pythonpytorchnvidia驱动conda包管理器cudacuDNN安装Python官网下载exe一路next，将以下路径加入环境变量中的pathD:\ProgramFiles\Python\Python37\ScriptsD:\ProgramFiles\Python\Python37安装conda简介：Conda是一个开源的软件包管理系统和环境管理系统，用于安装多个版本的软件包及其依赖

此博客总结记录深度学习环境搭建的详细过程，博客中的所有下载链接均为官方网站1.软件库更新与软件升级sudoapt-getupdatesudoapt-getupgrade2.安装基本的工具安装基本的工具与包

1.（参考https://askubuntu.com/questions/355565/how-do-i-install-the-latest-version-of-cmake-from-the-command-line/865294#865294）Themostcommonsituationiswhenyouwanttoinstallthelatestversionofcmake,butyour

github.com/kangzhiheng/GitLocalDoc个人网站：https://kangzhiheng.top/post/10-服务器环境搭建、配置及使用本系列文章《服务器（CentOS7.7）深度学习环境搭建

去年底入手一台联想Y7000P,配置了NvidiaGeForceGTX1660TiGPU，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vs2017VisualStudi

最近在ultralabGX480i测试了一下CentOS7DeepLearningTensorFlow，其中也是踩坑无数，今整理安装过程发出来，希望大家安装的时候可以参考一下，不用浪费太多的时间在安装配置上，而是把有限的时间用到代码上一，安装显卡驱动网上搜索的驱动安装大都是手动编译安装，既：安装编译环境--到官网下载驱动文件*.run--blacklistnouveau，#blacklistnvi

学习记录：    深度学习环境搭建：Anaconda3+tensorflow

做深度学习相关的项目，最痛苦的莫过于没有GPU资源，好在今年终于等来了第一台深度学习服务器，虽然是采用购买租用的形式，但这并不影响我们实际的使用，大多数人现在购买云端服务器资源首选可能都会是阿里云，毕竟现在的云端做得很好，闲话就不多说了，这里主要是记录一下自己的实际安装使用过程，从昨晚开始安装，一步一个坑，到现在的成功使用，分享一点自己的亲身实践经历，希望能够帮到需要的人。1、首先打开xshell

相信很多学深度学习的同学，都为环境苦恼过，不想别人乱动自己辛苦配好的环境，想要一个单独属于自己的存储空间，下面是我用过用过最简单、安全、整洁的学习环境搭建方法，希望可以帮到你。#Step1.home下用户创建配置（这一步是在root环境下）首先在home文件夹下创建用户、设置密码#1创建用户sudoadduseryournamesudopasswdyourname#2给yourname添加root

最近准备学习深度学习，当然搭建深度学习环境是第一步，看了很多博客，但是安装的过程中还是遇到了很多问题，Anaconda支持Python3.6但是tensorflow不支持的问题等等，这篇博客主要是win10环境下如何搭建Python3.6+Tensorflow+cuda8.1+Anaconda3的深度学习环境。一丶准备文件1.Python3.6/Python3.52.cuda_8.0.61.win

在安装ubuntu之前需要条一下BIOS，讲UEFI模式改为Legacy模式。ubuntu分区系统搭建可以参考一下博客：分区大小为：boot400~500Mswap内存大小主分区>20G可以30Ghome剩余全是引导区一定要放在boot上添加对exfat格式u盘的支持sudoapt-getinstallexfat-utils添加opengl编程模块：sudoapt-getinstallfreegl

1安装Anaconda在你存放anaconda的目录下打开终端，输入命令bashAnaconda3-4.4.0-Linux-x86_64.sh在安装的过程中会提示是否添加环境变量这时要选yes如果没有选择需要手动添加环境变量`source/.bashrc`#刷先下bashrc注意要在linux系统下添加环境变量输入python出现下面的图片，说明你anaconda安装成功了。2安装CUDA的驱动1

这篇文章本人不打算长篇累牍去写，结合以前写的文章，从软件角度去写一些点滴，伴随人工智能AI的火爆，现在图像识别算法也异常火爆，上一篇文章提到IntelmovidiusMyriad2VPU(MA2450)是一种简单易用的深度学习平台，说到简单易用，但很多网友和客户还是一头雾水，本人还是觉得在这里班门弄釜一下，简单写一些，在ubuntu环境下搭建深度学习开发环境。Intelmovidius提供一个免费

linux系统搞坏过几次，总结一下自己要用到的工具，做个备忘录，方便快速对系统进行恢复。安装ubuntu，系统盘制作https://tutorials.ubuntu.com/tutorial/tutorial-create-a-usb-stick-on-windows#1https://rufus.akeo.ie/?locale=zh_CN系统安装（实用）安装时选择installUbuntu18.

本篇主要介绍一下树莓派断的深度学习环境搭建的过程，以及分享一下深度学习环境配置好的树莓派镜像。镜像资源百度云链接：https://pan.baidu.com/s/1mCSvPP

在网上看了很多人的教程把一些本该很简单的操作都用最复杂的源码编译方式做了，因此写篇博客作为记录，本文编写是刷了一个新官方系统重新安装来验证的，所以只要按照步骤来应该是都没问题的Opencv：树莓派相关库安装：sudoapt-getupdatesudoapt-getinstalllibjpeg-devsudoapt-getinstalllibatlas-base-devsudoapt-getinst

win10基于GPU的anaconda3+tensorflow深度学习环境搭建（简易搭建）第一步：安装anaconda3,选择window版64位下载：安装界面，选择路径：选择第一个框勾选，python

文章目录说明下载Anacoda安装tenforslow环境搭建搭建虚拟环境安装tensenflow(cpu版本)在线安装离线安装验证Keras安装使用说明win10+anaconda+tensorflow（cpu版本）+keras+jupytornotebook电脑垃圾，所以只能用cpu版本下载官网：https://www.anaconda.com/distribution/#download-s

深度学习环境搭建指南深度学习一般需要显卡支持，现在市面上常见的显卡有GeForceGTX1080Ti、GeForceGTX2080Ti。

作为一名深度学习的小白，首先从搭建服务器环境开始！在这里先要感谢教研室的卢大佬同学，折腾了两周终于成功的搭建好了深度学习环境，终于让服务器跑起来了！第一次写博客，也算是记录一下自己的心路历程吧，同时也方便下次重装方便参考一下，毕竟网上的教程形形色色，各种各样的都有，一不小心就是出现bug。最后，也希望大家可以一起交流，共同进步！下面主要介绍一下安装的顺序流程，因为很久之前就安装好了，当时也没有打算

深度学习环境搭建(cuda10+cudnn+anaconda3)建议下载好需要用到的显卡驱动、cuda、cudnn、anaconda3等安装包文件，放在用户的目录下，记住该目录路径。

首先虚拟机是调用不了显卡的，所以虚拟机就不要想装GPU版本的tensflow了，所以cuda的相关包都不需要了。所以这里只安装了ubuntu18.04lts+annaconda3+tensflow1.0.0+python3.6+pycharm社区版2019.2。下面是具体安装过程：1.安装pipsudoapt-getinstallpython3-pippython3-devpip3-V2.安装An

文章目录Ubuntu16.04深度学习环境搭建所需软件NVIDIA驱动安装cuda9.0添加环境变量Cudnn7.0Anaconda3.5.0.0修改pip源Tensorflow1.8Ubuntu16.04

整理一下深度学习搭建环境遇到的坑，这次实验使用Fast-rcnn（caffe环境）Faster-rcnn（caffe环境）yolo(在C++环境，不需要搭建)算法，实验是识别汽车前后门板上的50多个小焊点。感谢曾师兄、裴师兄、老莫为了实验的环境搭建所作出的贡献关于实验平台实验使用阿里云平台（没钱买服务器，按小时扣费那种），注意重要文件存在系统盘，数据盘每次登陆清空;选择服务器类别，配置按自己的算法

机缘巧合之下安装ubuntu17.10过程一堆坑，在帖子中记录一下。过程中参考以下及若干链接，感谢感谢！！https://blog.csdn.net/luoweiyiroy/article/details/79974241https://askubuntu.com/questions/967332/how-can-i-install-cuda-9-on-ubuntu-17-10过程如下：1安装驱动

背景之前分别在windows、mac上做深度学习，发现遇到了重重困难。最近正好赶上换机器，顺便也买了gtx1080的显卡，就直接装了deepin的操作系统（大家都反应还不错，自己实际体验也是众望所归）。下面我将分享在deepin上搭建gpu环境的深度学习环境。deepin系统：15.11桌面版概述卸载deepin原有开源显卡驱动安装nvidia官方驱动安装cuda的工具包（tools）安装cudn

尽管已经有很多非常棒的关于英伟达驱动和CUDA的安装指南,但依然没有详尽的深度学习环境搭建指南。另外，我需要查阅很多文档来熟悉细节，其中一些细节还有待完善，甚至还有一些包含语法错误。

下载教程：https://www.jianshu.com/p/c73668544925安装教程：https://www.jianshu.com/p/4ebaa78e0233问题合集：1.下载cudnn7.3.1的时候，点击下载的页面后要求先加入Nvidiadevelopers会员才能进行下载，看起来很麻烦的样子，实际上这里！注册之后第二个步骤！organization是必填:(随便写就好了，比如我

参考链接https://blog.csdn.net/cpongo1/article/details/89541127https://blog.csdn.net/sinat_23853639/article/details/80990967目录1.预先准备....12.安装依赖包....13.禁用nouveau..24.配置环境变量....25.安装显卡驱动....36.安装CUDA步骤....3①

安装Ubuntu16.04.5系统安装过程就不详述了。安装NVIDIA1080Ti显卡驱动ll/etc/modprobe.d/blacklist.confsudochmod666/etc/modprobe.d/blacklist.confsudovi/etc/modprobe.d/blacklist.conf在最后一行加上：blacklistvga16fbblacklistnouveaublack

前言之前安装各种软件查各种网站弄得特别麻烦，所以写下一篇完整的文章来记录整个操作流程。在anaconda下，搭建的环境是python3.6+cuda9.0+opencv3.3+tensorflow_gpu1.11+pytorch。安装过程中不必完全跟着最新的版本，很有可能某些软件不支持期依赖库的调用，导致不能正常使用，报各种错误。1python1.1python安装在windows下，不建议使用官

套路安装：目录step1.0安装驱动step2.0安装虚拟环境step3.0安装cuda和cudnnstep4.0安装软件包step5.0启动jupyterstep6.0测试附：requirement-linux.txtstep1.0安装驱动win10，先安装Nvidia显卡配套驱动（可安装电脑官方安装盘驱动、或者用驱动精灵、或者自行查找显卡匹配驱动）；ubuntu，先安装Nvidia显卡配套驱动

从裸机开始的环境配置一、Ubuntu系统安装1.1系统安装1.2Ubuntu必要配置1.3卸载Ubuntu二、深度学习环境搭建2.1Ubuntu查看显卡信息及安装NVDIA显卡驱动2.2Ubuntu安装

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touchblacklist-nouveau.

''好好照顾自己，不要奢望别人来疼你，别人都很忙的。''学了这么久，还是得好好整理一下，一方面总结自己，另一方面可以让大家少走弯路…It'sshowtime:在深度学习入门之初，我建议大家：第一步：基于Linux平台搭建环境，一定安装Tensorflow-gpu版本；第二步：运行深度学习领域的helloworld，mnist数据集，训练+测试，尤其是得测试自己手写的数字；第三步：了解现用的数据集，

（一）启用win10下子系统LinuxWin10一周年版推出了用于Windows的Linux子系统这一功能，经实验室师兄验证，对于日常开发已经足矣，故选择开启子系统，避免了双系统的麻烦。step1：打开控制面板—程序与功能—启用或关闭Windows功能--勾选适用于Linux的Windows子系统--点击确定--重启电脑step2：进入Windows10设置—更新与安全—针对开发人员—勾选开发人员

一、安装nvidia驱动1、首先去官网上查看适合你GPU的驱动（http://www.nvidia.com/Download/index.aspx?lang=en-us），根据自己买的型号选择下载，放到/home/isi/cuda目录下面，我下载的是NVIDIA-Linux-x86_64-375.39.run2、屏蔽开源驱动nouveau（原文章说“可以不编辑blacklist.conf，NVID

1.安装前准备工作1.1了解安装环境一般来说，我们的windows10系统肯定是已经安装好的，在安装双系统之前我们首先要了解一下自己电脑的环境，比如是否支持uefi启动，如何进入BIOS环境，哪个盘是固态盘，哪些盘是机械盘等等。本人的笔记本是惠普光影精灵4，支持uefi启动，进入BIOS环境的方法是电脑启动时不停地用手戳键盘左上角的ESC键，然后出现提示菜单，按F10可进入BIOS设置。1.2基础

背景介绍GPU在以下方面有别于CPU：CPU和GPU之所以大不相同，是由于其设计目标的不同，它们分别针对了两种不同的应用场景。CPU需要很强的通用性来处理各种不同的数据类型，同时逻辑判断又会引入大量的分支、跳转和中断的处理。这些都使得CPU的内部结构异常复杂。而GPU面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境。上图中，绿色的部分是计算单元（ALU），就是我们用来

写在前面最近实验室刚刚配置了新设备，所以从头开始配置一波我平时做深度学习所用到的环境、软件，在这里做个分享，方便自己以后用到时不用再到处查资料，也方便其他要开始学习这个方向的小伙伴，加油！电脑的一些配置：cpu:i5-8400内存：8Gx2显卡：NVIDIA1080ti1.Ubuntu16.04安装这个不是这个教程的重点，具体可以参考博客https://blog.csdn.net/flyyufen

显卡显卡至少GeForeceRTX2060，因为只有rtx系列有TensorCore。从性价比、可靠性多方面看，使用台式机更好。对于深度学习显卡，显存比频率核心更重要。比如TitanX有12G的显存，不仅可接受一般任务，而且也可参加Kaggle、天池比赛，需要6G左右。若要实现一下网络，不处理超复杂的网络结构，可能需要4G。而GeForceGTX970型号实际有效内存只有3.5G。Nvdia的独显

mAP指数)4.用VGG16预训练模型对VOC数据集进行训练并测试5.训练自己标注的数据集1.环境塔建复现地址：https://github.com/endernewton/tf-faster-rcnn深度学习环境搭建见文章

转自：江南小赣链接：https://blog.csdn.net/qq_26412763/article/details/90272491win10深度学习环境搭建前言：之前安装各种软件查各种网站弄得特别麻烦

作者/编辑/配图|橘子来源|橘子AI笔记（ID：datawitch）如果从现在开始决定学习深度学习，写代码、搭建自己的模型，那么准备开发环境将是你艰难的第一步。橘子当时搜必应、查谷歌忘了度娘吧，安装攻略没少看，结果真到自己上手实践的时候，依然碰到了不少问题。本文将尝试站在萌新的视角，尽力还原这一过程中可能碰到的种种问题，希望它能指引着你顺利完成配置过程、帮你省下一些宝贵的时间。01.硬件准备一个完

我就是直接更新失败了，最后重装系统才可以，进入系统后各种问题，特别是深度学习环境搭建屡屡失败，很是恼火。耽误了两天时间。

0.前言本文作者接触深度学习2个月后，开始进行目标检测实践。本文作者的专题《目标检测》链接：https://www.jianshu.com/c/fd1d6f784c1f此专题的宗旨是让基础较为薄弱的新手能够顺利实现目标检测，专题内容偏向于掌握技能，学会工具的使用。本文作者尚未具备清楚讲述目标检测原理的能力，学习原理请自行另找文章。1.不同操作系统的指引本文中演示的操作系统是Win10，本文只演示怎

Ubuntu18.04下深度学习环境搭建借了一个烧录好的ubuntu16的u盘，可惜的是安装中出现了各种问题，进入不了安装界面

0.前言本文作者接触深度学习2个月后，开始进行目标检测实践。本文作者的专题《目标检测》链接：https://www.jianshu.com/c/fd1d6f784c1f此专题的宗旨是让基础较为薄弱的新手能够顺利实现目标检测，专题内容偏向于掌握技能，学会工具的使用。本文作者尚未具备清楚讲述目标检测原理的能力，学习原理请自行另找文章。1.不同操作系统的指引本文中演示的操作系统是Win10。如果要学习如

1.软件下载百度云盘下载链接:https://pan.baidu.com/s/1ACJSry3egBGin-w50RwtyQ提取码:cs6y本文作者在链接中上传了5个深度学习环境搭建所必需的文件，如下：

深度学习环境搭建起来比较麻烦，特别是GPU加速版。既要安装Nvidia的驱动，又要安装cuda和cuDNN。本文通过docker容器技术搭建基于keras(tensorflow)的深度学习环境。