深度学习图像处理环境搭建

最新推荐文章于 2024-08-09 17:53:11 发布

牛哥带你学代码

最新推荐文章于 2024-08-09 17:53:11 发布

阅读量714

点赞数 14

分类专栏：深度学习 YOLO目标检测人工智能前沿文章标签：深度学习图像处理人工智能

本文链接：https://blog.csdn.net/weixin_60535956/article/details/140839765

版权

YOLO目标检测同时被 3 个专栏收录

19 篇文章 0 订阅

订阅专栏

人工智能前沿

17 篇文章 0 订阅

订阅专栏

深度学习

8 篇文章 1 订阅

订阅专栏

Anaconda安装

Anaconda介绍

Anaconda是一个用于科学计算和数据科学的开源发行版，它包含了许多流行的Python库和工具，旨在简化数据分析和机器学习任务的开发过程。Anaconda提供了一个集成的开发环境，包括Python解释器、包管理工具（conda）、以及大量预安装的科学计算包，如NumPy、Pandas、Matplotlib、SciPy等。它还包括了Jupyter Notebook，这是一个交互式的编程环境，可以创建和共享实时代码、可视化和解释性文档。Anaconda的优点在于其易于安装、跨平台性、强大的包管理功能以及对大数据处理的支持，使得数据科学家和研究人员能够更轻松地进行数据分析、可视化和机器学习模型的构建。

Anaconda优势

很多人不了解Anaconda存在的意义，就是为了弥补python多版本不兼容问题（在安装过程中，我们不难发现，总是报错，说版本不兼容，让我们安装版本>=xxx或者版本<xxx的python版本），但是，当我们仅仅使用pycharm时，往往编辑器只能存在一个python版本，因此，我们需要通过conda创建一个虚拟环境来使得多版本的python同时存在，我们只需要在需要相应版本python时，在编辑器中调用相应版本的python进行使用即可。

Anaconda下载

查找anaconda官网，进入网站进行下载，选择对应版本的anaconda。如下图所示：

下载anaconda后创建环境等基础指令

关于如何创建新的虚拟环境，这里不再赘述。

# 创建虚拟环境 
conda create -n 虚拟环境名 python=3.7 //python版本
# 激活虚拟环境
conda activate 虚拟环境名

有关pip，由于我新创建了一个环境，所以说在这里创建完虚拟环境后，pip版本较低，需要对其进行升级。在此，升级使用

python -m pip install --upgrade pip

问题1：conda默认安装路径的解决

由于配置环境中会安装很多包，而默认的安装路径又在C盘，因此会导致C盘特别容易变红。为此，我修改了conda的默认安装路径。

上面两张图片是我电脑中的环境，可以看到对应的虚拟环境位置。

打开anaconda prompt，输入指令查看安装路径

#查看conda 信息

conda info 或

conda config –show

使用下面的命令显示 envs_dirs 不存在（忘记当时的报错提示了,反正就是改不了）

conda config --add envs_dirs newdir # 增加环境路径

conda config --remove envs_dirs newdir  # 删除环境路径

按下面2的的操作最后可以了。

添加环境位置

找到.condarc文件

记事本打开并添加，注意将E://Anaconda//envs换成自己要保存的位置，建议放在anaconda安装文件夹下的envs文件夹中.

envs_dirs:

- E://Anaconda//envs

修改好后，重新创建一遍环境，查看环境的安装路径在哪里。如果还是不行，看下面一条替代方案：

如果环境位置没有切换，查看一下目标路径的文件夹的权限。

如果要修改，则应该修改如下权限为。如上图所示用户权限为全部勾选。我这里是全勾上了的

修改用户权限后，再次创建新的虚拟环境，可以看到conda的默认安装路径转变成了前面condarc中新修改的安装路径了。

修改如上图所示。

Pytorch安装

Pytorch介绍

PyTorch是一个开源的机器学习库，广泛用于计算机视觉和自然语言处理等应用领域。它由Facebook的人工智能研究团队开发，并受到学术界和工业界的广泛使用。PyTorch以其高度灵活性和易用性而闻名，它支持动态计算图（也称为自动微分系统），使得模型的设计、调试和优化更为直观和方便。

PyTorch提供了丰富的API，可以轻松地进行张量计算，类似于NumPy，并且支持强大的GPU加速，这使得其在处理大规模数据集时非常高效。此外，PyTorch还拥有一个庞大的生态系统，包括用于构建和训练神经网络的工具库，如TorchVision、TorchText和TorchAudio。这些工具不仅提供了预处理和标准数据集的接口，还包含了多种预训练模型，可以帮助开发者加速开发过程和提高模型性能。PyTorch已经成为学术研究和产业应用中深度学习的首选框架之一。