ModelScopeLibrary目前支持tensorflow，pytorch深度学习框架进行模型训练、推理，在Python3.7+,Pytorch1.8+,Tensorflow1.15/Tensorflow2.0

最初是想复现原文作者BenMildenhall的源码，不过一直在编译环节报错，参考了几位大佬的blog之后发现是因为原作者使用了tensorflow1.15，本人目前只能安装tensorflow2.XX

报错信息：numpy库版本不兼容问题NotImplementedError:CannotconvertasymbolicTensor(bi_lstm/lstm_encoder_a/fw/fw/strided_slice:0)toanumpyarray.根据错误信息中提到的内容，可能是在创建初始状态时使用了一个符号张量（symbolicTensor），而无法将其转换为NumPy数组。这可能是因为在创

2.0，而且记得命名手动删去site-packages下的tensorflow后，安装的tensorflowjs-1.3.2的，而且显示安装是成功了的，因为tensorflowjs-1.3.2依赖的是tensorflow1.15

文章目录创建虚拟环境安装TensorFlow1.15检查是否可用创建虚拟环境先创建一个conda虚拟环境，指定python版本为3.6（TensorFlow版本大于1.14的话，最好都用python3.6

前言:TensorFlow简介TensorFlow在新款NVIDIAPascalGPU上的运行速度可提升高达50%，并且能够顺利跨GPU进行扩展。如今，训练模型的时间可以从几天缩短到几小时TensorFlow使用优化的C++和NVIDIA®CUDA®工具包编写，使模型能够在训练和推理时在GPU上运行，从而大幅提速TensorFlowGPU支持需要多个驱动和库。为简化安装并避免库冲突，建议利用GPU

在使用bert4keras时候出现，出现keras问题，首先安装tensorflow1.15版本，然后出现标题的问题，通过下面步骤，完美解决！

Tensorflow1.15出现Cannotfindreference‘contrib’in‘init.py’当我们使用如下代码时fromtensorflow.contrib.tensorboard.pluginsimportprojector

虚拟环境换台电脑就要装一次，在此记录一下吧，方便再次使用。查看tensorflow和python对应版本可前往：在Windows环境中从源代码构建|TensorFlow这里简单展示一下GPU版本的：tensorflow2.0&tensorflow1.15这两个版本的好处是要求的python版本和cuda版本都一样，所以不需要为这两种环境分别去安装不同版本的cuda。1、安装tensorflow2.

中的环境变量condainitbash&&source/root/.bashrc查看虚拟环境condainfo--envs可以看到此时有一个base的虚拟环境但是它的python版本为3.8.10，无法安装tensorflow1.15

环境搭建篇见环境搭建-CentOS7下NvidiaDocker容器基于TensorFlow1.15测试GPU_东方狱兔的博客-CSDN博客1.下载Benchmarks源码从TensorFlow的Github

CentOS7系统NvidiaDocker容器基于TensorFlow1.15测试GPU参考我的另一篇博客1.安装NVIDIA-Docker的Tensorflow2.12.0版本1.版本依赖对应关系：从源代码构建

因课程要求，需要安装tensorflow1.15。我是使用conda来管理不同环境的。

.升级Tensorflow1.15以及cuda10,进行分布式训练，发现gpu内存都只占用145M，开始测试单个卡也是145M，使用如下简单测试下gpu是否能调用importtensorflowastfimportosos.environ

3090Ti安装ubuntu20.04和配置深度学习tensorflow1.15环境1安装和卸载Ubuntu系统1.1安装Ubuntu系统：1.2卸载Ubuntu系统：2CUDA11.7和cuDNN8.4

查看安装的内核和位置jupyterkernelspeclist如果不想要该名字的kernel（假设叫做tensorflow1.15）直接移除jupyterkernelspecremovetensorflow1.15

二、深度学习-读取数据三、Tensorflow图像处理预算四、线性回归模型的tensorflow实现逻辑回归模型的tensorflow实现#%%#读取MNIST数据##在condapython环境中，tensorflow1.15

第一步：给虚拟环境添加ipykernel方法一：创建环境时直接添加ipykernel方法：condacreate-n虚拟环境名称python=版本号ipykernel实例：创建tensorflow1.15

第1部分从在自定义数据集中训练检测器到使用TensorFlow1.15在Jetson纳米板或云上进行推理的详细步骤完整代码可在GitHub上获得TensorFlow对象检测APIV2的教程可作为jupyternotebook

教程如下rtx3090搭建tensorflow1.15环境_唐僧爱吃唐僧肉的博客-CSDN博客_3090tensorflow结果发现虽然能引入tensorflow,但是cuda不能用，是False输入动态引入的命令之后

因为最近要把cuda10.0升级到cuda11,但是cuda11都不支持tensorflow1.1x版本，所以尝试从源码编译，目前tensorflow官方给出了ubuntu版本的编译方法，nvidia也提供了一款基于ubuntu的nvidia-tensorflow，直接安装在centos上，期间出现了各种问题，因此本文记录了在centos上编译tensorflow-gpu1.15版本的过程，仅供大

前提：已有anaconda1、创建虚拟环境condacreate-ntfpython=3.72、安装cuda和cudnn进入虚拟环境condaactivatetf安装cudatoolkit=10.0cudnn=7.6.5(稍微大于7.4也可)condainstall-cconda-forgecudatoolkit=10.0cudnn=7.6.53、安装tensorflow1.15pipinstal

一般我使用tf.keras的方式为继承，环境为tensorflow1.15，下面是一个实例模型：classActorMLP(tf.keras.Model):def__init__(self,ac_dim

文章目录1、购买云服务器2、快速体验3、图像分类4、结业考核1、1.使用Tensorflow1.15实现LeNet网络的minist手写数字识别。

作者|Abhishek编译|Flin来源|analyticsvidhya第1部分从在自定义数据集中训练检测器到使用TensorFlow1.15在Jetson纳米板或云上进行推理的详细步骤完整代码可在GitHub

Tensorflow1.15也已发布，但似乎显示出不稳定性问题。TensorFlow1.9的版本可以在这里找到。

*而tensorflow1.15支持的是cuda9；2是niftynet有tf1.12的版本，如何合并两个版本。要不是论文需要这个库，在22年谁还在用tf1.15/12啊大炮打蚊子的感觉。

ERROR:Couldnotfindaversionthatsatisfiestherequirementtensorflow==1.15.4原因：ubuntu20.04默认python3.8，不支持tensorflow1.15

发现使用anacondanavigator下载的包有问题，具体为importtensorflow.contrib.slimasslim中无法找到tracemodule使用pip安装进行尝试，安装tensorflow-cpu==1.15过程中发现setuptools报错，重新安装此包后再安装tf成功测试成功slim不再报错

nvidia-tensorflow包含tensorflow1.15的cpu和gpu版本，测试可用。

tf.keras.losses.MeanSquaredError()在低版本的tensorflow不可用，在官网看到似乎1.15以上版本才有用，反正我的1.7用不了，重新安装tensorflow1.15

前言之前工作中主要使用的是Tensorflow1.15版本，但是渐渐跟不上工作中的项目需求了，而且因为2.x版本和1.x版本差异较大，所以要专门花时间学习一下2.x版本，本文作为学习Tensorflow2

win10python==3.7.9tensorflow==1.15tensorflow-gpu==1.15(对于1.15及更早版本，CPU和GPU软件包是分开的)cuda==10因为方便，我选择的是cuda10和tensorflow1.15

各个版本：Python3.7condacreate-ndl_envpython=3.7pytorch1.2.0+torchvision0.4.0+cuda10.0.130condainstallpytorch==1.2.0torchvision==0.4.0cudatoolkit=10.0-cpytorch-ihttps://pypi.tuna.tsinghua.edu.cn/simplecudn

解决方案2:GPU问题：30系显卡只支持cuda11tensorflow1.15+CUDA11参考链接：linux系统在python3.6/CUDA11环境下安装tensorflow1.1530系列显卡安装tensorflow1.15

在tensorflow1.15环境下，使用MultiWorkerMirroredStrategy分布式方法时，出现错误：NotImplementedError:`fit_generator`isnotsupportedformodelscompiledwithtf.distribute.Strategy

在python3.8/CUDA11环境下安装tensorflow1.15tensorflow已经全面更新到tf2，其官网显示老版本的tensorflow1.15只支持python3.7以及cuda10，

报错描述：安装tensorflow：使用anaconda，新建虚拟环境tensorflow1.15，在tensorflow1.15中安装tensorflow；安装完成后的测试：在anacondaprompt

最近在学习Hands-onMachineLearningwithScikit-LearnandTensorFlow这本书，第二部分需要安装tensorflow说明如下：因为书上用的是tensorflow1.15

处理数据(2)使用keras搭建深度学习模型(3)定义损失函数(4)配置编译模型(5)使用训练数据训练模型(6)使用测试数据评估模型(7)展示不使用归一化的操作的训练和评估结果前言之前工作中主要使用的是Tensorflow1.15

Win10RTX3070安装tensorflow1.15失败经历安装tf1.15的原因使用cuda10使用cuda11.1下载tf1.15之前先安装cudatoolkit11进一步的打算安装tf1.15

win10RTX30系列显卡安装tensorflow-gpu1.15以下内容基本参考Win10RTX30系列安装tensorflow1.15众所周知，RTX30系列的显卡，针对TensorFlow1.x

前两天主机刚挂(makop)，lostallmyfiles。之前一直纠结迁移数据麻烦，结果一波被整完了，都懒得看有哪些数据，直接格了4个盘，共享盘的习惯让我的nas也遭了殃。这样，一台干净的主机就空出来了。前段时间又在搞mt5的finetuning，就想着搭个方便跑的环境。总而言之，很麻烦，坑很多，有点后悔买30系显卡了。昨晚8点半开搞，本想着12点前搞完，结果硬是搞到凌晨3点多，今天起来整个人都

Ubuntu20.04下编译Tensorflow1.15C++编译NVIDIA维护的TensorFlow1.15完成编译后看到的现象编译测试TensorFlow的1.15版本已经不受官方支持了，因此编译

换电脑了，3060显卡按照之前的方法https://blog.csdn.net/weixin_41631106/article/details/119547755，用conda安装的tensorflow1.15

condacreate--nametf1.15python=3.6sourceactivatetf1.15pipinstallnvidia-pyindexpipinstallnvidia-tensorflow安装tensorflow-gpu1.15对应keraspipinstallkeras==2.3.1安装各种模块pipinstallmatplotlibpipinstallopencv-pyth

要学会一个算法，最好的办法还是自己复现一遍这里也是对自己学习的过程做一个记录了o(￣▽￣)ブ尽量用最简洁的语言和最短的代码来实现一个Transformer,ViT,BERT,SwinTransformer这篇主要实现了Transformer里面的Self-Attention，并实践了文本分类问题Transformer介绍Transformer结构是google在17年的AttentionIsAll

tensorflow的以及全面更新到tf2，其官网显示老版本的tensorflow1.15只支持python3.7以及cuda10，并且新版本的ubuntu的官方apt源根本没有python3.7。

安装环境：https://blog.csdn.net/wu496963386/article/details/109583045基本按照上述链接博主方法安装tensorflow1.15.4本链接在原博主基础上修改了cudnn包，增加了多gpu需要的nccl，openmpi，horvod支持，以及本人安装成功的环境使用condapack打包好，有缘人可直接使用pack包恢复环境。链接:https:/

作者|Abhishek编译|Flin来源|analyticsvidhya第1部分从在自定义数据集中训练检测器到使用TensorFlow1.15在Jetson纳米板或云上进行推理的详细步骤完整代码可在GitHub