源代码杀手的博客

当然还有其他很多的方法，也不止这一种，只是觉得这里的tensorflow1.15gpu安装的方式是直接给你封装一起安装了（包含cudnn,cuda）,如果觉得想了解环境的配置细致，可以先创建conda+python3.6，再安装对应的cuda、cudnn版本就可以了，这里只是记录以下，希望能帮助到大家。在保证宿主机安装好nvidia驱动的前提下，创建docker容器导入nvidia环境案例conda先装cuda=11.3.1，cudnn=8.2.1，再装tensorflow-gpu=2.6.5。......

参考连接：https://www.tensorflow.org/lite/examples

一、问题描述Could not load dynamic library ‘libnvinfer.so.6’; dlerror:libnvinfer.so.6: cannot open shared object file: No such file ordirectory; LD_LIBRARY_PATH: :/usr/local/cuda-10.1/lib64报错后仍可以正常运行，但是发现GPU并未调用，只跑在CPU上。在尝试多次重装CUDA10.1、CUDA ToolKit等后，均无效。

1.终端输入conda config --set show_channel_urls yes目的是为了生成 .condarc配置文件。2.修改配置文件打开配置文件sudo gedit .condarc把下列配置信息copy进 .condarc文件保存即可。channels:- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pk

指定GPUimport os#os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"os.environ["CUDA_VISIBLE_DEVICES"] = "0"#备注：不同的NVIDIA-cuda-gpub编号可能不同，如果不是0请自行查看自己的机器gpu编号。设置定量的GPU使用量config = tf.ConfigProto()config.gpu_options.per_process_gpu_memory_fraction = 0.9 #

常见问题Keras报错：无法从keras.utils导入multi_gpu_modelImportError: cannot import name ‘multi_gpu_model’报错原因：更高版本的tf2.4目前对于keras未兼容所以功能模块，没有multi_gpu_model功能函数。解决方法：将tf2.2环境下生成的…/lib/python3.6/site-packages/tensorflow/python/keras/utils/multi_gpu_utils.py复制到tf2.4同

在已安装nvidia460、cuda11、cudnn8的前提下：查看tensorflow的所有版本anaconda search -t conda tensorflow运行以下命令查看适合自己的版本anaconda show anaconda/tensorflow如过你安装cuda9，适合的版本可能更少。类似地，查看pytorch：...

该方法目前仅在该网页上实现，其他可使用爬虫尝试抓取：直接在搜索框搜索：右键保存视频即可https://sina.cn/index/feed?from=touch&Ver=10

看图说话：官方已经说的很清楚，这里就不做解释，其他详细说明请查看我的往期博客文章，希望能够帮助到您。解决方法如下：解决方法参考资料：https://blog.csdn.net/weixin_41194129/article/details/113394203RTX3080安装CUDA解决方法：https://github.com/tensorflow/tensorflow/issues/43701参考文献解决方法：https://zhuanlan.zhihu.com/p/291332801

预测结果展示：文章目录1、建立数据集文件夹：2、开始标注图片3、标签文件与tfrecord文件4、迁移训练1、建立数据集文件夹：其中：Annotations：主要用来存储lab标注后保存的xml数据的目录ImageSets：标签文件，一般是训练集和验证集的名称JPEGImages：主要存储经过重新编写命名后的所有图片jpg文件的目录其中处理txt标签脚本如下：2、开始标注图片本次demo只标注了70到80张图片，70张作为训练集，剩下的图片作为验证集。这里就不详细说labelIm

ARG CUDA_VERSION=11.1FROM nvidia/cuda:${CUDA_VERSION}-cudnn8-devel-ubuntu20.04MAINTAINER "Ammar Yasir Niach email:ammar.naich@gmail.com"ENV DEBIAN_FRONTEND noninteractiveENV NVIDIA_VISIBLE_DEVICES allENV NVIDIA_DRIVER_CAPABILITIES compute,utili.

# Copyright 2019 The TensorFlow Authors. All Rights Reserved.## Licensed under the Apache License, Version 2.0 (the "License");# you may not use this file except in compliance with the License.# You may obtain a copy of the License at## http://ww

配置稀疏卷积python setup.py bdist_wheel报错：spconv/include/spconv/box_iou.h:21:10: fatal error: boost/geometry.hpp: No such file or director解决方法，安装libboost配置文件，终端执行如下命令：sudo apt-get install libboost-filesystem-devsudo apt-get install libboost-dev再次配置稀疏卷积：完

TensorFlow-gpu 2.5已发布，但官方网页还没有通知。该版本已由google开发人员Mihai Maruseac发布在pypi网站不过已经上线，查看地址链接：地址一：https://libraries.io/pypi/tf-nightly-gpu地址二：https://pypi.org/project/tf-nightly-cpu/参考文献：https://pip.pypa.io/en/stable/reference/pip_install/#hash-checking-mo

CIFAR10 数据集由加拿大 Canadian Institute For Advanced Research 发布,它包含了飞机、汽车、鸟、猫等共 10 大类物体的彩色图片,每个种类收集了 6000 张32 × 32大小图片,共 6 万张图片。其中 5 万张作为训练数据集,1 万张作为测试数据集。每个种类样片如图 所示。关于数据集的解析可参考官网：（也可直接下载，数据集没多大，很快就下完）https://www.cs.toronto.edu/~kriz/cifar.html在 TensorF

前提：你已经完全配置好了TF2.x环境的情况下，出现如下警告：解决办法：在代码开头加上：import osos.environ["CUDA_VISIBLE_DEVICES"]="0"# os.environ["TF_CPP_MIN_LOG_LEVEL"]='1' # 这是默认的显示等级，显示所有信息os.environ["TF_CPP_MIN_LOG_LEVEL"]='2' # 只显示 warning 和 Error# os.environ["TF_CPP_MIN_LOG_LEVEL"]=

TensorBoard是一套用于检查和理解TensorFlow运行和图形的Web应用程序，这也是Google的TensorFlow比Facebook的Pytorch最大的优势之一。终端运行：tensorboard --logdir="path/to/logs

解决AttributeError: ‘str’ object has no attribute ‘decode’一、先展示解决方法打开hdf5_format.py文件，将decode全部修改成encode即可。再次运行yolo v3模型：python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5python yolo_video.py --input test.mp4测试成功：二、分析报错原因根据问题提示，意思是，属性错

IoU 的全称为交并比（Intersection over Union），通过这个名称我们大概可以猜到 IoU 的计算方法。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。开始计算之前，我们首先进行分析下交集和并集到底应该怎么计算：我们首先需要计算交集，然后并集通过两个边框的面积的和减去交集部分即为并集，因此 IoU 的计算的难点在于交集的计算。为了计算交集，你脑子里首先想到的方法应该是：考虑两个边框的相对位置，然后按照相对位置（左上，左下，右上，右下，包含，互不相交）分情况

一、简单数学计算import tensorflow as tfimport osos.environ["CUDA_VISIBLE_DEVICES"]="0"tf.compat.v1.disable_eager_execution()a=tf.constant(2)b=tf.constant(3)with tf.compat.v1.Session() as sess: print("a:%i" % sess.run(a),"b:%i" % sess.run(b)) print("

super().init()，就是继承父类的init方法，同样可以使用super()点 其他方法名，去继承其他方法。# 最底层：先写一个父类Aclass A: def __init__(self): print('A')# 第二层：让 B、C、D 继承自Aclass B(A): def __init__(self): print('B') super().__init__()class C(A): def __init__

报错1：module ‘tensorflow’ has no attribute ‘set_random_seed’原因：在tensorflow 2.x中应该是： tf.random.set_seed报错2：module ‘tensorflow’ has no attribute ‘GPUOptions’修改为：tf.compat.v1.报错3：RuntimeError: set_session is not available when using TensorFlow 2.0.修改为：tf..

参考文献：https://www.cnblogs.com/xxmmqg/p/13257474.html

TensorFlow和OpenCV库的复杂性使得创建自动化解决方案成为可能，从而不仅可以最大程度地提高效率和确保合规性，而且还可以挽救生命。TensorFlow官网本文原创github作者：marshall wurangian本文技术翻译CSDN博客作者：源代码杀手微信公众号：关注本公众号可获取本文其他数据库源码我们看到计算机视觉 图像识别技术在我们日常生活中的应用非常频繁。无论是通过面部识别来解锁iPhone，通过机场检查，甚至是通过收费架来捕获您通过的汽车图像，图像分类都可以使机器有效地

出现如下问题是由于numpy版本太高造成的，适当降低或重新安装其他版本即可。np_qint8 = np.dtype([(“qint8”, np.int8, (1,))])_np_quint8 = np.dtype([(“quint8”, np.uint8, (1,))])_np_qint16 = np.dtype([(“qint16”, np.int16, (1,))])_np_quint16 = np.dtype([(“quint16”, np.uint16, (1,))])_np_qint.

出现以下原因多半是tensorflow与keras版本不匹配：ModuleNotFoundError: No module named ‘keras.backend.tensorflow_backend’; ‘keras.backend’解决办法：参考网站：https://docs.floydhub.com/guides/environments/找到自己的Tensorflow版本对应的keras版本即可，然后重新安装命令：注意：别忘了卸载以前安装的版本pip uninstall keras

微信公众号文章：目标检测入门开篇：YOLOv3快速训练高速路段车辆数据

一、Tensor 之间的运算法则1) 相同大小 Tensor 之间的任何算术运算都会将运算应用到元素级2) 不同大小 Tensor(要求dimension 0 必须相同) 之间的运算叫做广播(broadcasting)3) Tensor 与 Scalar(0维 tensor) 间的算术运算会将那个标量值传播到各个元素4) Note：TensorFLow 在进行数学运算时，一定要求各个 Tensor 数据类型一致二、算术操作（+，-，*，/，Mod）（1）tensor-tensor操作(e

PyTorch豆瓣源： pip install torch===1.4.0 torchvision===0.5.0 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.douban.com/simple some-package清华源：pip install torch===1.4.0 torchvision===0.5.0 -f https://download.pytorch.org/whl/torch_s

Framework Env name (--env parameter) Description Docker Image Packages and Nvidia SettingsTensorFlow 2.2 tensorflow-2.2 TensorFlow 2.2.0 + Keras 2.3.1 on Python 3.7. floydhub/tensorflow TensorFlow-2.2TensorFlow 2.1 tensorflow-2.1 TensorFlow 2.1.0 + Kera.

from tensorflow.python.client import device_libprint(device_lib.list_local_devices()

方法一：正常更新安装查看版本import tensorflow as tftf.__version__查询tensorflow安装路径为:tf.__path__升级pip install --upgrade tensorflow-gpu升级到固定版本pip install tensorflow-gpu==1.7.0方法二：下载whl文件清华镜像源gpu用迅雷下载要快很多哈之后再指定环境下安装即可：先进入gpu虚拟环境，再cd到whl文件所在文件目录进行安装，其中：虚拟

我写这篇文章的目的就是为了那些怎么装都装不上tensorflow和torch而准备的。如何实现携带自己已经创建好的pytorch和tensorflow编译环境包到别的电脑上去？首先我们来看看新创建的虚拟环境，该编译环境下没有tensorflow和torch，下面的操作步骤中无需重装这两个包，只需将另一台计算机上已配置好的包lib所有内容拷贝备份即可。标题第一步：查询要携带的tensorflow和pytorch包的位置找到对应的编译环境标题第二步：查询版本和路径将tf和torch存在的文件包找

出现以下的原因就是你当前设定的镜像源已经不支持该包了，所以需要重新设定PS C:\Users\cc> conda create -n tensorflow python=3.7.4Collecting package metadata (current_repodata.json): ...working... failedconda : 所在位置 行:1 字符: 1+ conda create -n tensorflow python=3.7.4+ ~~~~~~~~~~~~~~~~~~~

一行代码上青天，轻松搞定conda update menuinstconda install -f console_shortcut ipython ipython-notebook ipython-qtconsole launcher spyderconda update menuinstconda install -f console_shortcut ipython ipython-notebook ipython-qtconsole launcher spyder...

安装或者运行TensorFlow时出现如下情况说明缺少相关驱动和依赖dll解决办法：要么更新NVIVDIA驱动，要么重新安装驱动要安装TensorFlow请下载10.0版本下载链接点这里2020-07-21 08:58:42.494717: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudart64_101.dll2020-07-21 08

先查看本机是否有nvidia驱动：显然没有，那就去官网下载：www.nvidia.cn

本文的操作是在你已经安装和配置好tensorflow（简称tf）的情况下，详细的操作步骤如下：第一步：首先准备好带测试的代码import tensorflow as tfif __name__=='__main__': g = tf.Graph() # add ops to the user created graph with g.as_default(): hello = tf.constant('Hello Tensorflow')

假设你已经安装anaconda3和pip的情况下创建环境：conda create -n tensorflow python=3.激活：source activate tensorflow国外的镜像太慢，后来选择了豆瓣进入环境后开始安装tensorflow使用豆瓣镜像源：pip install --index-url https://pypi.douban.com/simple tensorflowLooking in indexes: https://pypi.douban.com/

快速安装方法：用pip安装tensorflow换成国内源快速安装清华镜像源pip install --index-url https://pypi.douban.com/simple tensorflow阿里镜像源pip install --index-url http://mirrors.aliyun.com/pypi/simple/ tensorflow