TensorFlow自学笔记——环境配置

TensorFlow自学笔记——环境配置

简介

本来不想在19年上半年接触这个的,但是在计划赶不上变化,就在我闭关学习fpga和arm的时候,事发突然,需要去搞神经网络深度学习相关的项目,无奈,只能先暂停学习计划,重新投入到机器学习这块,激光通讯那块的内容有时间也会更新一下,说多了。先准备TensorFlow的环境配置吧。

Anaconda

这个东西是个好东西,免去了安装Python时乱七八糟的环境配置与库安装,直接在百度搜索Anaconda即可下载

Python37与Python36

现在Anaconda最新版本是Python37的,但是由于Tensorflow并不支持Python37
所以需要将Anaconda配置为Python36才可以安装Tensorflow

调用Anaconda Prompt并输入:

conda create -n py36 python=3.6 anaconda

之后他会自动进行安装与配置(大约5分钟左右,与自己的网速相关)
在这里插入图片描述
安装完毕后按照提示输入:

conda activate py36

然后查看版本:
在这里插入图片描述
会发现成功变为python3.6了

注意:若想使用Anaconda自带的Spyder时,请使用在这里插入图片描述

Tensorflow安装

安装非常简单

pip install tensorflow

在这里插入图片描述
等待一段时间就安装完毕了

简单的测试

import tensorflow as tf
hello = tf.constant('hello,tensorf')
sess = tf.Session()
print(sess.run(hello))

在这里插入图片描述
若成功打印则Tensorflow安装成功

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
FPGA自学笔记——设计与验证JMB FPGA(可编程逻辑门阵列)是一种可编程的硬件平台,可以实现各种数字电路的设计与验证。本文将简要介绍使用FPGA自学设计与验证JMB(低功耗、高效能、集成度高的多媒体芯片)的过程。 首先,我们需要了解JMB的功能和特性。JMB是一种面向多媒体应用的芯片,具备低功耗、高效能和高集成度的优势。我们需要详细研究JMB的硬件架构和内部模块,包括处理器核、存储器模块、图像和音频处理模块等。 接下来,我们可以使用FPGA开发板来设计和验证JMB。首先,我们需要熟悉FPGA设计工具,例如Vivado或Quartus等。这些工具提供了图形化界面和硬件描述语言(HDL)等设计方法。我们可以使用HDL编写JMB的功能模块,并将其综合为FPGA可执行的位流文件。 在设计完成后,我们需要验证JMB的功能和性能。我们可以使用仿真工具(例如ModelSim或ISE Simulator)来模拟JMB在不同情况下的行为。通过设计测试程序并运行仿真,我们可以验证JMB的各个模块是否正确地工作,是否满足设计要求。 在验证完成后,我们可以将位流文件下载到FPGA开发板中进行智能芯片的物理实现和测试。通过与外部设备的连接以及相关测试程序的运行,我们可以验证JMB在实际硬件中的功能和性能。 总结起来,学习FPGA设计与验证JMB,我们需要熟悉JMB的硬件架构和内部模块,并使用FPGA开发工具进行设计与验证。通过仿真和物理实现测试,我们可以验证JMB的功能和性能。这些过程需要理论知识和实践经验的结合,希望这些笔记能够给你提供一些参考和指导。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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