windows下面使用多版本Python安装指定版本的虚拟环境

啃饼思录 啃饼思录 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 7.1k累计阅读 7.2k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9年
关注
原创 最新推荐文章于 2026-09-09 09:49:04 发布 7.1k 阅读 AI 写同款· GEO 优化 ›
Windows搭建Python多版本环境 介绍在 Windows 系统下如何安装和使用 Python 多版本环境。主要介绍了 Python 安装程序自带的 py launcher 启动器的使用。 阅读详情

关于博主

努力与运动兼备～~~有任何问题可以加我好友或者关注微信公众号，欢迎交流，我们一起进步！

                                      微信公众号:  啃饼思录


                                    QQ: 2810706745（i思录）

写在前面

今天博主在搭建一个项目的时候，希望使用最新版的Python3.7版本，但是Python3.6的版本也要留下，那么问题来了，如何解决这个问题呢？如何在windows下面使用多版本Python安装指定版本的虚拟环境呢？这篇文章我就来解决这个问题。

多版本Python使用

去Python官网，下载自己想要的版本，我这里不演示Python的安装过程，但要说明的是你在安装的时候不要勾选那个Add pyhton to Path(当然如果你勾选了也没关系，前提是你要记得自己Python安装在哪个环境下面了)。我以自己安装了Python3.6.4和Python3.7.0这两个版本为例，开始介绍。

其中，我Python3.6的安装路径为：F:\Python\pystall，Python3.7的安装路径为：F:\Python3.7\python37。现在我在命令行输入Python出现的是：python3.6的版本：

打开系统变量的配置，点击path，发现我配置的路径是F:\Python\pystall，所以直接输入Python就是Python3.6的版本：

现在我们在刚才的系统变量的path里面增加Python3.7的安装路径：F:\Python3.7\python37,记得要把它放到之前环境的上面，因为系统查找Python环境是从上往下的：

然后退出dos命令，我们重新打开一下，在里面输入Python出现的是：python3.7的版本：

所以我们就完成了Python多版本的安装与使用，也就是说需要用到哪个版本的python就把它添加到系统的环境变量里面去。这里我删除了Python3.7的环境配置，只保留Python3.6的环境。

指定版本的虚拟环境的搭建

安装virtualenv

关于virtualenv的安装，我讲过很多次，这里就不再说明了，你可以点击这里：零基础使用Django2.0.1打造在线教育网站（二）：开发环境配置按照要求进行安装，我是安装在了f:\python\pystall\lib\site-packages下面。我们先查看一下它的版本：

F:\Envs>virtualenv --version
15.2.0

安装Python3.6的虚拟环境

接下来我们就开始创建虚拟环境：我们先在F盘下面创建一个名为Envs的目录（实际上我已经创建好了），然后cd到这个目录，开始新建一个名为ttttest的虚拟环境：

F:\Envs>virtualenv ttttest
Using base prefix 'f:\\python\\pystall'
New python executable in F:\Envs\ttttest\Scripts\python.exe
Installing setuptools, pip, wheel...done.

F:\Envs>cd ttttest

F:\Envs\ttttest>cd scripts

F:\Envs\ttttest\Scripts>python
Python 3.6.4 (v3.6.4:d48eceb, Dec 19 2017, 06:54:40) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>>

然后cd到scripts目录，因为Python.exe就在这个目录里面，然后我们输入python，发现是python3.6，因为我前面说过了，我只保留了Python3.6的环境，你可以打开scripts这个目录，看到没有：

进入与退出虚拟环境的命令是activate.bat和deactivate.bat。

安装Python3.7的虚拟环境

和之前一样，我们还是在Envs这个目录下面，新建一个ttttest7的虚拟环境：


F:\Envs>virtualenv -p F:\Python3.7\python37\python.exe ttttest7
Running virtualenv with interpreter F:\Python3.7\python37\python.exe
Using base prefix 'F:\\Python3.7\\python37'
New python executable in F:\Envs\ttttest7\Scripts\python.exe
Installing setuptools, pip, wheel...done.

F:\Envs>cd ttttest7

F:\Envs\ttttest7>cd scripts

F:\Envs\ttttest7\Scripts>activate.bat

(ttttest7) F:\Envs\ttttest7\Scripts>python
Python 3.7.0 (v3.7.0:1bf9cc5093, Jun 27 2018, 04:06:47) [MSC v.1914 32 bit (Intel)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>>

看到没有，我们在后面指定了虚拟环境的Python版本，然后进入虚拟环境，运行Python发现就是Python3.7了，你可以打开这个目录下面的scripts:

所以看到这里你明白了了，用哪个虚拟环境就指定哪个Python环境。但是用virtualenv非常不方便，所以推荐使用virtualenvwrapper来进行虚拟环境的管理。

virtualenvwrapper的安装

这个virtualenvwrapper的安装非常简单，我们使用下面的命令安装即可：

F:\Envs>pip install virtualenvwrapper-win
Requirement already satisfied: virtualenvwrapper-win in f:\python\pystall\lib\site-packages (1.2.5)
Requirement already satisfied: virtualenv in f:\python\pystall\lib\site-packages (from virtualenvwrapper-win) (15.2.0)

因为我已经安装了，所以就是这个样子。然后可以使用workon命令查看当前已经存在的虚拟环境。如果我们需要新建虚拟环境可以使用mkvirtualenv xxx命令，这里建了一个testtt的虚拟环境：

F:\Envs>mkvirtualenv testtt
Using base prefix 'f:\\python\\pystall'
New python executable in C:\Users\lenovo\Envs\testtt\Scripts\python.exe
Installing setuptools, pip, wheel...done.

(testtt) F:\Envs>

不知道你发现没有，我们前面采用virtualenv命令所创建的虚拟环境是直接安装在你当前所在的目录的（你在哪个目录执行virtualenv命令，新建的虚拟环境就在那）。但是使用mkvirtualenv命令所创建的虚拟环境是在C:\Users\lenovo\Envs这个目录下面的，这是默认的安装路径，你可以自定义的。打开系统环境变量配置，我们新增WORKON_HOME然后路径就写F:Envs（自定义路径）:

然后点击确定，现在我们重新打开一个dos，创建一个名为7ttttest的虚拟环境，我们看看它是不是安装在了F:Envs下面：

C:\Users\lenovo>mkvirtualenv 7ttttest
Using base prefix 'f:\\python\\pystall'
New python executable in F:\Envs\7ttttest\Scripts\python.exe
Installing setuptools, pip, wheel...done.

(7ttttest) C:\Users\lenovo>

然后找到F:Envs，发现确实在这里：

这样我们就完成了虚拟环境安装的自定义。

虚拟环境指定Python版本的命令就是mkvirtualenv -p python路径 虚拟环境名称（注意这个-p是不可以去掉的）。举个例子来说，我们需要在F:Envs目录下面新建一个名为test的Python版本为3.7的虚拟环境。通过分析，我们的WORKON_HOME就是F:Envs，所以这个不需要修改。然后我的Python3.7的安装路径为：F:\Python3.7\python37，所以我们采用的命令就是：

mkvirtualenv -p F:\Python3.7\python37\python.exe test

至此我们本篇关于windows下面使用多版本Python安装指定版本的虚拟环境的介绍就到此为止了，感谢你的赏阅！

收录于
Python3脱坑记录

当前文章被收录于：

Python3脱坑记录
9 篇文章 1 人学习
订阅专栏 查看详情
标签
#windows #Python #虚拟环境
啃饼小白，版权所有
windows 上使用virtualenv进行python多版本转换 近期因为需要在python2.7和Python3.5上进行工作学习，可是笔记本只配置了python3.5环境。 所以打算使用virtualenv这个强大的工具进行多版本转换 阅读详情

相关推荐

Windows下用pyenv-win管理多版本Python：从安装到切换的完整指南

本文详细介绍了在Windows系统下使用pyenv-win管理多版本Python的完整指南，包括安装、配置、版本切换及常见问题解决。通过pyenv-win，开发者可以轻松实现Python版本的隔离与切换，提升开发效率。文章还提供了优化技巧和高级用法，帮助用户更好地利用这一工具。

uran的专栏 949

python3.6虚拟环境安装

1安装python3虚拟环境 python -m venv /root/Desktop/yp3.6_banben 切换环境 source /root/Desktop/yp3.6_banben/bin/activate 2再虚拟环境中下载源码以及安装 （yum git 需要切换到2.7的环境使用，python命令运行的是2.7版本，只需要把软连接换一下就可以rm /usr/bin/python && ln -s /usr/bin/python2...

m0_58606548的博客 857

Windows多版本Python管理：从安装配置到虚拟环境实战指南

Python作为一门广泛应用于数据分析、后端开发和自动化脚本的编程语言，其版本管理是开发者必须掌握的基础技能。Python版本管理的核心原理在于通过环境隔离解决不同项目对解释器版本和第三方库的依赖冲突问题。在Windows系统中，这一技术价值尤为突出，能够有效避免“在我的机器上能跑”的经典问题，确保开发环境的纯净性和可复现性。通过合理使用官方安装程序、Py Launcher工具和内置的venv模块，开发者可以优雅地管理多个Python版本，并为每个项目创建独立的虚拟环境。这种实践特别适用于需要同时维护遗留项

weixin_30680385的博客 302

Windows 系统上如何安装 Python 环境（详细教程）

64位下载链接：https://www.python.org/ftp/python/3.7.9/python-3.7.9-amd64.exe32位下载链接： https://www.python.org/ftp/python/3.7.9/python-3.7.9.exe下载指定的版本：把链接中两个版本号换成指定的版本即可 1.双击打开下载的可执行安装文件：勾选将 Python 3.7 添加到系统环境变量中，选择自定义安装，自定义安装路径 2.默认勾选所有，点击 Next： 3.勾选为所有用户安装，选择需要安

m0_57939355的博客 894

Python 多版本启动 + pip 区分使用

在 Windows 上安装多个 Python 版本时，默认都会叫python.exe，导致命令行无法区分。下面是的多版本共存方案。

dreams_dream的博客 997

COMSOL 6.4安装全攻略：安装包获取、许可证配置与避坑指南

多物理场仿真是现代工程与科研中不可或缺的技术手段，其核心原理在于将电磁、结构、流体、传热等不同物理过程的耦合效应置于统一环境中求解，从而真实模拟复杂系统行为。这类仿真平台能大幅提升产品研发与设计验证效率，广泛应用于电子散热、声学分析、电力设备等领域。在部署最新版本仿真软件时，安装与许可证配置往往成为影响工作效率的关键环节。本文系统梳理COMSOL 6.4在Windows平台的安装全流程，涵盖安装包获取、系统依赖准备、许可证配置、常见报错排查等实用经验，帮助工程师与科研人员一次性完成环境搭建，把更多时间投入真

weixin_30000735的博客 1367

【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

避坑指南：CentOS7.9安装Python3.8.16后yum报错的快速修复方法

本文详细解析了在CentOS7.9系统安装Python3.8.16后导致yum报错的原因，并提供了快速修复方法。通过修改yum配置文件指向Python2解释器，以及使用alternatives工具管理多版本Python，有效解决兼容性问题。同时推荐使用虚拟环境隔离开发环境，避免影响系统稳定性。

weixin_26908317的博客 497

在Windows系统下安装Python的教程

以下是在Windows系统下安装Python的教程：一、下载Python安装包二、安装Python三、验证安装如果是在Linux系统下安装Python：一、检查系统是否已安装Python二、安装Python（以Ubuntu系统为例）如果是在Mac系统下安装Python：一、检查系统是否已安装Python二、安装Python

A141111111的博客 1738

双有源桥DC-DC变换器：原理、软开关与移相控制深度解析

隔离型DC-DC变换器是电力电子系统的核心部件，通过高频变压器实现电气隔离与电压匹配，保障系统安全与灵活适配。其工作原理基于功率半导体器件的开关动作，通过调制策略控制能量传输。该技术的核心价值在于实现高效、高功率密度的电能转换，并支持双向能量流动，这对于提升系统整体能效和运行灵活性至关重要。在新能源储能、电动汽车V2G及数据中心供电等场景中，双向能量流成为刚性需求，推动了如双有源桥等先进拓扑的应用。本文聚焦于双有源桥这一实现高效双向隔离变换的“明星”方案，深入剖析其利用移相控制实现软开关的机理。通过分析谐振

weixin_34195142的博客 380

下载Python3.10的相关方法及问题解决

下载Python3.10的相关方法及问题解决 报错unable to locate package python3.10-dev以及subprocess.CalledProcessError: Command ‘(‘lsb_release‘, ‘-a‘)‘ returned non-zero exit status 1问题解决

Istil 1555

在windows下安装多个python版本、使用时指定python版本

在windows下安装多个python版本、使用时指定python版本

听海边涛声 2400

LLM and Embedding区别

LLM（大语言模型）和 Embedding（嵌入）是自然语言处理（NLP）中的两个核心概念，它们的核心区别在于。Embedding 计算向量。

u010674101的专栏 1876

Windows下python安装以及多版本管理

在 Windows 下安装 Python是一个比较简单的过程。

wendao76的专栏 2657

新华硕笔记本ubuntu18.04双系统安装之后，wifi没有显示无法链接wifi

本来我以为跟简单安装一个wifi网卡的驱动就可以解决的问题，没想到花了我一早上的时候解决… 惭愧。 另外，本来是没打算写这篇博客的，但是我在搜索解决这个问题的过程中， 发现多人提出的解决方案跟我的都不一样，甚至我的解决方案都没有搜到相应的答案，还是只能靠自己啊。。 言归正传，还是说说怎么正确的安装wifi驱动吧! 1. wifi没有正确安装、或没有正确配置的表现 我的电脑现象: 有wifi图标， wifi设置上显示unaviable，无法搜索到任何wifi； 还有其他类似的表现，大家可以看看其他朋友的提

Ian的博客 1890

PD3.0详解 协议的时序timer和counter计数

前面介绍了关于PD协议的交互，还有协议层数据各个字段的含义，但是一直没有系统的说关于协议的时序，还有部分counter，就是协议允许发送的次数，或者一些其他计数。 大师匈今天说一下关于这方面的东西，这些东西都是非常关键的东西，但是相对来说PD标准内对时序的要求还是比较宽泛，非常容易能够实现这样的要求。 Timer 1、CRCReceiveTimer 0.9~1.1ms 表示每次通信收到goodcrc的时间，必须在这个时间内收到goodcrc， 我们要注意不是在0.9~1.1ms内，而是第三方可以在这个范

大师匈的博客 5007

在windows下面使用多版本Python安装相应的虚拟开发环境

原文出处：https://www.cnblogs.com/it-tsz/p/10324570.html   在搭建一个项目的时候，希望使用最新版的Python3.7版本，但是Python3.6的版本也要留下，那么问题来了，如何解决这个问题呢？如何在windows下面使用多版本Python安装指定版本的虚拟环境呢？这篇文章我就来解决这个问题。 多版本Python使用 去Python官网，...

SL_World的博客 217

开源数字人、虚拟直播部署教程

对，你无看错，是欧美的。在直播带货案例里，我们把模型导入到ue4，我们给模型在ue4里预设了四个动作（站着、站着说话、坐着、坐着说话），三个表情（平静、开发、愤怒），三个镜头（全局、近矩说话、看显示器播放商品展示）。我们只需要把目标主播的直播给录制下来，提取样本数据，然后训练一个从粉丝的不同刺激的组合，到主播的不同响应方式的多元逻辑回归的数学模型参数即可。

南七小僧的学海无涯 4563

Python多版本管理

在 Windows 上管理多版本的 Python 是一个常见的需求。

qq_43819568的博客 2140

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

conda虚拟环境创建和python库在指定conda虚拟环境中的安装

在conda中创建python编译的虚拟环境，并在创建的新环境中配置python的新库， 包含conda虚拟环境创建及激活，查看当前python版本，传统pip方法的缺陷以及 在conda虚拟环境中配置新的库的方法。

m0_74353785的博客 1万+

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Python多版本共存 + VsCode配置教程

首先我的本地已经安装了Python3.10版本的解释器，假设某一天公司使用的Python版本升级成3.11，在将新的代码部署到新的版本之前，首先我需要在我自己的电脑上测试一下Python3.11版本能否正常运行我的代码，这个时候直接下载Python3.11之后，需要解决Python版本的冲突问题，这个教程就是专门为了记录解决Python多版本冲突问题而发布。

qq_29108959的博客 1万+

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

Python多版本管理工具——pyenv安装及使用

pyenv是一个高效的Python版本管理工具，支持多版本共存和灵活切换。它通过修改环境变量实现版本隔离，适用于开发测试和兼容性需求。核心功能包括安装不同Python版本（CPython、PyPy等）、全局/局部版本切换、以及虚拟环境集成。Windows部署需配置环境变量并安装指定版本。常用命令如pyenv install安装版本、pyenv global设置默认版本、pyenv local指定项目版本等。pyenv相比virtualenv更专注版本管理，适合需要频繁切换Python环境的开发者。注意使用后

super_mochi1 1万+

pycharm虚拟环境安装指定python版本/ python3.8 / 从python3.9降级到3.8

我在网上找了一圈发现各种命令,尤其是说: virtualenv -p python3 py38 可以指定版本,我真的酸Q!这个命令是意思是创建一个 py38 目录,实际上用的版本还是环境变量所指向的版本.

Ai聊天导师的博客 1万+

Python多版本共存、虚拟环境+pycharm、项目迁移

文章目录Python多版本共存问题与解决方案虚拟环境安装虚拟模块：创建虚拟环境有两种办法：1. 使用mkvirtualenv的方法：（推荐）2. 使用virtualenv的方法：3. 虚拟环境的操作pycharm创建虚拟环境项目程序的运行项目移植到新计算机中1. 本机导出项目环境2. 新计算机无网环境安装项目环境 Python多版本共存问题与解决方案 电脑同时存在python2.x和python3.x或者其他版本的Python ， 以python2.x和python3.x为例：可以把python2.

优快云 2457

python 多版本共存、venv的使用和修改

python 多版本共存、venv的使用和修改环境为什么要安装多个python版本源码安装pythonwindows安装多版本pythonpip的使用venv的使用windows下venv的创建和使用对activate和deactivate的修改cuda和cudnn版本的修改source命令解读和venv脚本修改思路deactivate的修改windows下的区别 环境 本文讨论linux环境下源...

weixin_42628449的博客 1万+

【第一章】Python基础之虚拟环境安装

官方网站下载不同平台：https://www.python.org/downloads/https://www.python.org/downloads/如果是Ubuntu等桌面系统，都已经更新到了Python较新的版本。但多数生产环境使用的还是红帽系 统。CentOS7默认还是Python2.7，而开发环境如果是高版本Python就带来了问题。为了不破坏当前系统使 用，甚至以后为了多个Python项目部署（这些项目使用不同Python解释器版本），建议使用多版本工 具。也可以考虑容器部署Python应用程

运维&陈同学的博客 2072
上一篇： Ubuntu查看和释放80端口
下一篇： 使用默认pypi源出现连接超时的解决办法
点赞 3
评论 1
书签 书签 27
啃饼思录
啃饼思录
博客等级 码龄9年 11粉丝 18原创
+ 关注 专栏目录 订阅专栏
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
 
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