本文由@ray 出品,转载请注明出处.  文章链接:http://www.cnblogs.com/wolfray/p/7828903.html 在学习了一段时间台大李宏毅关于deep learning的课程,以及一些其他机器学习的书之后,终于打算开始动手进行一些实践了. 感觉保完研之后散养状态下,学习效率太低了,于是便想白天学习,晚上对白天学习的知识做一些总结和记录,如果有不妥的地方,欢迎大家批评指教,共同进步. 一.深度学习框架的选择 随着深度学习日趋火热,技术的逐渐兴起,各种深度学习框架也层

目录 深度学习环境搭建:Tensorflow1.4.0+Ubuntu16.04+Python3.5+Cuda8.0+Cudnn6.0 Reference 硬件说明: 软件准备: 1. 安装Ubuntu16.04 2. 安装显卡驱动 3.安装Cuda8.0 4. 安装Cudnn6.0 5. 清华源安装Anaconda 6. 安装tensorflow 7. 验证您的安装 运行一个简短的 TensorFlow 程序 8. 卸载cudnn5.1升级为cudnn6.0 深度学习环境搭建:Tensorflo

写在前面 本文叙述了在Ubuntu16.04 Server下安装CUDA8.0,cuDNN6.0以及源码编译安装TensorFlow1.4.0(GPU版)的亲身经历,包括遇到的问题及解决办法,也有一些自己的经验,希望能对读者有所帮助.期间参考了许多前人的文章,后文会一一附上链接,在此先行谢过.在下能力有限,经验不足,请大家多多指教. 关键词:Ubuntu16.04 Server   深度学习环境搭建   安装   显卡驱动   CUDA8.0   cuDNN6.0   Bazel   源码编译 

作为一个AI工程师,对Linux的一些技能的掌握也能从一定层面反应工程师的资深水平. 要求1:基于SSH的远程访问(本篇文章) 能用一台笔记本电脑,远程登陆一台linux服务器 能随时使用笔记本电脑启动训练任务 能熟练的让代码和文件在笔记本电脑与LINUX服务器之间的传输 要求2:Linux系统的文件系统(Linux指令学习) 知道什么是硬盘的挂载 能合理的使用服务器的硬盘空间 不要求,但建议学会如何在LINUX系统上自建逻辑卷(LVM) 要求3:LINUX系统的账户管理 知道root账户与普通

这篇文章详细介绍在centOS7.5上搭建基于keras/tensorflow的深度学习环境,该环境可用于实际生产.本人现在非常熟练linux(Ubuntu/centOS/openSUSE).windows上该环境的搭建 :) 前面三篇博客代码实现均基于该环境(开发或者测试过): [AI开发]Python+Tensorflow打造自己的计算机视觉API服务 [AI开发]基于深度学习的视频多目标跟踪实现 [AI开发]视频多目标跟踪高级版 运行环境 1) centOS 7.5 ,不要安装GUI桌面:

对于一个深度学习从事者来说,Windows训练模型有着诸多不便,还好现在Windows的Ubuntu子系统逐渐完善,近期由于工作需求,配置了Windows的工作站,为了方便起见,搭建了Ubuntu子系统,网上教程比较多,但是都或多或少存在一些小问题(也许是他们没有遇到), 于是我自己在尝试中,将自己踩到的坑记录如下. 总结:win11 直接去Microsoft store 下载即可,然后注册账号即可使用,无需任何骚操作(它自带cuda,而且源也是OK的) 1,ubuntu子系统安装预备工作 首先

目录 准备工作 设置conda国内镜像源 conda 深度学习环境 tensorflow.mxnet.pytorch安装 tensorflow mxnet pytorch Caffe安装 配置文件修改 编译时常见错误 运行时错误 参考 GPU为RTX2080,系统为更新到最新版本的Win10. 准备工作 安装VS2015,到官网地址older-download下载安装 安装Matlab,笔者安装的是Matlab2017b 安装Anaconda3-4.4.0-Windows-x86_64.exe(

目前电脑配置:Ubuntu 16.04 + GTX1080显卡 配置深度学习环境,利用清华源安装一个miniconda环境是非常好的选择.尤其是今天发现conda install -c menpo opencv3 一句命令就可以顺畅的安装上opencv,之前自己装的时候也遇到了很多错误.conda 安装 Tensorflow 和 Pytorch两种框架也是非常方便的,对于不擅长源码编译的我是最佳选择没错了. 所以大致流程就是:安装显卡驱动——安装CUDA 8.0——安装cuDNN——安装mini

工作环境 系统:Ubuntu LTS 显卡:GPU NVIDIA驱动:410.93 CUDA:10.0 Python:.x CUDA以及NVIDIA驱动安装,详见https://www.cnblogs.com/orzs/p/10951473.html 需要部署的软件 conda环境 nccl2环境 openmpi环境 horovod环境 1. 创建conda环境 官网下载地址:https://www.anaconda.com/distribution/#download-section 下载合适

前言:最近研究深度学习,安装了好多环境,记录一下,方便后续查阅. 1. Anaconda软件安装 1.1 Anaconda Anaconda是一个用于科学计算的Python发行版,支持Linux.Mac.Windows,包含了众多流行的科学计算.数据分析的Python包.请自行到官网下载安装,下载速度太慢的话可移步清华源. 官网:https://repo.anaconda.com/archive/ 清华源:https://mirrors.tuna.tsinghua.edu.cn/anaconda

关于计算机的硬件配置说明 推荐配置 如果您是高校学生或者高级研究人员,并且实验室或者个人资金充沛,建议您采用如下配置: 主板:X299型号或Z270型号 CPU: i7-6950X或i7-7700K 及其以上高级型号 内存:品牌内存,总容量32G以上,根据主板组成4通道或8通道 SSD: 品牌固态硬盘,容量256G以上 显卡:NVIDIA GTX TITAN(XP) NVIDIA GTX 1080ti.NVIDIA GTX TITAN.NVIDIA GTX 1080.NVIDIA GTX 107

区别于其他入门教程的"手把手式",本文更强调"因"而非"果".我之所以加上"通用"字样,是因为在你了解了这个开发环境之后,那些很low的错误你就不会犯了. 大家都知道深度学习涉及到大量的模型.算法,看着那些乱糟糟的公式符号,心中一定是"WTF".我想说的是,这些你都不要管,所谓车到山前必有路. 所需安装包 通常以我的习惯是以最简单的方式来接触一门新的技术,并且尽量抛弃新的(边缘)技术的介入,如果因为一些其他

去年底入手一台联想Y7000P,配置了Nvidia GeForce GTX 1660 Ti GPU,GPU内存6G,但是因为有GPU服务器,所以一直没有在这台笔记本上跑过模型,如今经过一番折腾,终于在此笔记本上搭建好了环境,并成功使用GPU训练了一些模型,本篇记录了环境搭建的过程. 检查你的GPU 首先确保你的电脑有Nvidia的GPU,并且支持CUDA,可以参考这个网址. 安装vs2017 Visual Studio 2017 Community下载地址 安装选项:勾选"C++的桌面开发&qu

一.硬件环境 ubuntu 16.04LTS + windows10 双系统 NVIDIA TiTan XP 显卡(12G) 二.软件环境 搜狗输入法 下载地址 显卡驱动:LINUX X64 (AMD64/EM64T) DISPLAY DRIVER (418.56)  下载地址 CUDA:Cuda9.0  下载地址 CUDNN:cuDNN v7.5.0 (Feb 21, 2019), for CUDA 9.0 (cuDNN Library for Linux)  下载地址 Anaconda:An

感慨: 程序跑不起来,都是环境问题. 1. 安装Anaconda https://blog.csdn.net/gdkyxy2013/article/details/79463859 2. 在 Anaconda 下配置环境 https://www.jianshu.com/p/d2e15200ee9b 创建环境(制定PythoN版本) conda create -n bai python=2.7 激活环境 source activate bai 安装制定版本的keras conda install

OS System:Ubuntu16.04 GPU Device:GTX1080Ti Softwares:CUDA8.0.Cudnn6.0.TensorFlow(1.4.0).Caffe2(1.0.0) 一.win10下安装Ubuntu16.04(双系统) 1.Linux分区方案 (Lagency+MBR) /boot 512M swap 16GB(本机物理内存为32GB) / 30GB or 35GB /home 余下的(越多越好) (UEFI+GPT) efi 512M swap 16GB(

英伟达驱动安装 英伟达驱动下载:https://www.nvidia.cn/Download/driverResults.aspx/135493/cn/ 由于是驱动的冲突,那么自然是要杀掉和显卡结合不是那么紧密的草根板驱动nouveau了,加入黑名单是我们要做的第一件事,这样启动以后就不会默认使用草根驱动: cd /etc/modprobe.d/ # 文件夹下创建 touch blacklist-nouveau.conf vim blacklist-nouveau.conf blacklist-

依赖 pip3 install pillow 安装numpy相关sudo apt-get install python-numpy python-scipy python-matplotlib ipython ipython-notebook python-pandas python-sympy python-nose pipinstall numpysudo apt-get install libblas-dev liblapack-dev libatlas-base-dev gfortran

服务器搭建远程docker深度学习环境 本文大部分内容参考知乎文章 Docker+PyCharm快速搭建机器学习开发环境 搭建过程中出现ssh连接问题可以查看最后的注意事项 Docker Docker是一种容器技术,类似于虚拟机,但比虚拟机更轻便.Docker容器内的应用程序直接运行于宿主的内核,而没有自己的内核,而且也没有硬件虚拟.更多Docker的相关知识可以看<Docker-从入门到实践>. Deepo Deepo是一个包含一系列Docker镜像的项目,这些镜像中包含了TensorFlo

本教程搭建集 Tensorflow.Keras.Coffe.PyTorch 等深度学习框架于一身的环境,及jupyter. 本教程使用nvidia-docker启动实例,通过本教程可以从一个全新的Ubuntu系统快速搭建出GPU深度学习环境. 一.安装依赖环境 1. 使用国内镜像加速安装 https://mirrors.tuna.tsinghua.edu.cn/help/ubuntu/此处默认环境:ubuntu16.04LTS sudo mv /etc/apt/sources.list /etc

基于Ubuntu+Python+Tensorflow+Jupyter notebook搭建深度学习环境 前言一.环境准备环境介绍软件下载VMware下安装UbuntuUbuntu下Anaconda的安装二.Xshell远程连接Ubuntu系统三.Jupyter notebook服务器的配置及远程访问四.远程环境的测试Tensorflow软件库的安装简单爬虫数据可视化基于神经网络实现fashion_mnist图片的识别总结 前言 如今,人工智能.深度学习等高深知识逐渐融入大家的视野,小大验证码的识