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
1.3k累计阅读
1.3k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
1.用驱动精灵安装nvidia最新版本驱动
2.下载cuda8.0 https://developer.nvidia.com/cuda-downloads
3.下载cudnn,需要注册登录下载 https://developer.nvidia.com/cudnn
我win7系统下载的:cudnn-8.0-windows7-x64-v5.1
解压将bin-include-lib3个目录复制粘贴到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0目录下.
环境变量,安装的时候,会自动配置好的,不需要你配置.
pip install tensorflow-gpu
此时,就可以正常运行了.
运行的时候黑屏,是因为GPU显存不够用,将一次训练的图片设置小一点就可以了.
TensorFlow GPU版本安装（Windows）
Windows使用TensorFlowGPU版本
【Windows下搭建深度学习环境之TensorFlow篇】一气呵成，五步搞定TensorFlow的安装！TensorFlow的安装之路
五步搞定TensorFlow的安装，搭建基于TensorfFlow的深度学习环境。
Windows安装GPU版本的tensorflow+CUDA+CUDNN（超详细）
查看自己的Windows电脑是否成功安装了CUDA 第一步：同时按键盘上的“windows键+R”，输入“cmd”并回车，进入windows的命令行界面。 第二步：命令行里输入“nvcc -V”并回车 第三步：如果已经成功安装CUDA的话，会显示CUDA的版本号的。 安装CUDA 首先，查看电脑的NVIDIA 版本是否支持CUDA 以及能够配置的CUDA 版本 方法： 在桌面空白处单击右键，打开英伟达控制面板，如果找不到可以参考如下网址win10 nvidia控制面板怎么打开,wi...
Windows 安装 Tensorflow 教程
一看就会的 tensorflow 教程，很贴心，很详细~
Windows系统中TensorFlow GPU版本的安装指南
命令用途命令示例功能描述安装包pip install 包名从PyPI安装指定的包升级包pip install --upgrade 包名升级指定的包到最新版本卸载包pip uninstall 包名从系统中移除指定的包查看pip版本显示当前pip的版本信息更新pip更新pip到最新版本接下来，为了进一步检验Python和pip的安装是否成功，可以通过一个实际的操作案例来演示如何使用pip来安装一个流行的机器学习库，例如。
告别城市峡谷定位漂移：手把手教你用PSINS仿真INS/NHC/ODO组合导航（附代码获取）
本文详细解析了INS/NHC/ODO组合导航系统在城市峡谷环境中的应用，通过PSINS平台实现精准定位。文章涵盖核心原理、环境搭建、算法实现及性能优化，帮助开发者解决GNSS信号中断时的定位漂移问题，提升自动驾驶系统在复杂环境中的可靠性。
windows环境下tensorflow安装
windows环境下tensorflow安装
拼多多爬虫实战：逆向sign与anti_content动态参数解析
现代电商爬虫已远超基础HTTP请求范畴，其核心在于理解服务端如何通过动态签名（sign）、设备指纹、行为验证等多维机制定义‘合法请求’。拼多多作为典型代表，将价格、销量、评价等关键数据完全剥离HTML，转由强校验API返回，依赖HMAC-SHA256嵌套签名、anti_content前端加密载荷及滑动验证token闭环。这类机制本质上是客户端环境可信度与请求上下文一致性的实时博弈，技术价值在于保障数据安全与业务风控。典型应用场景包括竞品价格监控、销量趋势分析、评价情感挖掘等需高保真数据的商业分析任务。本文聚
Windows安装TensorFlow
最近想学习深度学习，打算从TensorFlow开始。就先把环境搭好吧。 我使用的是Anaconda来进行python管理。首先要下载安装Anaconda。这里使用的是Python3.6 Version，就是左边的那个。 配置Anaconda环境： 打开anaconda prompt，进入命令行界面，运行： conda create --name TensorFlow python=3....
利用setEcoMode优化innovus中的ecoAddRepeater批量操作效率
本文详细介绍了在Cadence Innovus工具中，如何利用setEcoMode命令的batchMode参数，显著提升ecoAddRepeater命令在批量插入buffer或inverter时的操作效率。通过合并重复的初始化和数据库更新开销，该模式可将大规模时序修复操作的执行速度提升数倍，并提供了完整的脚本示例与最佳实践，帮助后端设计工程师优化ECO流程。
深圳SILAS（智能融合低空系统）无人机调度系统介绍
一、系统定位与核心目标SILAS（Smart Integrated Lower Airspace System）是深圳市为低空经济打造的“数字大脑”，由粤港澳大湾区数字经济研究院自主研发，定位为城市级低空飞行智能调度与管理平台。核心目标是解决低空经济中“高密度、高复杂度、多主体”的飞行调度难题，实现空域资源的高效分配、飞行安全的智能监管及全场景服务的无缝协同，支撑深圳从“无人机之都”向“天空之城”升级。二、核心架构：低空基础设施“四张网”设施网。
windows下安装GPU版tensorflow并对GPU进行测试
首先安装显卡驱动 显卡驱动不会对下面的安装产生影响 CUDA、cuDNN以及tensorflow-gpu版本对应关系 安装CUDA 首先在CUDA官网上下载所需要的CUDA版本：https://developer.nvidia.com/cuda-downloads 按照提示安装CUDA，记录安装路径，默认路径为：C:\Program Files\NVIDIA GPU Computing Too...
ubuntu18.04安装R——无法连接上 dl.google.com:80 (6.6.6.6)，连接超时&&E: 无法修正错误，因为您要求某些软件包保持现状，就是它们破坏了软件包间的依赖关系。
安装R的时候，sudo apt update 的时候出现错误： 查资料要修改/etc/apt/sources.list.d/google-chrome.list 文件 原来是： deb http://dl.google.com/linux/chrome/deb/ stable main 改为： deb [arch=amd64] http://dl.google.com/linux/chrom...
安装TensorFlow【Windows+GPU】
安装TensorFlow【Windows+GPU】
PPT+视频 | 详解智能营销增益模型（uplift model）
分享营销增益模型的原理和常见的建模及评估方法，并以淘票票智能票补为例介绍uplift model技术的实践经验。
8、干式变压器
干式变压器的发展，是人类不断挑战材料科学和热物理极限的过程，每一次技术突破，都是在。温度升高，ε_r反而下降（因为分子活动性增强，极化响应变慢）。：固体导热的热阻比液体对流大一个数量级，这是无法逾越的物理规律。Nomex在高温下不是逐渐分解，而是保持性能直到一个临界点。如果 T_a = 40°C，则 T_c = 146.7°C。干式变压器（固体介质分隔）：热场、电场、流场（空气）形成三维氢键网络，即使在高温下也能保持机械强度。：不是在现有技术上修修补补，而是寻找新的。仍在H级绝缘允许范围内（≤180°C）
Windows安装TensorFlow GPU完全指南
TensorFlow在Windows上使用GPU需要严格匹配CUDA和cuDNN版本，2.10是最后一个原生支持Windows GPU的版本。建议使用Python 3.10环境，安装CUDA 11.2和cuDNN 8.1后，通过pip install tensorflow==2.10.1安装。安装后可通过tf.config.list_physical_devices('GPU')验证GPU是否可用。对于2.11+版本，需使用WSL2或Linux系统。推荐使用工具自动配置环境或手动按版本要求安装组件。
17、深入分析Freebase数据集：特征、挑战与类型系统构建
本文深入分析了Freebase数据集的特征、数据建模的挑战以及类型系统的构建方法。Freebase作为知识图谱的重要资源，以RDF三元组形式提供了丰富的结构化知识。文章重点探讨了反向三元组、中介节点（CVT节点）以及非主题三元组对链接预测任务的影响，并通过实验展示了不同类型处理策略对模型性能的作用。此外，文章详细介绍了如何构建一个显式的类型系统，以提升链接预测的准确性，并展望了未来可能的研究方向。
Windows安装tensorflow-gpu
0.想在Windows环境安装tensorflow-gpu，显卡必须是N卡 1.安装好Anaconda以及Pycharm（安装教程：https://www.bilibili.com/video/BV1K7411c7EL） Anaconda安装网址——https://www.anaconda.com/products/individual 需注意： （1）选择为所有用户安装 （2）自定义安装路径（免得占C盘空间） （3）勾选将Anaconda添加至环境变量 Pycharm安装网址——http://www.
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
windows安装tensorflow GPU版本
windows安装tensorflow-gpu版本
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');```[](https://bitdeli.com/free "Bitdeli Badge")
Windows安装GPU版本TensorFlow
目录 1、Python安装 2、Python IDE安装 3、Cuda安装 4、TensorFlow’安装 5、Tflearn安装方法1： 6、TensorBoard安装 安装之前建议先上TensorFlow看看各个模块的版本要求，免得走弯路：https://www.tensorflow.org/install/install_windows 可见CUDA的版本要求是8.0，c...
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
Tensorflow_gpu安装_windows系统下用GPU训练tensorflow模型
点击Anaconda的下载地址可以下载如果没有自动帮你设置环境变量的话，按照下面图片自己设置就好了添加镜像源(方便后续库的安装)进行cmd：输入注意！！！考虑好anaconda的版本选择，虽然可以创建自己需要的python虚拟环境，py版本向下兼容，但也最好别下最新版本，作者实验的python环境是3.7.10，anaconda选择的版本是点击即可下载，使用的是镜像源。会比官网下载得快，其中包含的python版本是3.9.7。
2021年Windows下安装GPU版本的Tensorflow和Pytorch
视频教程：请等待 最近比特币的热潮慢慢褪去，显卡的价格也下来了，所以小伙伴们可以观察一下最近的行情，合适的时候可以入手几块显卡来搞深度学习。关注我的朋友大多数来自大作业怎么搞系列教程，大作业怎么搞系列使用tensorlfow训练了几个物体分类模型，在开源出的代码中我也基本给了大家我训练好的模型，有的朋友反应自己跑训练的过程的时候速度比较慢，这个原因大多都是因为大家是在CPU环境下来跑的，所以速度不是很快，如果使用GPU来跑训练的话，效率上差不多是CPU的10倍。 ！！！注：深度学习的小伙伴请选择Nvidia
windows下安装tensorflow（GPU/CPU）
（2）打开 Anaconda Prompt。一、安装tensorflow_gpu。（3）输入（python版本自定义）（1）安装anaconda3。
二、在Windows下安装TensorFlow GPU版本教程（超级详细哦）
二、在Windows下安装TensorFlow GPU版本教程（超级详细哦）1、确认显卡是否支持CUDA1.1、查看支持CUDA的显卡1.2、查看系统信息1.3、查看显卡信息2、安装CUDA2.1、下载并安装CUDA2.2、设置解压缩安装程序的暂存目录2.3、同意协议并继续2.4、选择精简安装选项2.5、警告未安装Visual Studio2.6、下载CUDA界面2.7、确认是否安装此设备软件2....
Windows下用pip安装TensorFlow-GPU
1. 前言 检测结果显示，TensorFlow的代码确实正在利用GPU时，我激动地鼓起了掌。 记录一下本次安装TensorFlow-GPU的历程。不过其中问题不多，就不再记录了。 最终配置：Win10 x64 + NVIDIA GeForce GTX850M + VS2017 + Python 3.6 + CUDA 9.0 + cuDNN 7.3.1 + tensorflow-gpu 1.11.0...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5011
扫一扫
