做网站负责人有法律风险吗网页设计与制作教程第四版

做网站负责人有法律风险吗,网页设计与制作教程第四版,小程序免费制作平台企业中心,防控措施有这些优化csdn排版不方便#xff0c;欢迎大家关注我的gzh#xff1a;阿龙AI日记1 环境介绍深度学习环境配置是小白入门的一大门槛#xff0c;其实搞清楚了各个部件的作用#xff0c;即使配置过程中出问题也根本不慌#xff0c;最要命的就是连自己都不知道在安装什么。环境配置主要分…csdn排版不方便欢迎大家关注我的gzh阿龙AI日记1 环境介绍深度学习环境配置是小白入门的一大门槛其实搞清楚了各个部件的作用即使配置过程中出问题也根本不慌最要命的就是连自己都不知道在安装什么。环境配置主要分为四个部分我们一次熟悉它们的作用Anaconda安装CUDA安装Torch安装Pycharm安装1.1 Anaconda是什么你可以把Anaconda理解为一个房子房子里面可以隔出很多个小房间。比如我们现在有的项目用的是Python3.1有的项目用的是Python3.9你要是在自己电脑里都来装这两个版本的Python就会使得你的环境非常乱所以Anaconda可以很好的帮你管理环境把它们划分为一个个的小房间互不干扰。除此之外Anaconda中提供了一个非常强大的软件库可以一键安装和删除成千上万个关于科学计算的包(PyTorch、Numpy以及TensorFlow等)。并且用Anaconda创建虚拟环境后我们便不用再单独安装Python。1.2 CUDA是什么你的电脑是有显卡有成千上万个GPU运算单元但是它们并不是可以被拿来直接用的。CUDA是NVIDA提供的一套接口工具包含驱动和编译器等你只有安装了CUDA才能调用你的GPU。否则难道还要我们自己写代码来调用GPU吗因此CUDA为我们在深度学习框架(Torch、Tensorflow等)之间搭建了桥梁否则我们无法调用自己的GPU。1.3 Torch是什么Torch是我们直接来构建网络模型、训练以及部署的核心工具。试想一下如果神经网络的卷积层、反向传播、优化器等核心组件都要自己来实现一遍是不是太麻烦了 因此Torch是一个深度学习开发平台里面集成了大量深度学习所需要的库。核心结构有张量、自动微分求导、神经网络层以及优化器等。1.4 Pycharm是什么我们要写代码总不能在记事本txt里面写吧Python还需要看缩进记事本那得调到天荒地老。所以Pycharm这种IDE(集成开发环境)就有必要出现了。我们在Pycharm里面编写我们的代码切换我们的Anaconda环境改变我们的Python解释器管理我们的项目还可以断点调试极大的提升了我们的编码效率和体验。2 Anaconda安装2.1 安装Anaconda我们直接在浏览器中搜索Anaconda就可以找到Anaconda的官网点击进去注册账号然后登陆就可以看到下图如果你是土豪内存大无所谓可以下载左边如果你和我一样有内存焦虑可以下载右边的Mninconda。其实二者的区别就是Anaconda更全一下Mini是缩减版的但是其实一般而言我们搞深度学习的Miniconda也够了。后续缺什么可以再下载也很方便。因此推荐下载Miniconda。下载完成后我们双击它一路Next点击I Agree选择所有用户选择安装路径然后点击Next注意要选择第一个否则到时候在开始菜单中找不到Anaconda的cmd2.2 配置环境变量点击环境变量点击新建配置完成2.3 Anaconda创建虚拟环境在开始中找到一般而言创建虚拟环境Anaconda会默认创建在C盘。如果想创建在D盘我们可以执行命令#添加 D 盘路径为优先环境目录路径可自定义如 D:\my_conda_envs conda config --add envs_dirs D:\conda_envs再查看是否生效bash conda config --show envs_dirs结果Conda常用命令bash #列出所有的环境base 环境和所有的虚拟环境 conda env list #创建名为 env_name 的虚拟环境并指定其 Python 版本为 3.9 conda create -n env_name python3.9 #创建名为 “env_name” 的虚拟环境并指定其 Python 版本为 3.9 和安装路径 conda create --prefix安装路径\env_name python3.9 #删除环境名为 “env_name” 的虚拟环境 conda remove -n env_name --all #进入名为 “env_name” 的虚拟环境 conda activate env_name我们来创建一个虚拟环境bash conda create -n Deeplearning python3.9然后再进入虚拟环境分别执行命令安装Numpy、Pandas以及matplotlib:conda install numpy conda install numpy conda install matplotlib当然我们也可以指定版本比如bash conda install numpy1.24.3 matplotlib3.7.0我们再查看我们安装的内容bash conda list这个窗口先不要关后面安装Torch还要用。3 CUDA安装3.1 查看CUDA是否安装打开命令行输入nvcc -v在安装之前我们需要查看自己的CUDA显卡驱动版本nvidia-smi发现CUDA Version:13.0也就是版本为13.0。3.3 安装CUDA我们去CUDA的官网搜索cuda-toolkit-archive此时只要小于13.0就可以我的CUDA是13.0安装了12.8。点击进去选择操作系统系统版本等下载完成后进行安装选择安装路径在安装过程中选择路径的时候第一次选择的路径下的文件夹会消失。此处为临时安装目录默认就可后期安装完成会自动删除。一路next到底会默认为我们添加环境变量我们再来查看是否安装成功nvcc -v一般还需要安装cuDNN好像现在都自动安装了就不用我们管了。4 PyTorch安装4.1 通过官网安装终于到了安装PyTorh这一步我们直接搜索pytorch就可以找到PyTorch官网再选择我们的版本将torch为我们生成的命令输入我们之前创建的虚拟环境中也就是前面的那个Deeplearningbash conda activate Deeplearning如果刚才窗口关了我们需要再次进入然后执行官网给的语句。 如果下载太慢需要挂镜像我们只需要将后面的连接替换为镜像源比如清华的或者中科大南京大学的等。大家可以搜索一下。4.2 检查是否安装好安装完后再通过coda list看是否安装好此时我们可以进入python交互执行python逐行执行import torch print(torch.version) print(torch.version.cuda) print(torch.cuda.is_available()) #输出为True则安装成功此时PyTorch安装成功。5 Pycharm安装5.1 Pycharm下载直接浏览器搜索Pycharm注意下载社区版专业版需要充钱的。 安装的时候记得勾选添加环境变量直接安装5.2 选择解释器此时安装完Pycharm之后还需要改变Pycharm的解释器让它正确地找到我们刚才安装的环境否则会报找不到module的错误。找到设置:找到解释器——添加本地解释器选择虚拟环境点击现有找到对应的python.exe(这个路径就是刚才自己定义的虚拟环境的路径):然后点击确定Pycharm就可以识别到我们刚才安装的环境了。代码跑起来看我们的显卡使用情况