anaconda迁移安装目录

0.问题

Anaconda安装好之后,使用一段时间,创建了一些环境并且安装了许多包,整个Anaconda3文件夹占空间很大。如果安装Anaconda的盘(可能就是系统盘)空间本身很小,继续用就很头疼,总不至于卸载了再安装到其他盘吧?

1.移动到新的目录

mv /old_path/anaconda3 /new_path/

2. 修改新路径下 anaconda3 中的这些文件:

new_path/anaconda3/etc/profile.d/conda.sh

new_path/anaconda3/bin/conda

new_path/anaconda3/bin/activate

new_path/anaconda3/bin/deactivate

new_path/anaconda3/bin/pip

new_path/anaconda3/bin/easy_install

将这些里面的所有的原路径,换成新路径,比如:

原本的 old_path/anaconda3/bin/activate 文件中为:

_CONDA_ROOT="/home/luban/anaconda3"

新的 new_path/anaconda3/bin/activate 文件中改为:

_CONDA_ROOT="/nfs/volume-881-1/anaconda3"

注意不要忽略带注释的路径,同样改为新的路径
在这里插入图片描述

3. 修改~/.bashrc 中的所有原路径替换为新路径

4. 运行source .bashrc命令 使修改生效

5.修改env 下各个虚拟环境的pip的路径

如anaconda3/envs/myname/bin/pip

参考链接https://www.jianshu.com/p/2d4d7b87a517

  • 2
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
code_001 | [图片读取与显示](python/code_001/opencv_001.py) | ✔️ code_002 | [图片灰度化](python/code_002/opencv_002.py) | ✔️ code_003 | [图像创建与赋值](python/code_003/opencv_003.py) | ✔️ code_004 | [图像像素读写](python/code_004/opencv_004.py) | ✔️ code_005 | [图像像素算术操作(加减乘除)](python/code_005/opencv_005.py) | ✔️ code_006 | [图像伪彩色增强](python/code_006/opencv_006.py) | ✔️ code_007 | [图像像素操作(逻辑操作)](python/code_007/opencv_007.py) | ✔️ code_008 | [图像通道分离合并](python/code_008/opencv_008.py) | ✔️ code_009 | [色彩空间与色彩空间转](python/code_009/opencv_009.py) | ✏️ code_010 | [图像像素值统计](python/code_010/opencv_010.py) | ✔️ code_011 | [图像像素归一化](python/code_011/opencv_011.py) | ✔️ code_012 | [视频读写](python/code_012/opencv_012.py) | ✔️ code_013 | [图像翻转](python/code_013/opencv_013.py) | ✔️ code_014 | [图像插值](python/code_014/opencv_014.py) | ✔️ code_015 | [绘制几何形状](python/code_015/opencv_015.py) | ✔️ code_016 | [图像ROI与ROI操作](python/code_016/opencv_016.py) | ✔️ code_017 | [图像直方图](python/code_017/opencv_017.py) | ✔️ code_018 | [图像直方图均衡化](python/code_018/opencv_018.py) | ✏️ code_019 | [图像直方图比较](python/code_019/opencv_019.py) | ✔️ code_020 | [图像直方图反向投影](python/code_020/opencv_020.py) | ✔️ code_021 | [图像卷积操作](python/code_021/opencv_021.py) | ✔️ code_022 | [图像均值与高斯模糊](python/code_022/opencv_022.py) | ❣️ code_023 | [中值模糊](python/code_023/opencv_023.py) | ✔️ code_024 | [图像噪声](python/code_024/opencv_024.py) | ✔️ code_025 | [图像去噪声](python/code_025/opencv_025.py) | ✔️ code_026 | [高斯双边模糊](python/code_026/opencv_026.py) | ✔️ code_027 | [均值迁移模糊(mean-shift blur)](python/code_027/opencv_027.py) | ✔️ code_028 | [图像积分图算法](python/code_028/opencv_028.py) | ✔️ code_029 | [快速的图像边缘滤波算法](python/code_029/opencv_029.py) | ✔️ code_030 | [自定义滤波器](python/code_030/opencv_030.py) | ✔️ code_031 | [Sobel算子](python/code_031/opencv_031.py) | ✔️ code_032 | [更多梯度算子](python/code_032/opencv_032.py) | ✔️ code_033 | [拉普拉斯算子(二阶导数算子)](python/code_033/opencv_033.py) | ✔️ code_034 | [图像锐化](python/code_034/opencv_034.py) | ✔️ code_035 | [USM 锐化增强算法](python/code_035/opencv_035.py) | ✔️ code_036 | [Canny边缘检测器](python/code_036/opencv_036.py) | ❣️ code_037 | [图像金字塔](python/code_037/opencv_037.py) | ✔️ code_038 | [拉普拉斯金字塔](python/code_038/opencv_038.py) | ✔️ code_039 | [图像模板匹配](python/code_039/opencv_039.py) | ✔️ code_040 | [二值图像介绍](python/code_040/opencv_040.py) | ✔️ code_041 | [基本阈值操作](python/code_041/opencv_041.py) | ✔️ code_042 | [图像二值寻找法OTSU](python/code_042/opencv_042.py) | ✏️ code_043 | [图像二值寻找法TRIANGLE](python/code_043/opencv_043.py) | ✔️ code_044 | [图像自适应阈值算法](python/code_044/opencv_044.py) | ✏️ code_045 | [图像二值与去噪](python/code_045/opencv_045.py) | ✏️ code_046 | [图像连通组件寻找](python/code_046/opencv_046.py) | ✔️ code_047 | [图像连通组件状态统计](python/code_047/opencv_047.py) | ✔️ code_048 | [轮廓寻找](python/code_048/opencv_048.py) | ❣️ code_049 | [轮廓外接矩形](python/code_049/opencv_049.py) | ❣️ code_050 | [轮廓矩形面积与弧长](python/code_050/opencv_050.py) | ✏️ code_051 | [轮廓逼近](python/code_051/opencv_051.py) | ✔️ code_052 | [几何矩计算中心](python/code_052/opencv_052.py) | ✔️ code_053 | [使用Hu矩阵实现轮廓匹配](python/code_053/opencv_053.py) | ✔️ code_054 | [轮廓圆与椭圆拟合](python/code_054/opencv_054.py) | ✔️ code_055 | [凸包检测](python/code_055/opencv_055.py) | ✏️ code_056 | [直线拟合与极值点寻找](python/code_056/opencv_056.py) | ✔️ code_057 | [点多边形测试](python/code_057/opencv_057.py) | ✔️ code_058 | [寻找最大内接圆](python/code_058/opencv_058.py) | ✔️ code_059 | [霍夫曼直线检测](python/code_059/opencv_059.py) | ✔️ code_060 | [概率霍夫曼直线检测](python/code_060/opencv_060.py) | ❣️ code_061 | [霍夫曼圆检测](python/code_061/opencv_061.py) | ❣️ code_062 | [膨胀和腐蚀](python/code_062/opencv_062.py) | ❣️ code_063 | [结构元素](python/code_063/opencv_063.py) | ✔️ code_064 | [开运算](python/code_064/opencv_064.py) | ✏️ code_065 | [闭运算](python/code_065/opencv_065.py) | ✏️ code_066 | [开闭运算的应用](python/code_066/opencv_066.py) | ✏️ code_067 | [顶帽](python/code_067/opencv_067.py) | ✔️ code_068 | [黑帽](python/code_068/opencv_068.py) | ✔️ code_069 | [图像梯度](python/code_069/opencv_069.py) | ✔️ code_070 | [基于梯度的轮廓发现](python/code_070/opencv_070.py) | ✏️ code_071 | [击中击不中](python/code_071/opencv_071.py) | ✔️ code_072 | [缺陷检测1](python/code_072) | ✔️ code_073 | [缺陷检测2](python/code_073/opencv_073.py) | ✔️ code_074 | [提取最大轮廓和编码关键点](python/code_074) | ✔️ code_075 | [图像修复](python/code_075/opencv_075.py) | ✔️ code_076 | [图像透视变应用](python/code_076/opencv_076.py) | ✏️ code_077 | [视频读写和处理](python/code_077/opencv_077.py) | ✏️ code_078 | [识别与跟踪视频中的特定颜色对象](python/code_078) | ✔️ code_079 | [视频分析-背景/前景 提取](python/code_079/opencv_079.py) | ✔️ code_080 | [视频分析–背景消除与前景ROI提取](python/code_080) | ✔️ code_081 | [角点检测-Harris角点检测](python/code_081) | ✔️ code_082 | [角点检测-Shi-Tomas角点检测](python/code_082) | ✏️ code_083 | [角点检测-亚像素角点检测](python/code_083) | ✔️ code_084 | [视频分析-KLT光流跟踪算法-1](python/code_084) | ✏️ code_085 | [视频分析-KLT光流跟踪算法-2](python/code_085) | ✏️ code_086 | [视频分析-稠密光流分析](python/code_086) | ✏️ code_087 | [视频分析-帧差移动对象分析](python/code_087/opencv_087.py) | ✔️ code_088 | [视频分析-均值迁移](python/code_088) | ✏️ code_089 | [视频分析-连续自适应均值迁移](python/code_089) | ✏️ code_090 | [视频分析-对象移动轨迹绘制](python/code_090) | ✔️ code_091 | [对象检测-HAAR级联分类器](python/code_091) | ✔️ code_092 | [对象检测-HAAR特征分析](python/code_092) | ✔️ code_093 | [对象检测-LBP特征分析](python/code_093/opencv_093.py) | ✔️ code_094 | [ORB 特征关键点检测](python/code_094) | ✏️ code_095 | [ORB 特征描述子匹配](python/code_095) | ✔️ code_096 | [多种描述子匹配方法](python/code_096) | ✏️ code_097 | [基于描述子匹配的已知对象定位](python/code_097) | ✏️ code_098 | [SIFT 特征关键点检测](python/code_097) | ✔️ code_099 | [SIFT 特征描述子匹配](python/code_097) | ✔️ code_100 | [HOG 行人检测](python/code_100/opencv_100.py) | ✔️ code_101 | [HOG 多尺度检测](python/code_101/opencv_101.py) | ✏️ code_102 | [HOG 提取描述子](python/code_102/opencv_102.py) | ✔️ code_103 | [HOG 使用描述子生成样本数据](python/code_103/opencv_103.py) | ✔️ code_104 | [(检测案例)-HOG+SVM 训练](python/code_104/opencv_104.py) | ✔️ code_105 | [(检测案例)-HOG+SVM 预测](python/code_105/opencv_105.py) | ✔️ code_106 | [AKAZE 特征与描述子](python/code_106) | ✔️ code_107 | [Brisk 特征与描述子](python/code_107) | ✔️ code_108 | [GFTT关键点检测](python/code_108) | ✔️ code_109 | [BLOB 特征分析](python/code_109) | ✔️
【项目介绍】 毕业设计基于卷积神经网络的图像风格迁移python源码+模型+操作说明.zip 该资源内项目代码都是经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用,也适合小白学习进阶, 或者实际项目借鉴参考! 当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。如果基础还行,也可在此代码基础上进行修改,以实现其他功能。 **程序运行环境配置安装指南** 1.安装使用PyCharm Community Edition 2022.3.3 2.安装Python 3.安装Anaconda 4.安装PyTorch,opencv,numpy,av,torchvision,ffmpeg,skvideo,pillow,os,tqdm,numpy 5.启动项目 打开cmd,找到对应的项目目录,在anaconda运行python app.py ,后访问 [http://127.0.0.1:5000](http://127.0.0.1:5000/) 可打开网页。 6.训练模型 运行python train.py --dataset_path data/coco/images/ --style_image images/styles/adriaen-van-ostade_landscape.jpg --epochs 1 --batch_size 4 --image_size 256 data/coco/images/替为自己的数据集地址; images/styles/adriaen-van-ostade_landscape.jpg 替为要训练的风格图片地址; **程序操作指南** 1.图片风格迁移功能 打开浏览器,输入[http://127.0.0.1:5000](http://127.0.0.1:5000/),进入系统首页,在图片风格迁移板块,点击“选择文件”,从本地选择图片上传,后原本为“未选择任何文件”的区域,会显示上传图片的名称和格式。接着在选择风格模型的下拉框里,选择你想要进行风格迁移的风格,点击“apply style”,等待一段时间后,页面会刷新,生成的图片会刷新在新的页面上。 2. 视频风格迁移功能 打开浏览器,输入[http://127.0.0.1:5000](http://127.0.0.1:5000/),进入系统首页,在视频风格迁移板块,点击“选择文件”,从本地选择视频上传,后原本为“未选择任何文件”的区域,会显示上传视频的名称和格式。接着在选择风格模型的下拉框里,选择你想要进行风格迁移的风格,点击“apply style”,等待一段时间后,页面会刷新,生成的视频会刷新在新的页面上。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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