深度学习环境配置(Ubuntu+Anaconda)

简介: 深度学习环境配置(Ubuntu+Anaconda)

一、anaconda的下载与安装

可以参考下面两篇(对应Ubuntu、Windows)

Ubuntu安装anaconda 介绍、安装、配置_haeasringnar的博客-CSDN博客_ubuntu安装anconda

Tensorflow-gpu安装超详细!!!_m0_49090516的博客-CSDN博客_tensorflowgpu安装

简单说一下要点:

anaconda官网:www.anaconda.com  可以免费下载,安装基本是一路next。在安装成功后记得换源anaconda | 镜像站使用帮助 | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror,否则用conda 安装包速度会很慢。

Windows下注意安装路径的盘空间足够,并且勾选add to path。

Ubuntu 下载对应的.sh文件后用bash命令运行该文件,进入安装

例如:

bash ~/Downloads/Anaconda3-5.2.0-Linux-x86_64.sh

 ~/Downloads/Anaconda3-5.2.0-Linux-x86_64.sh 换成自己下载的.sh文件。

然后会要求你按一直Enter查看协议,并输入yes同意。

然后会提示安装地址,一般不用改(也可以改成指定的位置)。之后会进行安装。正常会自动添加到PATH。输入conda -V 查看版本。安装成功。

如果提示找不到命令conda,需要添加路径:

  • 编辑~/.bashrc 文件,在最后面加上
export PATH=/home/aeasringnar/anaconda3/bin:$PATH

/home/aeasringnar/anaconda3/bin 要换成自己安装位置

保存退出后:

source ~/.bashrc

二、使用anaconda 管理虚拟环境

Tensorflow-gpu安装超详细!!!_m0_49090516的博客-CSDN博客_tensorflowgpu安装

1.首先创建一个环境:

conda create --name <env_name> <package_names>

将<env_name> 换成自己的环境名 :tensorflow1

<package_names>换成Python版本:python=3.6

conda create -n tensorflow1 python=3.6

2.在环境中安装tensorflow-gpu

使用conda activate 命令激活环境,后面就可以在这个虚拟环境里操作了。

conda activate <env_name>

conda activate tensorflow1

使用conda 安装包。

conda install <要安装的包名>

conda install tensorflow-gpu==1.15.0

这里conda会自动安装依赖的包,非常方便,不需要像原博客一样再安装cudnn,cudatoolkit。

输入python,进入解释器模式,导入tensorflow验证安装成功:

import tensorflow as tf
tf.test.is_gpu_available()
相关实践学习
基于阿里云DeepGPU实例,用AI画唯美国风少女
本实验基于阿里云DeepGPU实例,使用aiacctorch加速stable-diffusion-webui,用AI画唯美国风少女,可提升性能至高至原性能的2.6倍。
相关文章
|
2月前
|
并行计算 Shell Docker
【环境配置】Ubuntu16.04安装nvidia-docker
【环境配置】Ubuntu16.04安装nvidia-docker
65 2
|
2月前
|
机器学习/深度学习 并行计算 算法框架/工具
Anaconda+Cuda+Cudnn+Pytorch(GPU版)+Pycharm+Win11深度学习环境配置
Anaconda+Cuda+Cudnn+Pytorch(GPU版)+Pycharm+Win11深度学习环境配置
398 3
|
2月前
|
机器学习/深度学习 算法 算法框架/工具
基于深度学习的交通标志检测和识别(从原理到环境配置/代码运行)
基于深度学习的交通标志检测和识别(从原理到环境配置/代码运行)
590 0
|
2月前
|
机器学习/深度学习 PyTorch TensorFlow
【TensorFlow】深度学习框架概述&TensorFlow环境配置
【1月更文挑战第26天】【TensorFlow】深度学习框架概述&TensorFlow环境配置
|
1天前
|
机器学习/深度学习 数据采集 数据安全/隐私保护
深度学习在医疗影像分析中的应用与挑战
随着人工智能技术的飞速发展,深度学习已成为医学影像分析领域的一股不可忽视的力量。通过构建复杂的神经网络模型,深度学习能够处理和分析大量的高维度数据,如X光、MRI和CT扫描图像,实现对疾病标记的自动检测和诊断。本文将探讨深度学习技术在医疗影像分析中的实际应用案例,包括癌症检测、神经退行性疾病的早期发现以及心脏病的预测等,并讨论当前面临的主要挑战,如数据集的质量和多样性不足、模型解释性差、以及隐私保护等问题。 【7月更文挑战第15天】
23 11
|
1天前
|
机器学习/深度学习 自然语言处理 算法
深度学习中的迁移学习应用与挑战
在现代深度学习应用中,迁移学习作为一种有效的模型训练技术,逐渐成为研究和实践中的热门话题。本文探讨了迁移学习的基本原理、常见应用领域以及面临的挑战。通过详细分析现有文献和实例,揭示了在不同领域应用迁移学习的潜力与限制,并探讨了未来可能的发展方向。 【7月更文挑战第15天】
|
3天前
|
机器学习/深度学习 人工智能 算法
探索深度学习在图像识别中的应用及其挑战
本文深入探讨了深度学习技术在图像识别领域的应用,分析了其背后的原理、当前的研究进展以及面临的主要挑战。通过对比传统图像处理方法,我们展示了深度学习如何提高识别准确率和效率。同时,本文还讨论了数据偏差、模型泛化能力等关键问题,并提出了未来研究的可能方向。
|
2天前
|
机器学习/深度学习 开发框架 自然语言处理
深度学习中的自动学习率调整方法探索与应用
传统深度学习模型中,学习率的选择对训练效果至关重要,然而其调整通常依赖于经验或静态策略。本文探讨了现代深度学习中的自动学习率调整方法,通过分析不同算法的原理与应用实例,展示了这些方法在提高模型收敛速度和精度方面的潜力。 【7月更文挑战第14天】
|
3天前
|
机器学习/深度学习 传感器 自动驾驶
深度学习在图像识别中的应用与挑战
随着人工智能技术的飞速发展,深度学习已成为推动图像识别领域进步的关键力量。通过模拟人脑处理信息的方式,深度学习模型能够自动提取高维数据特征,实现对复杂图像的高效识别。然而,尽管取得了显著成就,深度学习在图像识别中仍面临数据偏差、模型泛化能力不足以及对抗性攻击等挑战。本文将探讨深度学习在图像识别领域的应用现状,分析其面临的主要技术挑战,并提出未来研究的可能方向。
|
3天前
|
机器学习/深度学习 自然语言处理 监控
深度学习在自然语言处理中的应用与挑战
本文探讨了深度学习在自然语言处理(NLP)领域的应用现状及面临的挑战。通过分析深度学习模型在文本分类、情感分析、机器翻译等任务中的成功案例和技术原理,深入剖析了语言数据的复杂性对模型训练和性能的影响。此外,文章还讨论了数据获取与质量、模型解释性、多语言处理等方面的挑战,并展望了未来深度学习在NLP中的发展方向。 【7月更文挑战第13天】