记忆碎片之使用pycharm+python3.7+pip安装pytorch-CPU

在Pycharm中搭建Pytorch,CUDA(踩坑无数最终精华极简版) 前言: 1.安装pytorch并不一定需要先搭建anaconda环境!(究极大坑,当时网上全是通过anaconda安装pytorch,很麻烦,根本没必要)原因详见末尾补充1。 2.在我的教程中倾向于能让系统自动安装就自动安装,因为我觉得这样能省去各种版本不匹配以及让下载下来的两个东西关联起来的烦恼。 ** 正文: ** 一、在pycharm创建一个项目 如图我选择的环境是virtualenv(并且最终安装成功了),你想选择conda或者pip都行,就随意,如果你只是像我一样想用pytorch而已,对在什 阅读详情

第一步:从官网获取下载命令

pytorch官网链接
选择适合自己的版本
在这里插入图片描述
如果你的网络经过了科学处理,网速够快的话,可以直接在pycharm中使用这个命令安装
如果你的网络跟我的一样,跟蜗牛一样慢,那就用下面的办法

第二步:在pycharm中运行上面的pip命令

在这里插入图片描述
你会发现速度真的慢,Ctrl+C结束下载,只使用它提供的链接即可

第三步:点击下载链接

在这里插入图片描述
这个时候会自动从浏览器下载文件
在这里插入图片描述
如果没有下载,那就打开谷歌浏览器,把这个链接复制一下,粘贴到地址栏,回车之后自动开始下载了

第四步:准备下载torchvision

由于torch的链接是:https://download.pytorch.org/whl/cpu/torch-1.4.0%2Bcpu-cp37-cp37m-win_amd64.whl
那个+号被转码成了%2B,所以我推测torchvision的下载地址是下面的链接:
https://download.pytorch.org/whl/cpu/torchvision-0.5.0%2Bcpu-cp37-cp37m-win_amd64.whl
不出所料,复制链接拖拽到谷歌浏览器地址栏回车之后开始下载了
在这里插入图片描述

第五步:安装

把下载好的文件复制到pycharm的当前项目路径下面:如下图是我的
在这里插入图片描述
运行命令开始安装吧
在这里插入图片描述安装另一个库
在这里插入图片描述
提示我没有安装numpy库,顺手给它装上就行了,如果提示别的库没有安装,那直接安装就行了
我用了清华源,pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ numpy
在这里插入图片描述
接着安装torchvision
在这里插入图片描述

第六步:测试安装结果

import torch

print(torch.cuda.is_available())
print(torch.__version__)

在这里插入图片描述
安装成功!!!!

安装Pytorch——CPU版本 在Python中,PyTorch库的重要性取决于你的项目需求和个人兴趣。PyTorch是一个流行的深度学习框架,它提供了易于使用的API和强大的功能,使得构建和训练神经网络变得相对简单。因此,如果你打算从事深度学习或机器学习相关的项目,安装PyTorch库是很有必要的。关于是否安装GPU版本的PyTorch,这取决于你的硬件条件和项目需求。GPU版本的PyTorch能够利用图形处理单元(GPU)的并行计算能力来加速神经网络的训练和推理过程。 阅读详情

相关推荐

2024-pip install torch为CPU版本,GPU没有被使用的解决方法(windows和linux均适用)

2024-pip install torch为CPU版本,GPU没有被使用的解决方法

yscript的博客 1480

pytorch环境搭建(CPU版本)

【代码】pytorch环境搭建(CPU版本)

星球奋斗者 1万+

uv pip install -e报错不是内存问题,而是执行上下文错配

可编辑安装(editable install)是 Python 项目开发的核心机制,其原理依赖于隔离的虚拟环境与构建后端协同解析 extras 依赖。uv 作为现代 Python 工具链,虽兼容 pip 语义,但本质是独立环境管理器——当在无 venv 的全局上下文中执行 uv pip install -e,就会因缺失 site-packages 隔离和 Python target 不明确,触发静默解析卡顿、CPU 空转或条件依赖反复探测,表现为‘爆内存’假象。技术价值在于通过 uv venv + uv a

weixin_30606461的博客 376

(详解)安装pytorch(cpu版),torch和torchvision的详细安装步骤,并在jupyter notebook和pycharm中配置好pytorch

(详解)安装pytorch(cpu版),torch和torchvision的详细安装步骤,并在jupyter notebook和pycharm中配置好pytorch

2301_81199775的博客 4万+

Hermes-Agent安装配置全指南:Ollama+OpenRouter双轨部署

AI Agent 是一种能自主规划、调用工具并持续学习的智能体系统,其核心在于结构化记忆与多模型协同推理能力。Hermes-Agent 作为可插拔的AI工作流中枢,通过解耦模型接入、记忆存储与工具执行三层架构,实现本地轻量模型(如Ollama)与远程高性能服务(如OpenRouter)的弹性调度。这种设计不仅规避单点故障,还支持上下文感知的自动化运维、Git规范提交、MySQL健康诊断等工程场景。尤其适合已有基础设施但缺乏AI集成能力的开发者与技术团队,让AI真正从‘对话助手’升级为‘数字副驾’。

bangtuo9862的博客 483

深度学习八大神经网络实战速通:从CNN到Transformer的代码实现与部署

深度学习作为人工智能的核心技术,通过构建多层神经网络模型,能够从数据中自动学习特征与模式。其核心原理在于利用反向传播算法优化网络参数,以最小化预测误差。这项技术的价值在于能够处理图像、文本、序列等复杂数据,实现分类、预测、生成等高级智能任务,广泛应用于计算机视觉、自然语言处理、推荐系统等领域。本文聚焦于CNN、RNN、GAN、Transformer等八大经典神经网络,通过PyTorch和TensorFlow框架,提供从环境搭建、模型训练到效果验证的完整实战路径,帮助初学者快速建立深度学习知识体系,掌握核心模

weixin_30613343的博客 448

PyTorch实战:从零详解RNN与LSTM,解决变长序列处理与梯度问题

在深度学习领域,处理具有时序或上下文依赖的数据(如文本、语音、时间序列)是一项核心挑战。传统神经网络因无法捕捉序列中的长期依赖关系而受限,这催生了循环神经网络(RNN)及其改进版本长短期记忆网络(LSTM)的发展。其核心原理在于通过隐藏状态和门控机制(如遗忘门、输入门、输出门),实现对历史信息的有效记忆与筛选,从而解决长序列建模中的梯度消失或爆炸问题。这一技术价值在于为自然语言处理、情感分析、时间序列预测等任务提供了强大的序列建模能力。在实际工程应用中,开发者常面临张量形状困惑、变长序列处理、隐藏状态初始化

weixin_30673611的博客 372

2026 AI编程环境安装指南:从下载、部署到流式验证

AI编程环境已不再是传统软件安装,而是融合硬件兼容性、模型运行时与IDE插件协同的系统工程。其核心原理在于:本地GPU驱动需匹配量化运行时(如Ollama v0.3+对CUDA 12.1+的强制要求),协议层依赖gRPC流式响应,生态层则要求插件签名与模型源可信校验。这一技术组合显著提升AI代码生成的实时性与生产就绪度,支撑微服务开发、CI/CD智能补全、本地LLM推理等关键场景。本文聚焦AI编程软件下载与安装过程中的可复现部署实践,覆盖macOS/WSL2双平台、NVMe模型加速、离线校验及原子化功能验证

weixin_30480075的博客 581

论文复现实战指南:从环境配置到loss调试的七步法

深度学习论文复现是连接理论与工程的关键实践,其本质是将算法描述转化为可执行、可验证、可调试的代码流程。核心原理在于解决环境依赖(CUDA/PyTorch版本匹配)、数据加载(路径/格式/预处理对齐)与训练闭环(loss数值、梯度、logits一致性)三重挑战。技术价值体现在建立‘公式-代码-数据-结果’四维映射能力,显著提升科研上手效率与模型理解深度。典型应用场景包括本科生课程设计、AI转行者项目验证、研究生baseline复现等。本文聚焦真实开发环境下的论文复现落地,系统拆解环境隔离、最小可运行配置(MR

cunbei2644的博客 358

微软开源中文AI大模型教程:从环境搭建到微调部署全链路实战

Transformer架构和注意力机制是当前大模型的核心基础,其原理在于通过自注意力机制捕捉序列数据中的长距离依赖关系,从而实现对复杂语义的理解与生成。这一技术价值在于为自然语言处理、代码生成和多模态任务提供了统一的强大基础。在工程实践中,开发者常面临环境配置、模型部署与微调等挑战。针对这些痛点,微软开源的中文教程提供了系统性解决方案,覆盖了从CUDA环境配置、开源模型加载、AI Agent开发到LoRA/QLoRA高效微调的全流程。该教程特别适配中文场景,解决了国内网络访问、中文语料处理等实际问题,并深入

weixin_30873847的博客 409

Qwen3.6 Plus实测:面向程序员工作流的代码大模型体验拐点

代码大模型的核心价值,早已超越‘能否生成代码’的基础能力,转向‘是否融入开发者真实工作流’的工程化落地。其技术原理在于通过模型蒸馏聚焦代码符号理解、动态滑动窗口提升长上下文有效利用率,并采用分层量化与解耦式RAG设计实现低门槛本地部署。这种专注带来显著技术价值:首token延迟压至210ms以内、类型推导准确率超92%、中文业务术语映射能力支撑命名一致性。典型应用场景包括IDE智能补全、生产环境紧急修复辅助、离线企业级代码知识库构建。本文基于RTX4090/3090及树莓派5的17天实测,深度解析Qwen3

weixin_30755393的博客 396

Python零基础到就业全栈教程:从环境搭建到项目实战深度解析

Python作为一门语法简洁、应用广泛的高级编程语言,已成为数据分析、人工智能和Web开发等领域的核心技术。其核心原理在于通过清晰的语法结构和丰富的第三方库,将复杂问题模块化,实现高效开发。掌握Python不仅能提升个人自动化办公效率,更是进入IT行业、实现技能变现的重要途径。在数据分析、爬虫、Web开发等热门应用场景中,Python凭借Pandas、Flask等框架展现出强大实用性。本文聚焦一套系统性的Python全栈学习路径,通过环境搭建、代码实践和项目部署的完整闭环,帮助学习者构建从基础语法到实战项目

weixin_34279246的博客 289

NLP全栈学习指南:从零到Transformer与大模型实战

自然语言处理(NLP)是人工智能的核心领域,旨在让计算机理解、生成和处理人类语言。其技术原理经历了从基于规则到统计方法,再到深度学习驱动的根本性变革。Transformer架构的出现,凭借其自注意力机制,彻底解决了传统序列模型的长程依赖问题,成为现代NLP的基石,带来了巨大的技术价值。这使得模型能够更有效地捕捉文本的上下文信息,推动了BERT、GPT等预训练大模型的诞生。这些模型通过在海量文本上预训练,具备了强大的语言表示和生成能力,广泛应用于机器翻译、智能问答、文本摘要和情感分析等场景。本文聚焦于**NL

weixin_34129696的博客 459

Qwen3.8 27B模型在24GB GPU上实现256K上下文50 TPS推理:原理与部署实战

大语言模型(LLM)的推理性能优化是AI工程实践的核心挑战,其关键在于通过模型压缩和系统级优化,在有限硬件资源下实现高效计算。模型量化技术通过降低参数精度(如INT4/INT8),能在几乎不影响效果的前提下大幅减少显存占用和计算量,是降低部署门槛的核心手段。结合Flash Attention、PagedAttention等注意力优化算法以及vLLM等高性能推理引擎的连续批处理能力,可以显著提升长序列处理的吞吐量。这些技术的综合应用,使得像Qwen3.8这样的27B参数大模型,在消费级24GB显存GPU上处理

weixin_34178244的博客 428

CellWhisperer不是软件而是细胞信号解码方法论

单细胞多组学分析中,'隐空间建模'与'可解释性深度学习'正成为解析细胞状态跃迁的核心范式。其原理在于利用变分自编码器(VAE)、对比学习等技术,在高维基因表达数据中构建生物学意义明确的低维表征,从而揭示调控逻辑、推断分化轨迹、校准批次效应。该技术的价值不仅在于提升聚类与可视化精度,更在于支撑反事实推断和湿实验假说生成,广泛应用于肿瘤微环境解析、免疫细胞耗竭机制研究及类器官发育建模等前沿场景。本文聚焦CellWhisperer这一典型方法论,系统拆解其环境构建、数据清洗、模型选型与结果解读全链路,特别强调sc

weixin_33912246的博客 372

PDF与OFD电子发票解析技术实战:从格式转换到精准识别

本文深入探讨了PDF与OFD电子发票解析技术的实战应用,从格式转换到精准识别,提供了全面的解决方案。通过OFD转PDF技术、动态定位算法和多重校验机制,显著提升电子发票识别效率与准确率,助力企业财务数字化转型。

weixin_42565652的博客 163

2026全网最全神经网络入门合集:CNN/RNN/GAN等七大模型一站式实战部署指南

这次我们来看一个面向零基础学习者的神经网络合集资源。这个资源打包了CNN、RNN、LSTM、GAN、GNN、YOLO、Unet这七大主流神经网络模型,号称是“2026全网最全”的入门合集。对于刚接触深度学习的同学来说,最头疼的往往不是理论,而是找不到一套能跑起来、能看懂、能复现的代码和教程。这个合集的核心价值,就是试图提供一个从理论到代码的“一站式”解决方案。 它的重点不是提出新算法,而是降低学习和实践的门槛。对于学习者,最关心几个问题:代码环境能不能配好?我的电脑(特别是显卡)能不能跑得动?教程是不是st

weixin_30617737的博客 441

从零上手HiAgent:构建能听懂指令的智能体框架实战指南

智能体(Agent)作为人工智能领域的重要范式,正从传统的预设流程自动化转向以目标驱动的自主规划与执行。其核心原理在于利用大语言模型(LLM)作为决策大脑,通过任务规划、工具调用与记忆机制,将模糊的自然语言指令转化为可执行的工作流。这一技术显著提升了人机协作的效率和自然度,其价值在自动化办公、数据分析与智能流程编排等场景中尤为突出。本文聚焦于HiAgent这一具体框架,深入解析其作为智能体开发平台的核心架构,涵盖规划器、执行器、工具集等关键组件,并提供从环境配置、自定义工具开发到复杂任务链构建的完整工程实践

weixin_29266007的博客 881

哥伦比亚大学免费AI课:零基础动手构建端到端模型

人工智能学习正从概念认知迈向工程实践,核心在于理解模型如何‘工作’而非仅知其‘为何存在’。神经网络、梯度下降、模型部署等关键技术,其真正价值体现在可调试、可验证、可落地的完整流程中。通过可视化反馈闭环、交互式代码实验与真实故障模拟,学习者能建立对AI系统行为的直觉判断力,突破数学门槛与工具链焦虑。这种以‘可触摸的抽象’重构知识路径的方式,显著提升学习留存率与问题解决能力。尤其适合无编程或数学背景但渴望亲手训练、调试并部署模型的学习者——正如哥伦比亚大学这门Free AI Course所践行的:让每个人都能在

weixin_30652897的博客 470

别再硬啃理论了!手把手教你用Simulink搭VSG并网模型,模拟线路故障(含三相故障模块详解)

本文提供了一份详细的Simulink VSG并网模型搭建指南,特别聚焦于三相故障模块的配置与仿真。通过逐步指导,帮助电力电子工程师掌握从基础电路搭建到复杂故障模拟的全流程,包括单相接地、两相短路等典型故障的波形分析与参数设置技巧,有效弥合理论与实践的鸿沟。

weixin_29057237的博客 317

Linux CentOS 8系统离线升级内核版本

CentOS 8操作系统离线场景下升级内核版本

WQwinter的博客 3236

AI Agent开发实战:从LangChain入门到企业级部署全链路解析

AI Agent(人工智能代理)是一种能够感知环境、自主规划并执行任务以达成目标的智能系统。其核心原理在于结合大语言模型(LLM)的推理能力与外部工具调用、记忆管理等模块,形成可交互、可执行的智能工作流。从技术价值看,AI Agent将LLM从单纯的文本生成器升级为能够处理复杂、多步骤实际任务的“虚拟员工”,显著提升了自动化水平。在应用场景上,它广泛适用于智能客服、数据分析助手、自动化流程引擎等企业级需求。本文聚焦于通过系统化学习路径,掌握使用LangChain、LangGraph等主流框架构建AI Age

weixin_30411239的博客 303

Plant Simulation 双深位立库开发系列教程-货架参数化

为了方便用户进行货架参数化,我们需要在交互界面上进行参数调整,右键打开RackLane,打开Dialog,在Rack_tab的tab下创建相应的对象,并创建NumberOfRightRack和NumberOfLeftRack作为数据连接对象。通过Rack._3D.VisibleGraphicGroups := ["default"]来切换需要显示的Rack,当不需要显示则可以Rack._3D.VisibleGraphicGroups := [""]即可。首先,加载默认的HBW库到模型中,确保结构树当中有。

santayana的专栏 1256
上一篇: 《封号码罗》数据分析与人工智能之sklearn模型LogisticRegression逻辑斯蒂回归(十三)
下一篇: 记忆碎片之主动关闭scrapy+selenium+pyQt5爬虫系统
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
 
 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