基于深度学习的建筑能耗预测01——Anaconda3-4.4.0+Tensorflow1.7+Python3.6+Pycharm安装

已于 2023-09-27 00:07:05 修改
阅读量2.1k 收藏 5
点赞数 3
分类专栏： 基于深度学习的建筑能耗预测 文章标签： pycharm 深度学习 python
于 2021-11-27 17:24:15 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/wanmeishaonv/article/details/121580369
版权
本文详细介绍了如何搭建基于深度学习的开发环境，包括安装Python 3.6，配置环境变量，安装Pycharm专业版，以及通过Anaconda3创建和管理环境，特别是安装Tensorflow 1.7的过程。同时提供了踩坑解决方案的参考链接。
摘要由CSDN通过智能技术生成

数字设计-基于深度学习的建筑能耗预测—2021WS
作者：徐仔
指导老师：万老师、丁老师
带组导师：宋学姐（建筑学专业）、卢学长（计算机专业）
（转载请注明出处）


 一，安装python及其环境的设置

（写python代码前，在电脑上安装相关必备的软件的过程称为环境搭建）

· 完全可以先安装anaconda（会自带Python），安装anaconda时选好版本即可，无需单独安装python

· 打开官网：https://www.python.org/

 

下载完毕，双击安装包，选择Customize installation,勾选Add Python 3.6 to PATH

 
· 安装成功后，win+R 弹出运行命令，输入cmd打开终端

（r：run，运行；cmd ：command，是一个windows 内置的命令行人机交互界面）

在终端输入命令去运行写好的代码，格式【解释器路径 空格 代码文件路径】

比如说：我在电脑任意文件夹下新建一个txt文件，命名为 a.txt  。往里输入几行代码

· 添加环境变量，以便于以后快速找到python 解释器

最低0.47元/天 解锁文章
徐仔小天才
关注
  • 3
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
电力消耗预测：使用深度学习进行时间序列分析
sybh的博客
05-23 321
在本文中，我们介绍了如何使用深度学习方法预测电力消耗。我们使用Python和TensorFlow框架构建了一个基于LSTM的循环神经网络（RNN）模型，并对数据进行了预处理、模型训练、预测和评估。此外，我们还讨论了模型优化的方法，如增加窗口大小、调整学习率和使用早停法等。
建筑楼层大规模能量预测代码笔记
sakurasakura1996的博客
11-24 333
建筑楼层大规模能量预测代码笔记 记录的都是一些python的写法问题，归结于自己太菜了，python如此强大的功能，很多都没看到过 from sklearn.preprocessing import LabelEncoder from sklearn.model_selection import KFold sklearn是大家共同开发维护的一个非常方便的机器学习库，得到大家的认可，功能十分强大，...
基于深度学习的区域电力负荷预测python源码.zip
08-30
【资源介绍】 基于深度学习的区域电力负荷预测python源码.zip 基于深度学习的区域电力负荷预测python源码.zip 基于深度学习的区域电力负荷预测python源码.zip 【说明】 该项目是个人毕设项目，答辩评审分达到95分，代码都经过调试测试，确保可以运行！欢迎下载使用，可用于小白学习、进阶。 该资源主要针对计算机、通信、人工智能、自动化等相关专业的学生、老师或从业者下载使用，亦可作为期末课程设计、课程大作业、毕业设计等。 项目整体具有较高的学习借鉴价值！基础能力强的可以在此基础上修改调整，以实现不同的功能。 欢迎下载交流，互相学习，共同进步！
基于LSTM递归神经网络的多特征电能负荷预测（Python代码实现）
2201_75454341的博客
12-09 1079
电能负荷预测按细粒度划分可分为粗度预测和细度预测。其中粗度预测则是将整个时间段的电能负荷数据进行训练，进而进行预测。而细度预测这是要考虑电能负荷季节，时间周期影响因子。博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。行百里者，半于九十。
哈佛大学能耗预测项目（Prediction of Buildings Energy Consumption）代码+分析过程
04-17
哈佛大学能耗预测项目（Prediction of Buildings Energy Consumption）完整的机器学习项目代码+分析过程
纽约市建筑能源得分预测代码分析
QT-Smile
01-14 1199
项目：纽约市建筑能源得分预测 目录 0简介 1数据清洗与格式转化 1.1数据简介 1.2导入所需的基本工具包 1.3数据分析 1.4数据类型与缺失值 1.5缺失值处理模板 2 Exploratory Data Analysis 2.2剔除离群点 2.3观察那些变量会对结果产生影响 3特征工程 3.1特征变换 3.2双变量绘图 3.3提出共线特征 4分割数据集 4.1划分数据 4.2建立Baseline 4.3结果保存下来，建模再用 5建立基础模型，尝试多种算法 5.1缺失值填充 5.2特征进行与归一化 6建
隐式格式的MATLAB代码-BeSim:建筑能耗模拟（BeSim）工具箱，用于在Matlab中方便，快速地开发和模拟高级建筑气候控制器
05-22
隐式格式的MATLAB代码BeSim工具箱 Matlab工具箱，用于快速设计和模拟高级建筑气候控制算法。 特征 介面 自动构建模型预测控制（MPC）和状态估计算法 闭环仿真，绘图和性能分析 （特别是深度学习） 如需快速入门和更多详细信息，请查看有关背后的算法和工具的演示。 安装 tbx管理器 安装 通过以下tbxmanager install besim ： tbxmanager install besim 检查更新： tbxmanager update 手动的 克隆BeSim存储库 将BeSim文件夹及其子文件夹保存到Matlab路径 先决条件 Matlab：在R2017a和R2017b上开发和测试 数学建模和优化工具箱（BeSim的骨干） 优化求解器，例如Quadprog或商用求解器，例如（隐式MPC和MHE问题的解决方案） Matlab工具箱：深度学习，机器学习（近似的MPC功能） 入门-演示 在Matlab中运行以下脚本以获得快速结果： ：针对所选建筑模型的基于优化的MPC和状态估计器的设计和仿真 ：通过机器学习为选定的建筑模型设计和模拟近似MPC 结构 功能结构：具有数据流依
python 建筑计算_用相关系数从真实建筑数据中挖掘影响建筑能耗的因素
weixin_39742392的博客
12-09 344
前言：传统的建筑能耗分析来源于建筑的物理模型，主要是基于传热学理论发展而来，这种方法也常被称为“白箱模型”。如果从传热角度出发，影响建筑能耗的参数更多地来源于气候条件、围护结构（屋顶、外墙、外窗和地面等）和空调系统。现实建筑的元素是无法用传热的模型来模拟的，例如人的行为。那从真实的建筑数据挖掘出影响建筑能耗的参数有哪些呢？上次介绍的研究是使用决策树模型来挖掘影响建筑能耗的参数，事实上已有的研究应用...
Win10+Python3.6.5+Anaconda3-5.2.0+Tensorflow安装
Cat_South_North的博客
07-28 1916
Win10+Python3.6.5+Anaconda3-3.5.2.0+Tensorflow安装 一、Python安装 因为个人需求，所以笔者选择安装Python3.6.5。 下载路径：Python官网 二、Anaconda安装 查看Python3.6.5对应的 Anaconda版本 参考文章：Anaconda版本与Python版本对应关系 由文章可知，与Python3.6.5对应的是Anaconda3-3.5.2.0 查看已安装的Python版本： ①系统键+R，打开cmd ②在命令行输入pyt
Anaconda3-4.4.0-Linux-x86_64
01-03
Anaconda在Linux下的安装
Anaconda3-4.4.0-Windows-x86_64 安装包
03-26
Anaconda3-4.4.0-Windows-x86_64 安装包， 亲测过，使用起来没有问题
Anaconda3-4.4.0-Windows-x86_64.exe
11-01
Anaconda3-4.4.0-Windows-x86_64 anaconda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，使用方便。
Anaconda3-4.4.0-Windows-x86_64
09-05
放百度网盘 没有账号请慎重 放百度网盘 没有账号请慎重 放百度网盘 没有账号请慎重 放百度网盘 没有账号请慎重
Anaconda3-4.4.0安装包
07-13
Anaconda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。 因为包含了大量的科学包所以文件比较大。
win7安装Anaconda3-5.1.0+TensorFlow1.7
hemancute的博客
04-28 1417
先总结自己遇到的坑：（回头想想其实安装很简单） 第一大坑：anaconda安装版本都行，但必须指导他配置的Python和要配置的TensorFlow是否合适。  第二坑： google那群人已经将安装进一步简化，千万不要像过去安装还用conda 命令，很容易把安装的位置神马搞错，血泪史的到处找问题。  第三坑：cmd进行Tensflow安装的时候，必须以管理员身份运行，进行安装。 下面开始...
win10安装Anaconda+tensorflow2.0-CPU+Pycharm的图文教程
10-15
3. 安装完成后首次启动PyCharm，根据提示进行常规配置，如设置Python解释器（选择刚刚创建的Anaconda `tensorflow`环境）。 4. 创建新工程时，选择合适的项目类型和位置，PyCharm会自动检测到已配置的Python环境。 ...
深度学习环境搭配——cuda+cudnn+tensorflow-gpu+keras
01-20
深度学习环境搭配——cuda+cudnn+tensorflow-gpu+keras 一、手动安装： cuda下载：https://developer.nvidia.com/cuda-toolkit cudnn下载：https://developer.nvidia.com/cudnn tensorflow版本和cuda的对应关系： ...
毕业设计-基于深度学习的建筑能耗预测算法研究 LSTM
最新发布
Hai_Lang_IT的博客
01-15 1899
毕业设计-基于深度学习的建筑能耗预测算法研究 LSTM:建筑能耗预测在能源管理和建筑设计中起着关键作用。准确地预测建筑能耗可以帮助优化能源使用，提高能源效率，减少能源浪费，并且为建筑能源系统的规划和管理提供决策支持。然而，由于建筑系统的复杂性、不确定性和动态变化性，传统的建筑能耗预测方法往往存在准确性不高、模型复杂度高和对专业知识依赖程度高等问题。
使用anaconda3+pycharm配置tensorflow-gpu2.4.0深度学习环境经验分享
09-10
使用Anaconda3和PyCharm来配置TensorFlow-GPU 2.4.0深度学习环境是一个相对简单的过程，我将分享我的经验。 首先，你需要确保已经在计算机上安装了Anaconda3和PyCharm。然后，你可以按照以下步骤进行配置： 1. 打开Anaconda Navigator，并创建一个新的虚拟环境。你可以选择Python 3.7版本，并命名环境为"tensorflow-gpu"。 2. 激活新环境后，在终端或命令提示符下输入以下命令来安装TensorFlow-GPU 2.4.0： ``` conda install tensorflow-gpu=2.4.0 ``` 3. 安装完成后，你可以通过以下命令验证TensorFlow-GPU是否正确安装： ``` python -c "import tensorflow as tf; print(tf.__version__)" ``` 如果输出显示为2.4.0，则说明TensorFlow-GPU已经成功安装。 4. 接下来，在PyCharm中打开一个新的项目。在项目设置中，选择已创建的虚拟环境"tensorflow-gpu"作为项目的Python解释器。 5. 在PyCharm的终端中，使用以下命令来安装GPU版本的TensorFlow依赖项： ``` pip install tensorflow-gpu==2.4.0 ``` 6. 安装完成后，你可以编写和运行使用TensorFlow-GPU的代码了。 在配置过程中，可能会遇到一些问题。例如，TensorFlow-GPU要求计算机上安装了适当的显卡驱动程序，并且CUDA和cuDNN版本与TensorFlow-GPU的要求相匹配。此外，如果你在安装过程中遇到任何问题，可以尝试升级或降级Anaconda、PyCharm和TensorFlow-GPU版本，以找到兼容的组合。 总之，通过Anaconda3和PyCharm配置TensorFlow-GPU 2.4.0深度学习环境是一项相对简单的任务。如果按照上述步骤操作，你应该能够成功地设置和使用TensorFlow-GPU来进行深度学习任务。
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