#从零开始# 在深度学习环境中,如何用 pycharm配置使用 pipenv 虚拟环境

为Python项目创建虚拟环境

在深度学习环境和一般python环境中安装pipenv基本一致,只需要确认好pipenv指定的python版本即可,安装pipenv前,可以通过python --version来确认安装版本

快捷键:crtl + alt + S 查看interpreter,查看所有的python环境

(1)点击add 查看所有环境,选中系统python环境,注意一定要查看python的版本。如果python版本和你pipenv指定的python版本不一致,会出现报错。

比如我之前装的python 3.10,但由于我用的LLM应用的python版本为3.11,即pipenv python 版本为3.11,就会出现报错,但它默认需要python 3.11的版本,所以我移除了原本的3.10版本,选择了升级python 版本。然后才能进行pipenv配置。

为Python项目创建虚拟环境
1.1 安装 pipenv

pip install pipenv

1.2 创建虚拟环境
跳转到项目文件夹打开cmd窗口并输入以下代码

pipenv install 

1.3 为虚拟环境安装指定包

pipenv install numpy

如果使用默认安装源,大多数情况下会卡在locking阶段,解决办法:

更改安装源,修改项目文件夹下的Pipfile文件中 url 后边的内容
使用 –skip-lock 参数跳过lock过程


激活虚拟环境

pipenv shell


2 在Pycharm端更改python解析器
进入pycharm 依次点击 File->Setting

在跳出的页面依次选择 Virtualenv Environment->Existing environment


然后在Interpreter选择虚拟环境的解析器(默认系统会自动识别所有已经创建的虚拟环境解析器,如没有成功识别可以使用 pipenv --venv 查看虚拟环境解析器位置)

最后在Setting界面选择相应的虚拟环境即可

部分参考链接:https://blog.youkuaiyun.com/lch551218/article/details/104052993

拓展阅读:为甚麽要指定python版本?

PyCharm使用EfficientNet模型来处理花朵五分类问题,你可以按照以下步骤操作: 1. **安装库**: 首先,你需要安装必要的深度学习库,如TensorFlow、Keras(如果使用的是旧版TF的话)或PyTorch,以及EfficientNet的预训练模型。在PyCharm中,可以使用`pip install tensorflow` 或 `pip install torch torchvision efficientnet_pytorch`。 2. **数据准备**: 获取花朵识别的数据集,如Flowers102或Oxford Flowers等。使用`ImageDataGenerator`对数据进行增强,提高模型性能。 3. **构建模型**: 导入EfficientNet模块,例如`efficientnet.tfkeras.EfficientNetB7`(或根据需要选择其他版本),然后通过`tf.keras.Model`创建模型,添加全局平均池化层(Global Average Pooling, GAP)和全连接层用于分类。 ```python from efficientnet.tfkeras import EfficientNetB7 base_model = EfficientNetB7(weights='imagenet', include_top=False, input_shape=(224, 224, 3)) x = base_model.output x = tf.keras.layers.GlobalAveragePooling2D()(x) output_layer = tf.keras.layers.Dense(5, activation='softmax')(x) # 5代表5个类别 model = tf.keras.Model(inputs=base_model.input, outputs=output_layer) ``` 4. **迁移学习**: 冻结EfficientNet的部分层以防止过拟合,然后只训练新添加的分类层。可以使用`tf.keras.Model.trainable_variables`查看哪些层是可训练的,并冻结它们。 5. **编译和训练**: 设置损失函数(比如`sparse_categorical_crossentropy`)、优化器(如Adam)和评估指标(如accuracy)。然后,利用`fit_generator`函数训练模型。 ```python model.compile(optimizer=tf.keras.optimizers.Adam(), loss='sparse_categorical_crossentropy', metrics=['accuracy']) history = model.fit(data_generator, epochs=数 epochs, validation_data=val_generator) ``` 6. **评估和预测**: 使用测试集评估模型性能,同时可以保存模型以便后续使用。 ```python test_loss, test_acc = model.evaluate(test_generator) print("Test accuracy:", test_acc) # 对新的图片进行预测 predictions = model.predict(new_image) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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