part0-动手学深度学习-环境安装

已于 2024-10-01 22:34:05 修改
阅读量372 收藏 5
点赞数 4
文章标签： 深度学习 人工智能
于 2024-10-01 22:28:25 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lxlyhwl/article/details/142674704
版权

基于win11环境，学习《动手学深度学习》课程，安装基础环境

文章目录

安装环境

系统版本：Windows 11 家庭中文版 23H2
显卡：NVDIA RTX 4060
CUDA version：12.2
已安装内容：anaconda

一、创建虚拟环境

  • 以“管理员身份”打开anaconda prompt
  • 基于python3.11，创建虚拟环境
conda create -n d2l-zh python=3.11
  • 查看已创建环境
conda info --envs

在这里插入图片描述

  • 切换到创建的环境中（很重要）
conda activate d2l-zh

在这里插入图片描述

  • 查看python版本
python -V

在这里插入图片描述

二、安装其它依赖库/包

  • 安装pip
conda install pip
  • 安装torch与torchvision

参考基于anaconda安装pytorch

pip3 install D:\1res_env\pytorch_pip_setup\torch-2.3.0+cu121-cp311-cp311-win_amd64.whl
pip3 install D:\1res_env\pytorch_pip_setup\torchvision-0.18.0+cu121-cp311-cp311-win_amd64.whl
pip3 install D:\1res_env\pytorch_pip_setup\torchaudio-2.3.0+cu121-cp311-cp311-win_amd64.whl
  • 安装spyder（可视化编程环境）
pip install spyder -i https://pypi.tuna.tsinghua.edu.cn/simple
  • 修改默认python解释器

在这里插入图片描述

lxlyhwl
关注
动手学深度学习V2.0(Pytorch)——1.课程介绍+2.深度学习介绍+3.安装
啷个哩个啷
07-01 757
0. 课程介绍 课程页面： https://courses.d2l.ai/zh-v2/ 教材(参考书)：http://zh.gluon.ai/ 知乎上关于这门课程的一些介绍：https://www.zhihu.com/question/314802145 课程内容： 1.深度学习介绍
动手学深度学习实现DAY-2
weixin_40054643的博客
02-19 1797
节选自“ElitesAI·动手学深度学习PyTorch版” Task03：过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶（1天） Task04：机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer（1天） Task05：卷积神经网络基础；leNet；卷积神经网络进阶（1天） 过拟合、欠拟合及其解决方案 过拟合、欠拟合的概念 权重衰减 丢弃法 模型选择...
动手学深度学习pytorch版----4多层感知机
qq_56915427的博客
07-09 806
我们可以通过在网络中加入一个或多个隐藏层来克服线性模型的限制， 使其能处理更普遍的函数关系类型。最简单的方法是将许多全连接层堆叠在一起。每一层都输出到上面的层，直到生成最后的输出。我们可以把前𝐿−1层看作表示，把最后一层看作线性预测器。这种架构通常称为多层感知机（multilayer perceptron），通常缩写为MLP。下面，以图的方式描述多层感知机。输入层不涉及任何计算，所以使用此网络产生输出只需要实现隐藏层和输出层的计算，因此这个多层感知机的层数为2。这两个层都是全连接的。
《动手学深度学习》PyTorch版教程
gitblog_00686的博客
08-08 473
《动手学深度学习》PyTorch版教程 Dive-Into-Deep-Learning-PyTorch-PDF项目地址:https://gitcode.com/gh_mirrors/di/Dive-Into-Deep-Learning-PyTorch-PDF 项目介绍 本项目对中文版《动手学深度学习》（第一版）中的代码进行了PyTorch实现，并整理为PDF版本供下载。项目旨在帮助读者通过PyT...
动手学深度学习-05 梯度消失和梯度爆炸
zuyuhuo6777的博客
03-01 766
梯度消失、梯度爆炸以及Kaggle房价预测 梯度消失和梯度爆炸 考虑到环境因素的其他问题 Kaggle房价预测 梯度消失和梯度爆炸 深度模型有关数值稳定性的典型问题是消失（vanishing）和爆炸（explosion）。 当神经网络的层数较多时，模型的数值稳定性容易变差。 PyTorch的默认随机初始化 随机初始化模型参数的方法有很多。在线性回归的简洁实现中，我们使用tor...
动手学深度学习10 模型选择+过拟合和欠拟合
weixin_42831564的博客
04-07 1150
Optuna 提供了一种高效的方法来搜索超参数空间，以找到最佳的超参数组合，从而优化模型的性能并提高模型在测试数据上的表现。超参数是模型参数以外的我们能调整、可以选的参数都称为超参数，lr，线性模型还是多层感知机，模型有多少层，每层多大。总而言之，Optuna 在深度学习中表示一种用于自动化超参数优化的工具，能够帮助用户更高效地优化模型的性能，并提升模型的泛化能力和表现。样本不平衡，二分类数据比例1:9，数据集不很大的话，最好验证集上两类数据分布差不多，避免模型偏好数据占比较大的那一类，也可加权重避免。
动手学深度学习4.7 no Video /chapter_multilayer-perceptrons/backprop.ipynb.ipynb
Hudiscount的博客
07-15 926
例如，如果有两个GPU，可以将前半部分的层放在GPU 0上，后半部分的层放在GPU 1上。在多个GPU之间传递数据会产生通信开销，特别是在前向传播和反向传播过程中频繁的数据传递，这会影响整体的计算效率。通过将模型划分到多个GPU上，可以更加高效地利用每个GPU的内存，避免单个GPU因内存不足而导致的计算瓶颈。小批量训练通过累积多个样本的梯度，可以得到更稳定和准确的梯度估计，从而有助于训练过程的收敛。在拥有多个GPU的环境下，可以充分利用所有GPU的计算能力，从而提高计算效率。假设想计算二阶导数。
【动手学深度学习】笔记持续更新
PokiFighting的专栏
03-15 1233
主要是根据李沐老师的b站课程，会把自己遇到的各种问题总结写出来，包括一些要点 一、安装环境 （具体日后再补，准备写这个笔记的时候环境已经装好了） 二、数据操作 1、torch.arange/torch.tensor的用法在上一篇中列举了，此处不再赘述 2、独热编码问题 inputs = data.iloc[:, 0:2] inputs = inputs.fillna(inputs.mean()) 取均值后的结果： 这一步的目的我理解是对nan的部分做一下处理，以免后续读...
【动手学深度学习】李沐——多层感知机
FavoriteStar的博客
10-15 1357
【动手学深度学习】李沐——多层感知机章节的学习记录，包括代码的解释及个人见解。
Part 01-Module 03-Lesson 01-Introduction to Neural Networks
12-31
5. **深度学习框架**：如TensorFlow、PyTorch等，提供高效的神经网络构建和训练环境。了解如何使用这些工具是实现自动驾驶功能的关键。 6. **损失函数与优化器**：衡量模型预测与真实值的差距，如均方误差、交叉熵...
Dive into deep learning(03)[动手学深度学习]———————第三章，感知机
weixin_52542715的博客
10-06 448
Dive into deep learning(03)[动手学深度学习]———————第三章，感知机
基于深度学习的不遗忘训练
weixin_42605076的博客
10-02 612
基于深度学习的不遗忘训练（也称为抗遗忘训练或持久性学习）是针对模型在学习新任务时可能会忘记已学习内容的一种解决方案。该方法旨在使深度学习模型在不断接收新信息的同时，保持对旧知识的记忆。
安全帽头盔检测数据集 3类 12000张 安全帽数据集 voc yolo
最新发布
阿利同学的博客
10-04 564
安全帽头盔检测数据集 3类 12000张 安全帽数据集 voc yolo
深度学习·wandb
2301_80132162的博客
10-01 386
一个好用的可视化训练过程和调参工具，建议在深度学习中使用，语法来说更加方便。
AI学习指南深度学习篇-批标准化（Batch Normalization）简介
俞兆鹏的博客
09-28 878
批标准化是深度学习领域不可或缺的重要技术之一，极大地提高了训练速度和模型性能。它通过标准化中间层的输出，减轻了内部协变量偏移的影响，有效解决了训练过程中常见的问题。从传统的深度网络到现代复杂模型，批标准化为深度学习的快速发展做出了重要贡献。在实际应用中，理解并有效利用批标准化的特性，可以帮助我们构建更高效、准确的深度学习模型。继续深入研究和探索批标准化在其他网络构架中的应用，将进一步推动深度学习的发展与多样性。
深度学习：DCGAN
Landy_Jay的博客
10-01 431
CDGAN（Deep Convolutional Generative Adversarial Networks），是GAN（Generative Adversarial Networks）的一种变体，它特别使用了卷积神经网络（CNNs）作为生成器和判别器的构建模块。DCGAN使用全卷积网络结构代替传统的池化层和全连接层。在生成器中采用转置卷积（也称为分数步长卷积或反卷积）来逐步增加图像的空间维度。在判别器中使用卷积层来逐步减少空间维度并提取特征。
国创——基于分离表示的人脸图像生成技术
2301_80073593的博客
10-01 947
根据用户的个性化需求，对分离得到的形状和纹理表示进行调整。- 在DFGA框架的几何形状生成模块中，根据输入数据（可能是经过预处理的图像特征等），使用特定的算法或模型生成人脸的几何形状。- 分离表示旨在将人脸图像分解为不同的组件，如几何形状（面部结构）、皮肤纹理（颜色、细节等）等表示形式。- 将生成的几何形状和皮肤纹理进行融合，得到最终的个性化人脸图像或者视频帧（如果是从视频序列输入）。- 定义DFGA框架中的各个模块，如数据加载模块、几何形状生成模块、皮肤纹理生成模块、融合模块等。
Pytorch-CNN轴承故障一维信号分类(二)
10-01 1258
本文基于凯斯西储大学（CWRU）轴承数据，先经过数据预处理进行数据集的制作和加载，最后通过Pytorch实现CNN模型一维卷积和二维卷积对故障数据的分类，然后进行对比。
英语教学设计：Unit3 Part B - 学习打招呼与问候
"这篇文档是关于人教版小学英语教材Unit3 Part B的教学设计，旨在教授学生打招呼和问候的用语，以及学习新的词汇，如‘puppet’等。教学设计包括了多个课时，注重学生的听说能力和口语交际实践。" 在本教学设计中，...
评论
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