深度学习AI环境Anaconda等搭建

最新推荐文章于 2024-08-18 18:24:21 发布
最新推荐文章于 2024-08-18 18:24:21 发布
阅读量952 收藏 6
点赞数 1
分类专栏： AI 文章标签： 深度学习 python tensorflow 人工智能 ai
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/m0_37688634/article/details/109765196
版权

名词简介

Anaconda

Anaconda [ˌænəˈkɒndə]指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。

keras

Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化

tensorflow

TensorFlow™ [ˈtensə®]是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现，其前身是谷歌的神经网络算法库DistBelief [1] 。它由 Google 开发，并在图形分类、音频处理、推荐系统和自然语言处理等场景下有着丰富的应用，是目前最热门的机器学习框架http://c.biancheng.net/tensorflow/

Opencv

OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法

pytorch

2017年1月，由Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch [tɔːrtʃ]。它是一个基于Python的可续计算包，提供两个高级功能：1、具有强大的GPU加速的张量计算（如NumPy）。2、包含自动求导系统的的深度神经网络

环境的安装

Anaconda安装，keras,tensorflow安装：https://blog.csdn.net/qq_41760767/article/details/97441967

https://repo.anaconda.com/archive/Anaconda3-5.2.0-Windows-x86_64.exe

Opencv安装：https://www.cnblogs.com/jisongxie/p/10248550.html

pytorch安装：https://www.cnblogs.com/wzw0625/p/11963482.html

pip命令的使用

https://www.cnblogs.com/xueweihan/p/4981704.html

在这里插入图片描述

-------------------------------以下为搭建环境的详细过程---------------------------------

Anaconda安装

  1. 官网下载地址：https://www.anaconda.com/products/individual，本人安装Anaconda3-5.2.0-Windows-x86_64.exe的版本，版本对应

    img

  2. 除了环境变量勾选一下其他一直下一步，若弹出vscode就是一个编辑器，随意了跳过就行

在这里插入图片描述

3.安装完成后查看是否安装成功。比如有的人手贱点了vscode安装最后由于网络等原因后面导致安装没有反应了，半天安装条进度没有变化，这个时候你可以通过如下几种方式看看是否安装成功https://baijiahao.baidu.com/s?id=1616120886763657106&wfr=spider&for=pc

点击“开始” —— “Anaconda3（64-bit）” —— “右键点击Anaconda Prompt” —— 点击“以管理员身份运行”，在Anaconda Prompt中输入conda list，可以查看已经安装的包名和版本号。如果结果可以正常显示，则说明安装成功

建立TensorFlow的Anaconda环境

  1. 建立一个工作目录，就是一个文件夹，怎么建什么名字你喜欢就好

  2. cmd到工作目录下执行命令：

    conda create --name tensorFlow python=3.5 anaconda

  3. 可以要等待一会出现下面的界面，选择y继续安装 ，安装时间可能较长请等待~,下面的进度条在动就行
    在这里插入图片描述
    在这里插入图片描述

  4. 安装完成

在这里插入图片描述

安装TensorFlow

安装

  1. cmd到pythonwork工作目录执行命令

    activate tensorFlow

在这里插入图片描述

  1. 继续执行命令

    pip install tensorFlow

    安装失败请移步后面的安装失败

安装失败
pip版本原因

在这里插入图片描述

  1. 大概是pip版本低导致的，我们先按照建议执行命令

    python -m pip install --upgrade pip

  2. 哦豁不行还是一样的错误

    在这里插入图片描述

  3. 换一个命令更新

    python -m pip install -U pip

  4. 等待pip安装成功。查看下pip的版本,之前是10.0.1现在是，看来确实升级成功了

    pip -V

    在这里插入图片描述

换个安装地址加速

由于网络原因等了一万年还是失败了，建议pip下载源为国内镜像库，这里就不修改了手动使用下豆瓣的镜像库安装tensorflow其他加速

清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/

阿里云 http://mirrors.aliyun.com/pypi/simple/

中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/

豆瓣(douban) http://pypi.douban.com/simple/

中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/

pip install tensorflow -i https://pypi.douban.com/simple

快到飞起但是装完后还是有报错

在这里插入图片描述

会不会还是网络原因，再试一遍

我擦报错少了一个，再试一遍,我擦报错又少了一个

还是看看安装成功了没把

pip list

没有tensorflow~，安装失败了，继续战斗吧，使用强制安装命令试一下

pip install --ignore-installed <库名>

pip install --ignore-installed tensorflow -i https://pypi.douban.com/simple

还是报错

在这里插入图片描述

看来这个模块必须得安装，那就先安装了试下

pip install msgpack-python

pip install msgpack

pip list看下 ok系统提示缺的已经装了
在这里插入图片描述

再执行之前安装tensorflow的命令试一下

pip install tensorflow -i https://pypi.douban.com/simple

挖草

在这里插入图片描述

是成功了吗？pip list 好像成功拉！

在这里插入图片描述

后面发现版本和python版本不对应需要卸载后重装同时最好把附带的一些库也卸了（tensorboard、tensorflow- estimator之类与tensorflow相关的库），我的python版本是3.6.5对应的是1.6.0具体可查看后面的python对应的tensorflow版本

pip uninstall tensorflow tensorboard tensorflow-estimator

pip  install  -i  https://pypi.doubanio.com/simple/  --trusted-host pypi.doubanio.com  tensorflow==2.0.0
tensorflow版本问题

由于版本问题后面会导致导入包失败，看看安装了对应的python版本的tf没有的话需要卸载重写安装

在这里插入图片描述

卸载tensorflow
pip uninstall tensorflow tensorboard tensorflow-estimator gast

安装Keras

安装

cmd到pythonwork工作目录执行命令

pip install keras

在这里插入图片描述

keras版本问题

在这里插å¥å›¾ç‰‡æè¿°

py-tf-keras版本对应图

https://docs.floydhub.com/guides/environments/

FrameworkEnv name (–env parameter)DescriptionDocker ImagePackages and Nvidia Settings
TensorFlow 2.1tensorflow-2.1TensorFlow 2.1.0 + Keras 2.3.1 on Python 3.6.floydhub/tensorflowTensorFlow-2.1
TensorFlow 2.0tensorflow-2.0TensorFlow 2.0.0 + Keras 2.3.1 on Python 3.6.floydhub/tensorflowTensorFlow-2.0
TensorFlow 1.15tensorflow-1.15TensorFlow 1.15.0 + Keras 2.3.1 on Python 3.6.floydhub/tensorflowTensorFlow-1.15
TensorFlow 1.14tensorflow-1.14TensorFlow 1.14.0 + Keras 2.2.5 on Python 3.6.floydhub/tensorflowTensorFlow-1.14
TensorFlow 1.13tensorflow-1.13TensorFlow 1.13.0 + Keras 2.2.4 on Python 3.6.floydhub/tensorflowTensorFlow-1.13
TensorFlow 1.12tensorflow-1.12TensorFlow 1.12.0 + Keras 2.2.4 on Python 3.6.floydhub/tensorflowTensorFlow-1.12
tensorflow-1.12:py2TensorFlow 1.12.0 + Keras 2.2.4 on Python 2.floydhub/tensorflow
TensorFlow 1.11tensorflow-1.11TensorFlow 1.11.0 + Keras 2.2.4 on Python 3.6.floydhub/tensorflowTensorFlow-1.11
tensorflow-1.11:py2TensorFlow 1.11.0 + Keras 2.2.4 on Python 2.floydhub/tensorflow
TensorFlow 1.10tensorflow-1.10TensorFlow 1.10.0 + Keras 2.2.0 on Python 3.6.floydhub/tensorflowTensorFlow-1.10
tensorflow-1.10:py2TensorFlow 1.10.0 + Keras 2.2.0 on Python 2.floydhub/tensorflow
TensorFlow 1.9tensorflow-1.9TensorFlow 1.9.0 + Keras 2.2.0 on Python 3.6.floydhub/tensorflowTensorFlow-1.9
tensorflow-1.9:py2TensorFlow 1.9.0 + Keras 2.2.0 on Python 2.floydhub/tensorflow
TensorFlow 1.8tensorflow-1.8TensorFlow 1.8.0 + Keras 2.1.6 on Python 3.6.floydhub/tensorflowTensorFlow-1.8
tensorflow-1.8:py2TensorFlow 1.8.0 + Keras 2.1.6 on Python 2.floydhub/tensorflow
TensorFlow 1.7tensorflow-1.7TensorFlow 1.7.0 + Keras 2.1.6 on Python 3.6.floydhub/tensorflowTensorFlow-1.7
tensorflow-1.7:py2TensorFlow 1.7.0 + Keras 2.1.6 on Python 2.floydhub/tensorflow
TensorFlow 1.5tensorflow-1.5TensorFlow 1.5.0 + Keras 2.1.6 on Python 3.6.floydhub/tensorflowTensorFlow-1.5
tensorflow-1.5:py2TensorFlow 1.5.0 + Keras 2.1.6 on Python 2.floydhub/tensorflow
TensorFlow 1.4tensorflow-1.4TensorFlow 1.4.0 + Keras 2.0.8 on Python 3.6.floydhub/tensorflow
tensorflow-1.4:py2TensorFlow 1.4.0 + Keras 2.0.8 on Python 2.floydhub/tensorflow
TensorFlow 1.3tensorflow-1.3TensorFlow 1.3.0 + Keras 2.0.6 on Python 3.6.floydhub/tensorflow
tensorflow-1.3:py2TensorFlow 1.3.0 + Keras 2.0.6 on Python 2.floydhub/tensorflow
TensorFlow 1.2tensorflow-1.2TensorFlow 1.2.0 + Keras 2.0.6 on Python 3.5.floydhub/tensorflow
tensorflow-1.2:py2TensorFlow 1.2.0 + Keras 2.0.6 on Python 2.floydhub/tensorflow
TensorFlow 1.1tensorflowTensorFlow 1.1.0 + Keras 2.0.6 on Python 3.5.floydhub/tensorflow
tensorflow:py2TensorFlow 1.1.0 + Keras 2.0.6 on Python 2.floydhub/tensorflow
TensorFlow 1.0tensorflow-1.0TensorFlow 1.0.0 + Keras 2.0.6 on Python 3.5.floydhub/tensorflow
tensorflow-1.0:py2TensorFlow 1.0.0 + Keras 2.0.6 on Python 2.floydhub/tensorflow
TensorFlow 0.12tensorflow-0.12TensorFlow 0.12.1 + Keras 1.2.2 on Python 3.5.floydhub/tensorflow
tensorflow-0.12:py2TensorFlow 0.12.1 + Keras 1.2.2 on Python 2.floydhub/tensorflow
PyTorch 1.4pytorch-1.4PyTorch 1.4.0 + fastai 1.0.60 on Python 3.6.floydhub/pytorchPyTorch-1.4
PyTorch 1.3pytorch-1.3PyTorch 1.3.0 + fastai 1.0.60 on Python 3.6.floydhub/pytorchPyTorch-1.3
PyTorch 1.2pytorch-1.2PyTorch 1.2.0 + fastai 1.0.60 on Python 3.6.floydhub/pytorchPyTorch-1.2
PyTorch 1.1pytorch-1.1PyTorch 1.1.0 + fastai 1.0.57 on Python 3.6.floydhub/pytorchPyTorch-1.1
PyTorch 1.0pytorch-1.0PyTorch 1.0.0 + fastai 1.0.51 on Python 3.6.floydhub/pytorchPyTorch-1.0
pytorch-1.0:py2PyTorch 1.0.0 on Python 2.floydhub/pytorch
PyTorch 0.4pytorch-0.4PyTorch 0.4.1 on Python 3.6.floydhub/pytorchPyTorch-0.4
pytorch-0.4:py2PyTorch 0.4.1 on Python 2.floydhub/pytorch
PyTorch 0.3pytorch-0.3PyTorch 0.3.1 on Python 3.6.floydhub/pytorchPyTorch-0.3
pytorch-0.3:py2PyTorch 0.3.1 on Python 2.floydhub/pytorch
PyTorch 0.2pytorch-0.2PyTorch 0.2.0 on Python 3.5floydhub/pytorch
pytorch-0.2:py2PyTorch 0.2.0 on Python 2.floydhub/pytorch
PyTorch 0.1pytorch-0.1PyTorch 0.1.12 on Python 3.floydhub/pytorch
pytorch-0.1:py2PyTorch 0.1.12 on Python 2.floydhub/pytorch
Theano 0.9theano-0.9Theano rel-0.8.2 + Keras 2.0.3 on Python3.5.floydhub/theano
theano-0.9:py2Theano rel-0.8.2 + Keras 2.0.3 on Python2.floydhub/theano
CaffecaffeCaffe rc4 on Python3.5.floydhub/caffe
caffe:py2Caffe rc4 on Python2.floydhub/caffe
TorchtorchTorch 7 with Python 3 env.floydhub/torch
torch:py2Torch 7 with Python 2 env.floydhub/torch
Chainer 1.23chainer-1.23Chainer 1.23.0 on Python 3.floydhub/chainer
chainer-1.23:py2Chainer 1.23.0 on Python 2.floydhub/chainer
Chainer 2.0chainer-2.0Chainer 1.23.0 on Python 3.floydhub/chainer
chainer-2.0:py2Chainer 1.23.0 on Python 2.floydhub/chainer
MxNet 1.0mxnetMxNet 1.0.0 on Python 3.6.floydhub/mxnet
mxnet:py2MxNet 1.0.0 on Python 2.floydhub/mxnet

jupyter notebook的使用

启动jupyter notebook

  1. 切换到pythonwork

  2. 并启动tensorFlow的Anaconda的虚拟环境 ,分别执行以下命令

    1.activate tensorFlow
2.jupyter notebook

  3. 启动成功后弹出jupyter的网页

建立新的notebook
  1. 点击New按钮后选择Python3
  2. 点击Untitled修改其名称,输入名的名称…
jupyter notebook输入命令的形式
  • Shift+Enter:执行后，光标会移动到下一个程序单元格
  • Ctrl+Enter:执行后，光标仍在当前的程序单元格
导入TensorFlow模块

在程序单元格中输入：

import tensorflow as tf
查看TensorFlow版本
tf.__version__
导入Keras模块
import keras
查看Keras板本
keras.__version__
保存Notebook

在这里插入图片描述

关闭Notebook

在这里插入图片描述

打开之前保存的Notebook

在这里插入图片描述

关闭Jupyter浏览器

在这里插入图片描述

关闭Jupyter Notebook

关闭浏览器后，回到命令提示窗口，按Ctrl+C组合键即可关闭Jupyter Notebook程序

anaconda安装opencv

安装

cmd中执行命令

pip install opencv-python
查看已经安装的opencv
conda search opencv

在这里插入图片描述

安装pytorch

安装

  1. 进入anaconda prompt

  2. 建立名为PyTorch的虚拟环境

    conda create --name PyTorch python=3.6

  3. 激活PyTorch虚拟环境

    activate PyTorch

  4. 安装PyTorch，官网地址：**https://pytorch.org/get-started/locally/**选择Windows、Pip、Python 3.6、None CUDA环境，然后在Anaconda Prompt下名为PyTorch虚拟环境下执行下面的命令

pip install torch==1.5.0+cpu torchvision==0.6.0+cpu -f https://download.pytorch.org/whl/torch_stable.html

失败了~后面用pip3成功了

pip3 install torch==1.5.0+cpu torchvision==0.6.0+cpu -f https://download.pytorch.org/whl/torch_stable.html

在这里插入图片描述

itqzing
关注
专栏目录
深度学习环境搭建资源集合
04-01
### 深度学习环境搭建资源集合 在深入探索深度学习的世界之前，首先需要搭建一个稳定可靠的开发环境。对于新手而言，这一步骤往往是最具挑战性的。本篇内容将结合多个精选帖子，帮助读者更好地理解如何搭建深度学习...
安装搭建AI开发环境（保姆级教程）
qq_24832777的博客
06-07 3123
公司需要开发的新产品涉及到AI相关，需要搭建AI深度学习开发环境，笔者使用本地VS Code+远程jupyter服务器方便调试代码。
手把手教你玩转AI之环境搭建-基础篇
记录，分享，成长
05-01 2680
python基础环境安装与配置
AI大模型开发-Python（Anaconda）的安装
最新发布
AI大模型
08-18 1054
Python是最受欢迎的编程语言之一，特别是在数据科学、机器学习和AI领域。Anaconda是一个免费的开源Python发行版，它极大地简化了包管理和部署的过程。在这一节中，将详细介绍如何下载和安装Anaconda，以及如何使用它来创建和管理Python环境。
第五章 人工智能环境的搭建
garbagerofsuct的博客
03-09 2299
Anaconda ，CUDA和Pytorch安装和环境配置的保姆级教程，作者把以前安装的Anaconda和Pytorch卸载以后重新安装，步步演示，把所有的错误都进行了尝试，跟着我来，保证不错。
AI平台虚拟环境搭建流程
my blogs
03-11 743
环境需求: jupyterhub需要3.5环境以上 tensorflow 3.5环境以上 一、使用tensorflow/tensorflow:1.7.0-gpu-py3 docker镜像启动容器,目的:显卡驱动的安装 容器名称为 ai_platform 端口映射为 8008:8000 jupyterhub端口 端口映射为 6008:6006 tensorboard端口 使用 nvidia-docker 软件共享目录映射 /ai_share/pr...
搭建（人工智能）或（视觉处理）环境前必看
不积跬步，无以至千里；不积小流，无以成江海；千里之行，始于足下
03-18 1052
在进行做人工智能或视图处理的一些ai环境搭建的时候，我们经常要下Anaconda要下cuda要下pytorch一大堆的东西，那么这些东西的作用和他们之间的关系是什么呢！
tensorflow安装 - 搭建深度学习环境
06-10
随着人工智能技术的迅速发展，深度学习作为其中一个重要的分支，在图像识别、自然语言处理、语音识别等多个领域取得了显著成果。而TensorFlow作为一种强大的开源深度学习框架，由Google开发并维护，因其灵活且高效的...
深度学习——手把手教你安装Anaconda开发环境.rar
04-28
深度学习是一种人工智能领域的核心技术，它基于神经网络模型对大量数据进行训练，以实现模式识别、图像分类、自然语言处理等多种复杂任务。为了进行深度学习，一个高效、稳定的开发环境至关重要，而Anaconda就是这样...
Anaconda环境搭建1
08-08
Anaconda 环境搭建 1 ...Anaconda 环境搭建是数据科学和人工智能领域的基础一步，通过本文，我们了解了 Anaconda 的安装过程和应用场景，希望这篇文章能够帮助您更好地了解 Anaconda 环境搭建的知识点。
Aarch64安装Anaconda和pytorch深度学习环境搭建
12-06
随着人工智能和深度学习技术的发展，Aarch64架构的服务器和数据中心也需要安装 Anaconda 和 PyTorch 等深度学习环境。在本文中，我们将介绍如何在 Aarch64 架构上安装 Anaconda 和 PyTorch。 一、安装 Miniconda ...
搭建环境AI画图stable-diffusion
weixin_44379605的博客
12-02 1619
本文旨在记录过程，偶然看见一个AI画图的，体验看看。stable-diffusion是一个输入简单图片，输出科幻性想象后的结果图。上图！当然，如此梦幻的功能，也需要梦幻的机器条件，请确认你最少有10GB VRam 的GPU，因为最小的模型，也需要这个量级的显存。
AI 入门，从零搭建完整 AI 开发环境，并写出第一个 AI 应用
xiangxueerfei的博客
05-08 5395
在本文中，我们从零开始，一步步搭建了一个完整的AI开发环境，并创建了一个简单的AI应用。您学习了如何安装Python、Anaconda、TensorFlow，以及如何使用Jupyter Notebook进行开发。通过这个简单的手写数字识别应用，您不仅学习了AI的基本概念，还亲身体验了AI的应用。AI是一个广阔而充满机遇的领域，希望这个教程能够激发您继续深入学习和探索AI的兴趣。
大模型部署工具 llama.cpp 介绍与安装使用
youmaob的博客
04-07 6954
另外一个是量化，量化是通过牺牲模型参数的精度，来换取模型的推理速度。llama.cpp 提供了大模型量化的工具，可以将模型参数从 32 位浮点数转换为 16 位浮点数，甚至是 8、4 位整数。训练的过程，实际上就是在寻找模型参数，使得模型的损失函数最小化，推理结果最优化的过程。训练完成之后，模型的参数就固定了，这时候就可以使用模型进行推理，对外提供服务。大模型时代，企业对人才的需求变了，AIGC相关岗位人才难求，薪资持续走高，AI运营薪资平均值约。llama.cpp 提供了模型量化的工具。
搭建自己的AI实验环境
weixin_44626085的博客
09-16 1358
内存 32.0 GBWindows 10 企业版2张N卡：NVIDIA GeForce RTX 3060 Ti 8G显存NVIDIA GeForce RTX 3060 12G显存大容量硬盘：12T。
本地搭建AI环境
Liu_Bruce的博客
05-09 3093
Docker 是一个开源的容器化平台，可以将应用程序和服务打包到一个轻量级的容器中，使得开发、测试、生产环境中的应用程序之间实现了更好的隔离和重用。容器化：Docker 将应用程序和服务打包到一个容器中，这个容器可以包含所需的库、依赖项、配置文件等。轻量级：Docker 容器非常轻量，通常只有几十兆到几百兆大小，可以快速启动和关闭。可移植性：Docker 容器可以在不同的环境中运行，无需担心不同操作系统、库版本等问题。高效率：Docker 可以提高开发和部署速度，因为它可以快速创建和销毁容器。
手把手教你玩转AI之环境搭建-集成开发环境
记录，分享，成长
05-02 1331
Python和pip安装好了之后就可以进入开发了。但一个一个的编辑.py文件，效率太低，显然不是我们想要的。这就得介绍一下Python开发的集成开发环境。由于目前python太火爆了，主流的集成开发换环境基本都支持python。下面来介绍几个常用的集成开发环境。 Jupyter notebook PyCharm VS code 一、Jupyter notebook 首先要推荐的肯定是神奇的Jupyter notebook。它是一款可以在浏览器中使用的交互式的计算应用程序，该应用程序的所有可见的内容，
AI学习 3---Anaconda-用conda创建python虚拟环境
05-06 303
Anaconda是一个打包的集合，里面预装好了conda、某个版本的python、各种packages等。包管理与pip的使用方法类似，环境管理则是允许用户方便滴安装不同版本的python环境并在不同环境之间快速地切换。的服务器在国外，安装多个packages时，conda下载的速度经常很慢。通过Anaconda安装默认版本的Python，3.6的对应的是 Anaconda3-5.2，5.3以后的都是python 3.7。打开命令行输入conda -V检验是否安装及当前conda的版本。
【AI开发：环境篇】Anaconda安装和基础命令
04-15 527
AI环境现在还是比较多的，所以在使用之前，一定要进行虚拟环境的设定，这样就不会因为各种工具包的版本问题，而互相影响。
评论 1
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