什么你的车用了AK+PWM+7/14mA三种协议?

本文深入解析了汽车轮速传感器的三种主流协议(7/14mA电流型、PWM型和AK协议型)及其混合应用场景。通过对比不同协议的技术特点、成本效益和工程挑战,揭示了现代车辆采用多种传感器协议背后的设计逻辑,包括成本控制、性能平衡和冗余设计等关键因素。

weixin_29266679的博客 535

动手学深度学习——1. 环境搭建

动手学深度学习——1. 环境搭建 记录一下学习深度学习的一些。本篇简述如何在Windows上搭建一个深度学习的环境。 目前所使用的平台: Windows 10 8700K GeForce RTX 2070 CUDA 10.1 安装Anaconda 安装 Anaconda 来安装和管理 Python。 下载地址: Individual Edition 安装过程中选择一下安装地址,和勾选添加到环境变量即可,方便在 cmd 中直接执行 conda。 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存

QWERDF007的博客 769

四大AI编程工具深度对比:Claude Code、Codex、OpenCode与WorkBuddy选型指南

AI编程助手正从代码补全走向自主执行的智能体形态,其核心原理是通过“规划-执行-观察”循环让模型自主完成文件修改、命令运行与错误修复。这类工具的技术价值在于提升长任务连续性与上下文理解能力,同时通过自定义指令与技能机制沉淀团队规范,适应不同工程场景。在实际选型中,开发者常面临终端CLI与图形化工作台、模型开放程度与绑定生态之间的权衡:Claude Code强调深度Agent体验,Codex支持灵活接入OpenAI兼容模型,OpenCode以开源多模型见长,WorkBuddy则提供全流程集成环境。本文基于真实

weixin_42526166的博客 138

深度学习与大模型第1课环境搭建

链接:https://pan.baidu.com/s/1Na2xOFpBXQMgzXA93PJJYQ?链接:https://pan.baidu.com/s/1Gp-C_mzmJ_C3pSe3i1SWKw?如果遇到其他问题,建议检查错误信息,并根据提示进行相应的修改。路径:C盘 - 用户 - 电脑名 -打开 Anaconda Prompt。来自百度网盘超级会员V5的分享。来自百度网盘超级会员V5的分享。按需添加或修改环境变量。

Maynor的博客 1340

从零到千兆:KSZ9031 PHY芯片在Zynq PS端的驱动移植心路历程

本文详细记录了在Xilinx Zynq-7000平台(基于XC7Z020芯片)上,为KSZ9031千兆以太网PHY芯片移植LwIP协议栈驱动的完整过程。从硬件连接配置、Vivado工程设置到LwIP库的深度修改与调试,分享了解决PHY识别、自协商及性能优化等关键问题的实战经验,助力开发者实现稳定的千兆网络连接。

honey的博客 1117

IBM x3650M4服务器更换主板后,导入原有硬盘阵列信息

x3650m4服务器主板坏了,更换好的主板,需要导入原来硬盘的里面的阵列信息 1、开机有提示信息,按C导入配置 2、按Y继续 3、点击start进入阵列卡配置 4、选择configurations 1,点击preview 5、预览硬盘的阵列信息,点击import导入 6、导入成功,可以查看到阵列信息 7、重启服务器,进入操作系统 如果重启找不到操作系统,重启按f12,手动选择从onboard sas controller启动,进入系统一次后面重启就会自动找到并引导系统了。 8、有时候导入阵列

zds00virtue的博客 2万+

深度学习 #1 —— 环境搭建(基于 Windows)

注:由于写稿时博主已完成搭建,所以部分步骤的截图可能会缺失。 环境搭建可分为三步: Anaconda CUDA (无英伟达芯片可跳过) PyTorch 一、Anaconda Anaconda 提供了 Conda、Python 等海量科学包,功能齐全、安装简便。 首先进入Anaconda 官网下载安装程序。开始安装过程后,切记勾选新建环境变量到 PATH 选项,不然后期手动添加很麻烦。(好吧也不是很麻烦,但能一键完成干嘛手动呢?) 安装完成后就能在开始菜单中找到其文件夹,打开子项 ...

HowCleverIAm的博客 3441

Godot 城市模拟 – 005 OpenStreetMap 介绍:数据结构与详细示例

**摘要:OpenStreetMap(OSM)是一个开源协作奔驰地图的全球地图项目,采用社区编辑模式Tube数据自由共享。其核心数据结构包括节点(Node)、路径(Way)和关系-关系(Relation),通过标签(Tag)描述属性。节点代表坐标点,路径由节点序列组成线或面,关系则关联多个元素表达复杂地理实体。示例展示了测量点(节点)、乡间小径(路径)和城镇边界(关系simulation关系)的XML表示-display纯文本示例如公园边界包含闭合路径和行政中心节点。OSM的轻量级数据模型支持ising开放

mmx_2022的博客 1322

深度学习——1.搭建属于自己的深度学习环境

简介 对于很多刚入门机器学习或深度学习的同学来说,搭建环境是相当的头疼,不仅是因为是选择windows 还是Ubuntu,即使Python的选择也很纠结,到底是Python2或者pyhon3,到底是用pycharm这种功能完整,编译调试方便的IDE,还是应用anocanda搭建jupyter notebook.由于选择太多,反而患了选择恐惧症,不知道哪一个适合自己。这里我推荐如果您想在windo...

fu01hang02的博客 2713

浪涌电流测试仪的工作原理

浪涌电流脉冲形成的开始由同步电路 13 确定,该同步电路 13 发送命令以打开和第二开关 10 和 11,向发生器 14 发送控制命令以生成被测半导体器件 5 的控制信号和参考信号整形器 9 的触发脉冲。电流源的功率输出并联连接,以对流经被测半导体样品的电流求和。此外,使用数字控制扩展了测试仪的功能,能够产生各种形状的电流脉冲,例如梯形电流脉冲,以估计被测晶闸管的导通状态扩展时间。由于晶体管3的栅极是连接的,并且平衡电阻4包含在晶体管3的源中,因此通过每个晶体管3的电流脉冲大致相同,并重复参考信号的形状。

Jesse0257的博客 1259

潇洒郎: 小白一次性成功——红米 Note 12 5G Android12 系统13.0.16/14.0.9 小米红米手机解BL锁+ROOT-刷面具—官方ROM下载-线刷降级—解锁system系统分区

小白一次性成功——红米 Note 12 5G Android12 系统13.0.16/14.0.9 小米红米手机解BL锁+ROOT-刷面具—官方ROM下载-线刷降级—解锁system系统分区

潇洒郎的博客 4587

深度学习代码实践(二)- Mac M1 环境搭建

截止到 2021 年下半年, 推荐使用 Apple 官方的 tensorflow-meta 的插件来启用 Tensorflow 在 Mac M1(包括 M1 Pro, M1 Max)上面的GPU加速。以下介绍完整的深度学习开发环境的搭建过程。 参考 apple 官方文档:Tensorflow Plugin - Metal - Apple Developer 1.安装 pyenv 虚拟环境管理包 首先,推荐使用 pyenv 来安装专用的虚拟环境,以固定使用一个特定的Python版本,避免.

千里之行 1684

【学术情报智库】目录学的数字化蜕变:从古籍整理到AI知识图谱的跨越

我们既是浩瀚知识的守望者,也是数字智识的开拓者。目录学数字化不是技术替代传统,而是融合创新,让学术的系统性与多样性在新媒介下焕发新的生命。以AI为桥,既要智能链接,也要人文关照——这是对自我文明的深情回应,也是新知时代的庄严约定。

高校图书馆高级系统架构师/研究馆员,推动高校AI从概念演示到可评审、可交付、可运维:路线图与立项评审、PoC交付、评测回归与上线运维(Baseline/Eval/Ops)。 1423

深度学习环境配置——1.5 环境搭建附录

anconda安装&conda环境创建&pytorch-gpu安装&容器基础配置错误集&cuda安装&cudnn安装

数分在路上 1935

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

【平台搭建】windows深度学习环境搭建-CUDA9.0、cudnn7.1、tensorflow_gpu1.10的安装(附软件网盘下载链接)

目录1.操作系统2.软件下载3.安装CUDA9.04.安装cudnn7.15.安装tensorflow_gpu1.105.1运行pip install命令安装本地WHL文件5.2 运行pip install命令安装msgpack库6.测试运行环境7.总结 1.操作系统 本文中演示的操作系统是Win10。 2.软件下载 百度云盘下载链接:https://pan.baidu.com/s/1zfI8MYEgjttSQCRu0eobpA 提取码:foik 本文作者在链接中上传了3个深度学习环境搭建所必需的文件,如下

小苏打的学习博客 1349

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")

深度学习环境搭建-CUDA9.0、cudnn7.3、tensorflow_gpu1.10的安装

0.前言 本文作者接触深度学习2个月后,开始进行目标检测实践。 本文作者的专题《目标检测》链接:https://www.jianshu.com/c/fd1d6f784c1f 此专题的宗旨是让基础较为薄弱的新手能够顺利实现目标检测,专题内容偏向于掌握技能,学会工具的使用。 本文作者尚未具备清楚讲述目标检测原理的能力,学习原理请自行另找文章。 1.不同操作系统...

潇洒坤 802

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

Day1 pytorch深度学习环境搭建(cpu版本)

引言 最近看完了李宏毅的机器学习,开始学李沐的《动手深度学习》,完完全全是从零起不。写深度学习一是为了毕业论文做准备,二是希望能用发一篇论文。想通过这个平台想督促自己学习,同时希望自己的笔记给同时刚入坑的你一些帮助。 以前安装过python,现在查看一下自己python的版本 1. 安装anaconda 1.1 anaconda干什么用的 anaconda是一个包管理器和环境管理器。 包管理 Anaconda 附带了一大批常用数据科学包,它附带了 conda、Python 和 150 多个科学包及其依

weixin_40159480的博客 1万+

深度学习环境配置——1.1 系统环境搭建

制作系统盘 & ubuntu20系统安装 &机械盘挂载 & 网络配置 &RAID简介

数分在路上 1177

深度学习环境搭建1-pytorch框架

工作需要,自己实际动手安装的深度学习环境,包括CUDA、pytorch 、opencv等。 1 安装CUDA 1.1官网下载cuda 1.2安装 1.3.配置环境变量 1.4.检查是否安装成功 2 安装cuDNN(7.6.5版本) 下载:cuDNN Archive | NVIDIA Developer 上述三个都需要下载并按照顺序安装,否则会出错 安装命令: sudo dpkg -i libcudnn7_7.5.0.56-1+cud...

weixin_49025357的博客 3462

深度学习环境搭建-Anaconda5.2、CUDA9.0、cudnn7.3、pytorch1.0.1的安装

2019年4月14日笔记 本文中演示的操作系统是Windows10。 1.软件下载 百度云盘下载链接: https://pan.baidu.com/s/1ACJSry3egBGin-w50RwtyQ 提取码: cs6y 本文作者在链接中上传了5个深度学习环境搭建所必需的文件,如下: 百度云盘截图.png Microsoft出品,在Window...

潇洒坤 926

深度学习双显卡配置_linux(manjaro) tensorflow2.1 conda cuda10 双显卡笔记本深度学习环境搭建...

linux(manjaro) tensorflow2.1 conda cuda10 双显卡笔记本深度学习环境搭建下学期要学tensorflow,看着我可怜的1050ti,流下了贫穷的泪水,但无奈要做实验啊,学还是得学的,安装过程记录一下,仅供参考关于manjaro之前写过一篇怎么安装manjaro的文章来着,虽然manjaro在国内不是大众发行版,但在尝试过诸多linux后,我最终留在了manja...

weixin_35774805的博客 953
上一篇: Anaconda 修改文件保存路径
下一篇: Tensorflow安装——环境搭建(2)
Priplex
博客等级 码龄6年 18粉丝 19原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 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