雲伺服器下搭建Anaconda+Tensorflow深度學習實驗環境(Python=3.5) 練習記錄
我使用騰訊雲,自己拿來做實驗用,環境是Ubuntu Server 16.04, 由於自己的本上用的帶圖形的Ubuntu,命令列操作逃課了。。。。。。現在補習在下面
1:登入:在配置好伺服器輸出和輸入的埠(即22口)之後,在自己的終端上輸入以下命令:
ssh [email protected](我的IP地址) 無需sudo su, 之後輸入密碼即可
2:騰訊雲伺服器原生的軟體環境比較老,所以要使用我喜歡的環境:Anaconda + Tensorflow
前提:1:配置anaconda 的清華源:
2: 開放伺服器與外界交換資料的80埠conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --set show_channel_urls yes
安裝步驟:
1:首先先把anaconda下載到本地,再通過scp工具將這個安裝包送到雲主機裡面去
命令格式是 scp local_path [email protected]/domain_name cloud_path
如果要拷貝整個資料夾,要加上-r命令:意思是拷貝整個資料夾,否則就會報錯:
not a regular file
輸入命令之後根據提示輸入密碼就好了
這裡注意一個習慣:一般習慣將自己可以設定安裝位置的軟體安裝在/usr/local/軟體名 之中, 需要在啟動安裝程式之前獲得root 許可權
sudo su #獲得root許可權
bash anaconda所在路徑(包括安裝包自己)
之後需要將conda所在路徑寫進/.bashrc中,我這裡的路徑是/usr/local/anaconda3/bin,到你剛才安裝anaconda的目錄下去找bin就好了
用vim /.bashrc命令開啟/.bashrc檔案,在文末新增一行
export PATH="YOUR_PATH:$PATH " 把YOUR_PATH替換成你的路徑就好了
退出root用exit命令
2:建立環境。這裡我使用3.5版本的python
conda create -n tf python=3.5
然後啟動環境
source activate tf
先安裝numpy
conda install numpy
然後安裝tensorflow就可以了
pip install \ -i https://pypi.tuna.tsinghua.edu.cn/simple/ \ https://mirrors.tuna.tsinghua.edu.cn/tensorflow/linux/cpu/tensorflow-1.7.0-cp35-cp35m-linux_x86_64.whl
啟動python執行環境,import一下tensorflow,如果沒問題,那就是沒問題了
至此,環境搭建完美收工。
相關推薦
雲伺服器下搭建Anaconda+Tensorflow深度學習實驗環境(Python=3.5) 練習記錄
我使用騰訊雲,自己拿來做實驗用,環境是Ubuntu Server 16.04, 由於自己的本上用的帶圖形的Ubuntu,命令列操作逃課了。。。。。。現在補習在下面1:登入:在配置好伺服器輸出和輸入的埠(即22口)之後,在自己的終端上輸入以下命令: ssh [ema
人工智慧學習—Win10下用Anaconda安裝深度學習工具TensorFlow
筆者這裡介紹一下Win10下用Anaconda安裝深度學習工具TensorFlow,安裝版本和環境都屬於最新版本。 本機環境(整合顯示卡) 這裡直接上乾貨: 1.安裝Anaconda 進入https://www.anaconda.com/downlo
Ubuntu17.10+Cuda9.2+Cudnn7.1+Anaconda+tensorflow 深度學習環境搭建
機緣巧合之下安裝ubuntu17.10過程一堆坑,在帖子中記錄一下。過程中參考以下及若干連結,感謝感謝!!過程如下:1 安裝驅動顯示卡驅動中,拒絕手動,一堆坑。本文中顯示卡為GTX1080.軟體與更新(全部)-〉 附加驅動 -> nvidia corporation G
Ubuntu 18.04 搭建帶GPU的TensorFlow、Keras、Pytorch深度學習開發環境(不用手動安裝cudnn和cuda)
Ubuntu 18.04 搭建帶GPU的TensorFlow、Keras、Pytorch深度學習開發環境(不用手動安裝cudnn和cuda) 對學習深度學習的新手來說,環境搭建沒有大神指導會比較麻煩,今天介紹一種簡單、簡單、非常簡單的環境搭建方法。 1.安裝Anaconda
手把手教你搭建谷歌TensorFlow深度學習開發環境!
TensorFlow是谷歌基於DistBelief進行研發的第二代人工智慧學習系統,其命名來源於本身的執行原理。Tensor(張量)意味著N維陣列,Flow(流)意味著基於資料流圖的計算,TensorFlow為張量從流圖的一端流動到另一端計算過程。TensorFlow是將複
吳恩達 深度學習 程式設計作業(2-3)- TensorFlow Tutorial
吳恩達Coursera課程 DeepLearning.ai 程式設計作業系列,本文為《改善深層神經網路:超引數除錯、正則化以及優化 》部分的第三週“超引數除錯 和 Batch Norm”的課程作業,同時增加了一些輔助的測試函式。 Tensor
tensorflow深度學習實戰筆記(三):使用tensorflow lite把訓練好的模型移植到手機端,編譯成apk檔案
目錄 tensorflow深度學習實戰筆記(二):把訓練好的模型進行固化,講解了如何固化模型以及把pb模型轉換為tflite模型,現在講解如何用官方的demo把生成的ttlite模型移植到手機端。 一、準備工作 1.1模型訓練 1.
TensorFlow深度學習入門筆記(二)基本概念與代碼1
.get ali ant scope 基本 有一個 關註 執行 rbo 關註公眾號“從機器學習到深度學習那些事”獲取更多最新資料 寫在前面 學習建議:以下學習過程中有不理解可以簡單查找下資料,但不必糾結(比如非得深究某一個函數等),盡量快速的學一遍,不求甚解無妨。因為有些知
TensorFlow深度學習入門筆記(四)一些基本函數
.com com pre http 今天 重用 模型 use max 關註公眾號“從機器學習到深度學習那些事”獲取更多最新資料 寫在前面 學習建議:以下學習過程中有不理解可以簡單查找下資料,但不必糾結(比如非得深究某一個函數等),盡量快速的學一遍,不求甚解無妨。多實操代碼,
吳恩達 深度學習 程式設計作業(4-3)- Autonomous driving
吳恩達 Coursera 課程 DeepLearning.ai 程式設計作業系列,本文為《卷積神經網路 》部分的第三週“目標檢測”的課程作業。 Autonomous driving - Car detection Welcome to you
ubuntu下使用Anaconda應用:建立虛擬環境實現python不同版本切換、科學計算工具包安裝
Anaconda的安裝 Anaconda的下載頁參見官網下載,Linux、Mac、Windows均支援。 安裝時,會發現有兩個不同版本的Anaconda,分別對應Python 2.7和Python 3.5,兩個版本其實除了這點區別外其他都一樣。後面我們會看到,安裝哪個版本並不本質,因為通過環境管理,我們可以
Win10下cv2安裝( python 3.5 version)以及常見錯誤解決方案
首先,在此網站中找到對應版本下載後放到 Anadonda3\Lib\site-packages 中,然後開啟anaconda prompt,進入site-packages資料夾,並執行命令pip ins
Win10下使用Anaconda搭建基於TensorFlow的深度學習開發環境
Anaconda是很多人都在使用的一個深度學習實踐平臺,輕鬆安裝即可開始使用,其中包含了很多專業的庫和工具,如Python、pip、Spyder、NumPy、SciPy、Matplotlib等。 可以直接在Anaconda官網下載安裝Anaconda,官方提供預設Pytho
深度學習第一步:windows+Anaconda下安裝tensorflow深度學習框架
一共四步,一會就成功! 第一步,首先需要安裝Anaconda。 它是一個庫管理工具,能夠管理不同環境,不同環境下可以安裝不同python版本以及其他庫。安裝Anaconda這一步非常的簡單去Anaconda官方網站(https://www.continuum.
tensorflow深度學習伺服器環境搭建
實驗室新進了一臺伺服器,配置了nvida 1080TI顯示卡做深度學習使用,裝好機器後第一件事就是如何配置好tensorflow的深度學習環境,這裡把我在搭建環境的過程以及遇到的坑一一寫下來,給有同樣需求的筒子提供一些幫助。 作業系統是師兄刻好的ubuntu最新版本Ubuntu 18.0
使用亞馬遜AWS雲伺服器進行深度學習——免環境配置/GPU支援/Keras/TensorFlow/OpenCV
吐槽:由於科研任務,需要在雲端執行一個基於神經網路的目標識別庫,需要用到GPU加速。亞馬遜有很多自帶GPU的機器,但是環境的配置可折騰壞了,尤其是opencv,每次總會出各種各樣的問題! 無奈中,看見了Adrian Rosebrock的blog:Pre-con
Ubuntu14.04下基於nvidia-docker的Tensorflow深度學習環境搭建
* 記錄一下配置過程,內容基本上是配置的每一步中遇到的問題及網上找到的對應方法,格式會比較混亂。做一些記錄,為學弟學妹們後來搭建新伺服器提供些參考(如果老師還給買新伺服器),也希望能幫到有需要的人。 系統配置:CPU 至強E5-2620 V3, GPU:NVIDA TIT
基於Ubuntu + anaconda + tensorflow + jupyter的Python深度學習開發環境配置
1.啟用Anaconda環境 下載anaconda並拷貝到安裝目錄中並解壓,下載地址為: https://repo.anaconda.com/archive/Anaconda2-5.3.0-Linux-x86_64.sh 跳轉到anaconda的bin目錄,啟用命令為
Win10下的Anaconda, TensorFlow以及Pycharm環境搭建和配置
Win10下的Anaconda, TensorFlow以及Pycharm環境的搭建和配置 寫在開頭的話 這篇文章是我的第一篇,主要記錄和描述在實驗室電腦上的TensorFlow學習的第一步,搭建相關開發環境的主要過程 以下是正文部分 主要搭建環境的軟體配置為Wi
3、Tensorflow:TensorFlow深度學習入門(下)
Graph僅僅定義了所有 operation 與 tensor 流向,沒有進行任何計算。而session根據 graph 的定義分配資源,計算 operation,得出結果。既然是圖就會有點與邊,在圖計算中 operation 就是點而 tensor 就是邊。Operation 可以是加減乘除等數學運算,也