建议：装环境之前，先把自己安装的版本弄清楚，后面出现版本不匹配的问题再重装就会比较烦。 注意tensorflow-gpu-2.0有几处代码改动，在跑faster-rcnn的时候有点问题，所以后面需要把tensorflow-gpu版本改成1.1+的。 我这里的环境是： Ubuntu16.04+2080ti+Display Driver430.50+cuda10.0+cudnn7+Anacond...

1、安装显卡驱动：根据自己电脑的显卡下载适合的显卡驱动2、安装CUDA8.0 安装完成后查看cuda版本： 在命令行输入nvcc -V3、安装cudnn v6.0将该文件夹下的cuda文件夹下对应的文件目录拷贝到第一步安装的CUDA  文件目录4、安装Anaconda3 4.2.0 (对应python3.5) 备注：环境变量一般会自动添加5、tensorflow-gpu 版本tensorflow-...

1、显卡驱动：quadroK620 2、CUDA8.0 查看cuda版本： 命令行 nvcc -V 3、cudnn v6.0 4、Anaconda3 4.2.0 (-----对应的python3.5)  5、tensorflow-gpu 版本 tensorflow-gpu-1,3,0.0rc0 另外需要的package有： protobuf-3.5.1  t

TypeError: bottleneck() argument after ** must be a mapping, not tuple

实现代码： #coding:utf-8 # load MNIST datasets from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot = True) # View the information of MNIST

# coding: UTF-8 import tensorflow as tf import time import math from datetime import datetime slim = tf.contrib.slim trunc_normal = lambda stddev: tf.truncated_normal_initializer(0.0,stddev) # In

# coding:utf-8 ''' 使用Tensorflow训练神经网络的4个步骤 ①定义算法公式 即神经网络的forward时的计算 ②定义损失函数和选择优化器来优化loss ③训练步骤 ④对模型进行准确率评测 隐含层：解决XOR问题 神经网络的隐藏层越多就可以对原特征进行越抽象的变换 模型的拟合能力越强 Tensorflow实现多层感知机Multi-layer Preceptron ''

#encoding: utf-8 ''' AutoEncoder:使用自身的高阶编码器来提取特征，自编码器其实也是一种神经网络， 它的输入和输出是一致的它借助稀疏编码的思想，目标是使用稀疏的一些高阶特征 重新组合来重构自己。 特点：①期望输入/输出一致；②用高阶特征来重构自己，不是复制像素点 ''' import numpy as np import sklearn.preprocessing

原本的环境：windows10+cuda7.5+tensorflow1.1 1、卸载cuda7.5，直接在控制面板卸载 ubuntu下，可以参考：http://blog.youkuaiyun.com/u012436149/article/details/53163346 2、下载cuda8.0 https://developer.nvidia.com/cuda-downloads?target

import os import cv2 import numpy as np try: import xml.etree.cElementTree as ET excep

1.python环境 python3.5下载：https://www.python.org/downloads/ 在已有anaconda2.7的环境下安装python3.5 增加环境变量，并将python3根目录下的python改为python3 在命令行输入pyhton对应python2, python3对应python3 2.安装pip3 https://pypi.pyth