常用深度学习框架(keras,pytorch.cntk,theano)conda 安装--未整理
版本查询
cpu
tensorflow
conda env list
source activate tensorflow
python
import tensorflow as tf 和 tf.__version__ 1.11.0
keras
conda env list
source activate keras
import keras 2.2.2
print(keras.__version__)
import tensorflow as tf
tf.__version__
1.11.0
pytorch
import torch
print(torch.__version__)
print(torch.cuda.device_count())
print(torch.cuda.is_available())
1.2.0
cntk
/root/anaconda3/bin/conda env list
source activate cntk-py35
需要添加变量
python 3.5.6
export PATH=/root/anaconda3/bin:$PATH
python -c "import cntk; print(cntk.__version__)"
2.7
新的名字：conda-cntk-pass cntk2.7
theano
caffe2 直接使用
python 3.6.9
import caffe2
gpu
tensorflow-gpu:1.11.0 python 3.5
export PATH=/root/anaconda3/bin:$PATH
source activate tensorflow
1.11.0 新的名字 docker commit ba9743bcfc7d gpu-tensflow-1.11:1.11.0
keras
export PATH=/root/anaconda3/bin:$PATH
conda env list
source activate keras
python3.5
tensorflow 1.11.0
keras 2.2.2
nvidia-docker run -it --rm pytorch-gpu:1.1.0 /bin/bash
pytorch 直接使用
[root@191ddd30d4ae /]# python
Python 3.6.9 |Anaconda, Inc.| (default, Jul 30 2019, 19:07:31)
[GCC 7.3.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> print(torch.__version__)
1.1.0
>>> print(torch.cuda.device_count())
1
>>> print(torch.cuda.is_available())
True
>>>
cntk
source activate cntk-py35 python3.5
python -c "import cntk; print(cntk.__version__)"
2.4
theano
ValueError: You are trying to use the old GPU back-end. It was removed from Theano. Use device=cuda* now. See https://github.com/Theano/Theano/wiki/Converting-to-the-new-gpu-back-end%28gpuarray%29 for more information
—————————
vim ~/.bashrc
2：添加如下命令：
export THEANO_FLAGS='mode=FAST_RUN,device=cpu,floatX=float32'
1
3：使修改的theano设置生效：
source ~/.bashrc
1
4：编辑theano对于gpu的配置文件：
vim ~/.theanorc
1
5：添加内容如下：
[global]
device = cuda
floatX=float32
[nvcc]
flags=--machine=64
[lib]
cnmem=100
gpu-theano-in-use:1.0.4 python2.7
source activate theano
python test.py
>>> import theano
/root/anaconda3/envs/theano/lib/python2.7/site-packages/theano/gpuarray/dnn.py:184: UserWarning: Your cuDNN version is more recent than Theano. If you encounter problems, try updating Theano or downgrading cuDNN to a version >= v5 and <= v7.
warnings.warn("Your cuDNN version is more recent than "
Using cuDNN version 7603 on context None
Mapped name None to device cuda: GeForce GTX 960M (0000:01:00.0)
>>> theano.__version__
u'1.0.4'
>>>
https://www.jianshu.com/p/4cc75a79dce9
Linux下安装miniconda
在官网下载miniconda3
执行：bash Miniconda3-latest-Linux-x86_64.sh 之后跟随提示步骤，安装过程中可以自动添加路径到配置文件，也可以之后进行配置。在这期间输入 yes no （在这里我是之后配置的所以执行３）
将其添加到大环境变量中去
－vim ~/.bashrc
－export PATH=~/anaconda3/bin:$PATH
－source ~/.bashrc
创建虚拟环境并安装theano (主要参考官网教程http://deeplearning.net/software/theano/install_ubuntu.html)
基于python2.7创建一个名为theano的环境： conda create --name theano python=2.7
进入虚拟环境： source activate theano
－使用conda安装：conda install numpy scipy mkl
pip install parameterized
conda install theano pygpu
－使用pip安装：pip install Theano
Install and configure the GPU drivers (这一步我没有尝试，因为本来就安装好了)
配置theanoGPU环境
vim ~/.theanorc
在空白文件中添加
[global]
floatX = float32
device = gpu3
[lib]
cnmem = 0.6 意味着有百分之60的显存分给当前终端
也可以不用5，直接在运行的时候使用命令：THEANO_FLAGS='device=cuda,floatX=float32'
默认为cuda0）
测试
test.py 文件：
from theano import function, config, shared, tensor
import numpy
import time
vlen = 10 * 30 * 768 # 10 x #cores x # threads per core
iters = 1000
rng = numpy.random.RandomState(22)
x = shared(numpy.asarray(rng.rand(vlen), config.floatX))
f = function([], tensor.exp(x))
print(f.maker.fgraph.toposort())
t0 = time.time()
for i in range(iters):
r = f()
t1 = time.time()
print("Looping %d times took %f seconds" % (iters, t1 - t0))
print("Result is %s" % (r,))
if numpy.any([isinstance(x.op, tensor.Elemwise) and
('Gpu' not in type(x.op).__name__)
for x in f.maker.fgraph.toposort()]):
print('Used the cpu')
else:
print('Used the gpu')
caffe2
https://blog.csdn.net/qq_35451572/article/details/79428167
cmake \
-DCUDA_TOOLKIT_ROOT_DIR=/usr/local/cuda-9.0 \
-DCUDNN_ROOT_DIR=/usr/local/cuda
# To check if Caffe2 build was successful
python -c 'from caffe2.python import core' 2>/dev/null && echo "Success" || echo "Failure"
# To check if Caffe2 GPU build was successful
# This must print a number > 0 in order to use Detectron
python -c 'from caffe2.python import workspace; print(workspace.NumCudaDevices())'
https://blog.csdn.net/Yan_Joy/article/details/70241319
https://www.nvidia.com/en-gb/data-center/gpu-accelerated-applications/caffe2/
https://blog.csdn.net/qq_35451572/article/details/79428167
https://blog.csdn.net/qq_16525279/article/details/79724728
https://blog.csdn.net/y_f_raquelle/article/details/83278953
https://www.cnblogs.com/nanzhao/p/9596844.html
1,
cpu
conda create -n xx --clone nn(已经存在的虚拟环境)
tensorflow
conda env list
source activate tensorflow
pip install tensorflow==1.11.0
python
import tensorflow as tf 和 tf.__version__ 1.11.0
keras
pip install tensorflow==1.11.0
pip install keras==2.2.2
conda env list
source activate keras
import keras 2.2.2
print(keras.__version__)
import tensorflow as tf
tf.__version__
1.11.0
pytorch
https://pytorch.org/get-started/locally/ 安装
pip3 install torch==1.2.0+cpu torchvision==0.4.0+cpu -f https://download.pytorch.org/whl/torch_stable.html 不行
conda install pytorch torchvision cpuonly -c pytorch -n pytorch
import torch
print(torch.__version__)
print(torch.cuda.device_count())
print(torch.cuda.is_available())
1.2.0
cntk
pip install https://cntk.ai/PythonWheel/CPU-Only/cntk-2.7.post1-cp35-cp35m-linux_x86_64.whl
/root/anaconda3/bin/conda env list
source activate cntk-py35
需要添加变量
python 3.5.6
export PATH=/root/anaconda3/bin:$PATH
python -c "import cntk; print(cntk.__version__)"
2.7
新的名字：conda-cntk-pass cntk2.7
theano
caffe2 直接使用
python 3.6.9
import caffe2
安装
conda create -n caffe2 python=3.6
conda activate caffe2
conda install pytorch-nightly-cpu -c pytorch -n caffe2
python -c 'from caffe2.python import core' 2>/dev/null && echo "Success" || echo "Failure"
pip install protobuf
pip install future
gpu
tensorflow-gpu:1.11.0 python 3.5
export PATH=/root/anaconda3/bin:$PATH
source activate tensorflow
1.11.0 新的名字 docker commit ba9743bcfc7d gpu-tensflow-1.11:1.11.0
keras
export PATH=/root/anaconda3/bin:$PATH
conda env list
source activate keras
python3.5
tensorflow 1.11.0
keras 2.2.2
nvidia-docker run -it --rm pytorch-gpu:1.1.0 /bin/bash
pytorch 直接使用
conda install pytorch torchvision cudatoolkit=9.0 -c pytorch
conda install pytorch torchvision -c pytorch -n pytorch
[root@191ddd30d4ae /]# python
Python 3.6.9 |Anaconda, Inc.| (default, Jul 30 2019, 19:07:31)
[GCC 7.3.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> print(torch.__version__)
1.1.0
>>> print(torch.cuda.device_count())
1
>>> print(torch.cuda.is_available())
True
>>>
cntk
source activate cntk-py35 python3.5
python -c "import cntk; print(cntk.__version__)"
2.4
theano
ValueError: You are trying to use the old GPU back-end. It was removed from Theano. Use device=cuda* now. See https://github.com/Theano/Theano/wiki/Converting-to-the-new-gpu-back-end%28gpuarray%29 for more information
—————————
vim ~/.bashrc
2：添加如下命令：
export THEANO_FLAGS='mode=FAST_RUN,device=cpu,floatX=float32'
1
3：使修改的theano设置生效：
source ~/.bashrc
1
4：编辑theano对于gpu的配置文件：
vim ~/.theanorc
1
5：添加内容如下：
[global]
device = cuda
floatX=float32
[nvcc]
flags=--machine=64
[lib]
cnmem=100
gpu-theano-in-use:1.0.4 python2.7
source activate theano
python test.py
>>> import theano
/root/anaconda3/envs/theano/lib/python2.7/site-packages/theano/gpuarray/dnn.py:184: UserWarning: Your cuDNN version is more recent than Theano. If you encounter problems, try updating Theano or downgrading cuDNN to a version >= v5 and <= v7.
warnings.warn("Your cuDNN version is more recent than "
Using cuDNN version 7603 on context None
Mapped name None to device cuda: GeForce GTX 960M (0000:01:00.0)
>>> theano.__version__
u'1.0.4'
>>>
https://www.jianshu.com/p/4cc75a79dce9
Linux下安装miniconda
在官网下载miniconda3
执行：bash Miniconda3-latest-Linux-x86_64.sh 之后跟随提示步骤，安装过程中可以自动添加路径到配置文件，也可以之后进行配置。在这期间输入 yes no （在这里我是之后配置的所以执行３）
将其添加到大环境变量中去
－vim ~/.bashrc
－export PATH=~/anaconda3/bin:$PATH
－source ~/.bashrc
创建虚拟环境并安装theano (主要参考官网教程http://deeplearning.net/software/theano/install_ubuntu.html)
基于python2.7创建一个名为theano的环境： conda create --name theano python=2.7
进入虚拟环境： source activate theano
－使用conda安装：conda install numpy scipy mkl
pip install parameterized
conda install theano pygpu
－使用pip安装：pip install Theano
Install and configure the GPU drivers (这一步我没有尝试，因为本来就安装好了)
配置theanoGPU环境
vim ~/.theanorc
在空白文件中添加
[global]
floatX = float32
device = gpu3
[lib]
cnmem = 0.6 意味着有百分之60的显存分给当前终端
也可以不用5，直接在运行的时候使用命令：THEANO_FLAGS='device=cuda,floatX=float32'
（默认为cuda0）
测试
test.py 文件：
from theano import function, config, shared, tensor
import numpy
import time
vlen = 10 * 30 * 768 # 10 x #cores x # threads per core
iters = 1000
rng = numpy.random.RandomState(22)
x = shared(numpy.asarray(rng.rand(vlen), config.floatX))
f = function([], tensor.exp(x))
print(f.maker.fgraph.toposort())
t0 = time.time()
for i in range(iters):
r = f()
t1 = time.time()
print("Looping %d times took %f seconds" % (iters, t1 - t0))
print("Result is %s" % (r,))
if numpy.any([isinstance(x.op, tensor.Elemwise) and
('Gpu' not in type(x.op).__name__)
for x in f.maker.fgraph.toposort()]):
print('Used the cpu')
else:
print('Used the gpu')
caffe2
看官网文档安装
https://caffe2.ai/docs/getting-started.html?platform=ubuntu&configuration=compile
https://blog.csdn.net/qq_35451572/article/details/79428167
cmake \
-DCUDA_TOOLKIT_ROOT_DIR=/usr/local/cuda-9.0 \
-DCUDNN_ROOT_DIR=/usr/local/cuda
# To check if Caffe2 build was successful
python -c 'from caffe2.python import core' 2>/dev/null && echo "Success" || echo "Failure"
# To check if Caffe2 GPU build was successful
# This must print a number > 0 in order to use Detectron
python -c 'from caffe2.python import workspace; print(workspace.NumCudaDevices())'
https://blog.csdn.net/Yan_Joy/article/details/70241319
https://www.nvidia.com/en-gb/data-center/gpu-accelerated-applications/caffe2/
https://blog.csdn.net/qq_35451572/article/details/79428167
https://blog.csdn.net/qq_16525279/article/details/79724728
https://blog.csdn.net/y_f_raquelle/article/details/83278953
https://www.cnblogs.com/nanzhao/p/9596844.html
python -m pip install --user numpy scipy matplotlib pandas
nltk scikit-learn
nltk安装
Install NLTK: run pip install --user -U nltk
Install Numpy (optional): run pip install --user -U numpy
Test installation: run python then type import nltk
Installing scikit-learn，require：
Python (>= 3.5)
NumPy (>= 1.11.0)
SciPy (>= 0.17.0)
joblib (>= 0.11)
If you already have a working installation of numpy and scipy, the easiest way to install scikit-learn is using pip
pip install -U scikit-learn
or conda:
conda install scikit-learn
2安装
anaconda
https://repo.anaconda.com/archive/
conda create -n caffe_gpu -c defaults python=3.6 caffe-gpu
conda create -n caffe -c defaults python=3.6 caffe
import caffe
python -c "import caffe; print dir(caffe)"
https://blog.csdn.net/weixin_37251044/article/details/79763858
一、编译Caffe、PyCaffe
URL : https://github.com/BVLC/caffe.git
1
1.下载Caffe
git clone https://github.com/BVLC/caffe.git
cd caffe
注意：如果想在anaconda下使用，就先
source activate caffe_env
然后在这个环境下安装
利用anaconda2随意切换proto的版本，多proto并存，protobuf，libprotobuf
2.编译caffe
用cmake默认配置：
1
[注意]：一般需要修改config文件。
进入caffe根目录
mkdir build
cd build
cmake ..
make all -j8
make install
make runtest -j8
3.安装pycaffe需要的依赖包，并编译pycaffe
cd ../python
conda install cython scikit-image ipython h5py nose pandas protobuf pyyaml jupyter
for req in $(cat requirements.txt); do pip install $req; done
cd ../build
make pycaffe -j8
4.添加pycaffe的环境变量
终端输入如下指令：
vim ~/.bashrc
在最后一行添加caffe的python路径(到达vim最后一行快捷键：Shift+G)：
export PYTHONPATH=/path/to/caffe/python:$PYTHONPATH
注意： /path/to/caffe是下载的Caffe的根目录，例如我的路径为：/home/Jack-Cui/caffe-master/python
Source环境变量，在终端执行如下命令：
source ~/.bashrc
注意： Source完环境变量，会退出testcaffe这个conda环境，再次使用命令进入即可。
四、测试
执行如下命令：
python -c "import caffe; print dir(caffe)"
fatal error: pyconfig.h: No such file or directory
如果使用的是系统的python路径，解决方法如下：
make clean
export CPLUS_INCLUDE_PATH=/usr/include/python2.7
make all -j8
如果使用的是anaconda Python，路径如下：
export CPLUS_INCLUDE_PATH=/home/gpf/anaconda3/include/python3.6m
http://blog.csdn.net/GPFYCF521/article/details/80387869
cd /usr/local/src/caffe-master/
2 ll
3 make pycaffe
4 find / -name "Python.h"
5 export CPLUS_INCLUDE_PATH=/usr/local/src/Python-3.6.4/Include/Python.h:$CPLUS_INCLUDE_PATH
6 make clean
7 make pycaffe
8 export CPLUS_INCLUDE_PATH=/usr/local/src/Python-3.6.4/Include/:$CPLUS_INCLUDE_PATH
9 make clean
10 make pycaffe
11 export CPLUS_INCLUDE_PATH=
12 export CPLUS_INCLUDE_PATH=/usr/local/src/Python-3.6.4/Include/:$CPLUS_INCLUDE_PATH
13 make clean
14 make pycaffe
15 find / -name "pyconfig.h"
16 yum install python-devel.x86_64
17 make clean
18 make pycaffe
19 find python3.6
20 locate python3.6
21 make clean
22 export CPLUS_INCLUDE_PATH=/usr/include/python2.7
23 export CPLUS_INCLUDE_PATH=
24 export CPLUS_INCLUDE_PATH=/root/anaconda3/include/python3.5m
25 make all
26 find / -name "pycaffe"
27 history
装的是python3.6，项目中用到boost相关代码，编译时找不到pyconfig.h。看了一下/usr/include/python3.6和/usr/include/python3.6m，都只有一个pyconfig-64.h文件。
网上查了一圈，找了各种方法都搞不定，其中一种方法可以安装一堆.h进/usr/include/python2.7，3.6文件夹中还是没有。方法如下：
1. 可以先查看一下含python-devel的包
yum search python | grep python-devel
2. 64位安装python-devel.x86_64，32位安装python-devel.i686，我这里安装:
sudo yum install python-devel.x86_64
受此启发，输入命令查找3.6版本相关的python包
yum search python | grep python36
发现下面这个应该是我们想要的
python36u-devel.x86_64 : Libraries and header files needed for Python
yum install python36u-devel.x86_64
conda create -n caffe_gpu -c defaults python=3.5 caffe-gpu
conda create -n caffe -c defaults python=3.5 caffe
CONDA 安裝caffe
一、编译Caffe、PyCaffe
URL : https://github.com/BVLC/caffe.git
1
1.下载Caffe
git clone https://github.com/BVLC/caffe.git
cd caffe
注意：如果想在anaconda下使用，就先
source activate caffe_env
然后在这个环境下安装
利用anaconda2随意切换proto的版本，多proto并存，protobuf，libprotobuf
2.编译caffe
用cmake默认配置：
1
[注意]：一般需要修改config文件。
进入caffe根目录
mkdir build
cd build
cmake ..
make all -j8
make install
make runtest -j8
3.安装pycaffe需要的依赖包，并编译pycaffe
cd ../python
conda install cython scikit-image ipython h5py nose pandas protobuf pyyaml jupyter
for req in $(cat requirements.txt); do pip install $req; done
cd ../build
make pycaffe -j8
4.添加pycaffe的环境变量
终端输入如下指令：
1
vim ~/.bashrc
1
在最后一行添加caffe的python路径(到达vim最后一行快捷键：Shift+G)：
1
export PYTHONPATH=/path/to/caffe/python:$PYTHONPATH
1
2
注意： /path/to/caffe是下载的Caffe的根目录，例如我的路径为：/home/Jack-Cui/caffe-master/python
Source环境变量，在终端执行如下命令：
1
source ~/.bashrc
1
注意： Source完环境变量，会退出testcaffe这个conda环境，再次使用命令进入即可。
四、测试
执行如下命令：
python -c "import caffe; print dir(caffe)"
输出结果如下：
注意： 如果创建了conda环境，每次想要使用caffe，需要先进入这个创建的conda环境。
export PATH=/root/anaconda3/bin:$PATH
conda create -n caffe -c defaults python=3.5
conda install caffe-gpu
conda install tensorflow-gpu==1.11.0
conda create --name tensorflow python=3.5
source activate tensorflow
source deactivate
conda remove -n tensorflow --all
import tensorflow as tf 和 tf.__version__
您正在使用GPU版本。您可以列出可用的tensorflow设备
from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())
conda 安装pytorch
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
添加清华源
命令行中直接使用以下命令
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 --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
# 设置搜索时显示通道地址
conda config --set show_channel_urls yes
————————————————————————————————————————————————————————————————————————————————
设置搜索时显示通道地址 |
conda config --set show_channel_urls yes
conda GPU的命令如图所示：
conda install pytorch torchvision -c pytorch
conda CPU的命令如图所示：
conda install pytorch-cpu -c pytorch
pip3 install torchvision
pytorch-gpu
conda install pytorch torchvision cudatoolkit=9.0 -c pytorch
import torch
print(torch.__version__)
print(torch.cuda.device_count())
print(torch.cuda.is_available())
--------------------------------------------------------------------------------|
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 --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --set show_channel_urls yes
查看已经添加的channels
conda config --get channels
已添加的channel在哪里查看
vim ~/.condarc
conda search gatk
安装完成后，可以用“which 软件名”来查看该软件安装的位置：
which gatk
如需要安装特定的版本:
conda install 软件名=版本号
conda install gatk=3.7
查看已安装软件:
conda list
更新指定软件:
conda update gatk
卸载指定软件:
conda remove gatk
cntk
https://blog.csdn.net/Jonms/article/details/79550512
ubuntu1604 cuda -cudnn
接着，运行下面的命令安装anaconda
$ sh Anaconda3-5.1.0-Linux-x86_64.sh
anaconda的安装很简单，这里就不多描述。
CNTK需要你的系统安装有OpenMPI。在Ubuntu中可以通过以下命令安装
$ sudo apt install openmpi-bin
然后，创建名为cntk-py35的虚拟环境
$ conda create --name cntk-py35 python=3.5 numpy scipy h5py jupyter
激活cntk虚拟环境
$ source activate cntk-py35
关闭cntk虚拟环境
$ source deactivate
激活虚拟环境后，用pip安装CNTK(GPU)即可
$ pip install https://cntk.ai/PythonWheel/GPU/cntk-2.4-cp35-cp35m-linux_x86_64.whl
测试CNTK是否安装成功并输出CNTK版本
$ python -c "import cntk; print(cntk.__version__)"
cpu
pip install https://cntk.ai/PythonWheel/CPU-Only/cntk-2.7.post1-cp35-cp35m-linux_x86_64.whl
python -c "import cntk; print(cntk.__version__)"
报错：
ImportError: No module named 'cntk._cntk_py'
ImportError: libpython3.5m.so.1.0: cannot open shared object file: No such file or directory
处理：
find / -name "libpython3.5m.so.1.0" 找到路径 使用conda安装的
/root/anaconda3/envs/cntk-py35/lib/ 加入环境变量
#cd /etc/ld.so.conf.d
#vim python3.conf
将编译后的python/lib地址加入conf文件
#ldconfig
容器环境变量会丢失，使用dockerfile重新赋值。 export PATH=/root/anaconda3/bin:$PATH 上面的链接库配置
pip https://cntk.ai/PythonWheel/CPU-Only/cntk-2.7.post1-cp36-cp36m-linux_x86_64.whl
python3.7环境下
theano
apt-get install python-numpy python-scipy python-dev python-pip python-nose g++ libopenblas-dev
pip install Theano
NumPy (~30s): python -c "import numpy; numpy.test()"
SciPy (~1m): python -c "import scipy; scipy.test()"
Theano (~30m): python -c "import theano; theano.test()"
已安装cuda
export PATH=/usr/local/cuda-5.5/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-5.5/lib64:$LD_LIBRARY_PATH
安装Caffe2
docker pull caffe2ai/caffe2
# to test
nvidia-docker run -it caffe2ai/caffe2:latest python -m caffe2.python.operator_test.relu_op_test
# to interact
nvidia-docker run -it caffe2ai/caffe2:latest /bin/bash
python -c 'from caffe2.python import core' 2>/dev/null && echo "Success" || echo "Failure"
#返回Success就OK
python2 -c 'from caffe2.python import workspace; print(workspace.NumCudaDevices())'
#返回1就OK
#进入python输入
from caffe2.python import workspace
错误:
ModuleNotFoundError: No module named 'google'
pip install protobuf
ModuleNotFoundError: No module named 'past'
pip install future
安装后检测
python -c 'from caffe2.python import core' 2>/dev/null && echo "Success" || echo "Failure"
gpu检测
python -m caffe2.python.operator_test.relu_op_test
Python2.7和Python3.6下都可以，不过只是cpu版本，只限于Mac和Ubuntu平台下：
conda install -c caffe2 caffe2
参考网址：
https://blog.csdn.net/qq_35451572/article/details/79428167
https://blog.csdn.net/Yan_Joy/article/details/70241319
https://blog.csdn.net/zmm__/article/details/90285887
https://blog.csdn.net/u013842516/article/details/80604409
使用Docker安装GPU版本caffe2
https://blog.csdn.net/Andrwin/article/details/94736930
caffe安装
https://blog.csdn.net/jacky_ponder/article/details/53129355
cntk
常用深度学习框架(keras,pytorch.cntk,theano)conda 安装--未整理的更多相关文章
- 深度学习框架Keras与Pytorch对比
对于许多科学家.工程师和开发人员来说,TensorFlow是他们的第一个深度学习框架.TensorFlow 1.0于2017年2月发布,可以说,它对用户不太友好. 在过去的几年里,两个主要的深度学习库 ...
- 深度学习框架比较TensorFlow、Theano、Caffe、SciKit-learn、Keras
TheanoTheano在深度学习框架中是祖师级的存在.Theano基于Python语言开发的,是一个擅长处理多维数组的库,这一点和numpy很像.当与其他深度学习库结合起来,它十分适合数据探索.它为 ...
- 基于Theano的深度学习框架keras及配合SVM训练模型
https://blog.csdn.net/a819825294/article/details/51334397 1.介绍 Keras是基于Theano的一个深度学习框架,它的设计参考了Torch, ...
- 如何评价深度学习框架Keras？
python机器学习-乳腺癌细胞挖掘(博主亲自录制视频)https://study.163.com/course/introduction.htm?courseId=1005269003&ut ...
- 金玉良缘易配而木石前盟难得|M1 Mac os(Apple Silicon)天生一对Python3开发环境搭建(集成深度学习框架Tensorflow/Pytorch)
原文转载自「刘悦的技术博客」https://v3u.cn/a_id_189 笔者投入M1的怀抱已经有一段时间了,俗话说得好,但闻新人笑,不见旧人哭,Intel mac早已被束之高阁,而M1 mac已经 ...
- 深度学习框架之TensorFlow的概念及安装（ubuntu下基于pip的安装，IDE为Pycharm）
2015年11月9日,Google发布人工智能系统TensorFlow并宣布开源. 1.TensorFlow的概念 TensorFlow 是使用数据流图进行数值计算的开源软件库.也就是说,Tensor ...
- 基于Windows,Python,Theano的深度学习框架Keras的配置
1.安装Anaconda 面向科学计算的Python IDE--Anaconda 2.打开Anaconda Prompt 3.安装gcc环境 (1)conda update conda (2)cond ...
- 深度学习框架Keras介绍及实战
Keras 是一个用 Python 编写的高级神经网络 API,它能够以 TensorFlow, CNTK, 或者 Theano 作为后端运行.Keras 的开发重点是支持快速的实验.能够以最小的时延 ...
- 深度学习框架Keras安装
环境:Windows 10 64位 版本!版本!版本!不要下载最新版本的! 一点要按照这个来!安装顺序也最好不要错! 首先安装DirectX SDK工具包 ,这是链接:https://www.micr ...
随机推荐
- vue ----》实现打印功能
1.安装打印相关依赖 cnpm install vue-print-nb --save 2.安装后,在main.js文件中引入 import Print from 'vue-print-nb' Vue ...
- HDU 1087 Super Jumping! Jumping! Jumping! （动态规划、最大上升子序列和）
Super Jumping! Jumping! Jumping! Time Limit: 2000/1000 MS (Java/Others) Memory Limit: 65536/32768 ...
- 联盟周赛2019810 csgo （动态规划、不下降子序列）
今天起晚了...就做了俩题 难受的一批... 题目描述 著名第一人称射击游戏 csgo 因其优秀的平衡性,爽快的射击感和科学的战术配比赢得了世界广大玩家的好评. 在一局游戏中,分为两个阵营,他们的目标 ...
- Dubbo-zooKeeper入门讲解
1.Dubbo-zooKeeper史上最简单入门实例 2.Dubbo官方文档
- A9-USART2_RX_BUF 串口2收发异常
a9_send_cmd(); //退出透传模式,和前一次发送时间超过 2 秒,输入+++,就可以退出透传模式 delay_ms(); delay_ms(); delay_ms(); a9_quit_t ...
- Luogu P2572 序列操作
(是道线段树好题√) 题目链接 题外话:这道题我也不知道卡了自己多少天,从初赛之前就开始做,一直到现在才a掉(时间跨度得有将近十天了吧?) 线段树,嗯,好像很简单的样子. 但事实上因为自己太菜了,卡了 ...
- Comet OJ - Contest #13
Rank53. 第一次打这种比赛.还是有不少问题的,以后改吧. A题WA了两次罚了不少时. C写到一半发现只能过1,就先弃了. D一眼没看出来.第二眼看出来就是一个类似于复数的快速幂. 然后B切了. ...
- laravel框架之批刪&全選&全不選&反選
<!doctype html> <html lang="en"> <head> <meta charset="UTF-8&quo ...
- 闭包、装饰器decorator、迭代器与生成器、面向过程编程、三元表达式、列表解析与生成器表达式
一.装饰器 一.装饰器的知识储备 不想修改函数的调用方式,但是还想在原来的函数前后添加功能 1.可变长参数 :*args和**kwargs def index(name,age): print(na ...
- Hdu 4738【tanjan求无向图的桥】割边判定定理 dfn[x] < low[y]
题目: 曹操在长江上建立了一些点,点之间有一些边连着.如果这些点构成的无向图变成了连通图,那么曹操就无敌了.刘备为了防止曹操变得无敌,就打算去摧毁连接曹操的点的桥.但是诸葛亮把所有炸弹都带走了,只留下 ...