在使用TensorFlow进行目标检测时,首先需要下载tensorflow object detection API模型,该模型的下载地址为https://github.com/tensorflow/models. 其次需要完成准备工作包括: 1)获取protobuf 由于Object Detection API是使用protobufs来配置模型和训练参数,这些文件以".proto"的扩展名放在models\research\object_detection\protos下.在使用框架

Spark学习笔记2 配置spark所需环境 1.首先先把本地的maven的压缩包解压到本地文件夹中,安装好本地的maven客户端程序,版本没有什么要求 不需要最新版的maven客户端. 解压完成之后在解压好的maven客户端的文件夹内打开conf文件夹,修改里面的settings.xml文件 然后只需要修改这一行就可以了 ,把这一行替换成你自己本地的maven仓库的路径 最好是自己有一个完整点的maven仓库,然后把这个修改过的xml文件放到maven仓库下 到这里,你本地的maven客户端环

一.LEP所需环境 Python 3.6 Flask Docker 二.Python安装 LEP必须在Python3.6环境下运行,如果是在Python2.7下运行会报以下错误! Python3.6的安装方法 # wget https://www.python.org/ftp/python/3.6.2/Python-3.6.2.tar.xz # tar -xvf Python-3.6.2.tar.xz # cd Python-3.6.2 # ./configure # make # make i

我是在搭建TensorFlow开发环境的道路上走了很多弯路 掉了很多头发,为了让广大同学们不在受苦受累 下面我将手把手教你学习如特快速搭建python环境 快速导入numpy,PIL,pillow,等等科学计算包 这大概需要两个小时,一次性解决你的所有问题. 记住我的名字,我是行百里,这个博客期待你的光临 欢迎评论,留言 经过我的比较,综合考虑使用pycharm这个集成的IDE将极大的提高效率 减少失误,易于代码的发布,总之,这个IDE我很喜欢.使用pycharm 配合anaconda中的con

1.开发环境搭建 ①.安装Anaconda 建议选择 Anaconda3-5.0.1 版本,已经集成大多数库,并将其作为默认python版本(3.6.3),配置好环境变量(Anaconda安装则已经配好).也可以直接安装python,安装各种包比较麻烦,因此直接装了Anaconda集成环境. 安装完Anaconda后,打开Anaconda Prompt,逐个输入conda --version和python --version,出现下图所示内容则安装成功. ②.安装TensorFlow 如果是初学

我们已经装好了nginx,现在我们开始装mysql和php 我们同样使用yum来安装. 先安装MySQL软件(客户端.服务器端.依赖库) yum install -y mysql mysql-server mysql-devel 然后设置自启动,报错 正确的安装方法以及错误原因参考这里 好了,到这里我们就安装好mysql了,下面我们开始安装php. 详细安装参考我的另一篇文章:Centos 6/ 7下通过yum安装php7环境 也可以参考另外一篇文章:yum安装新版php7.0 后来更新了,也可

首先你需要有一台linux服务器,或者虚拟机,这里就不赘述了,不会的可以自行百度. 我这里准备的是一台腾讯云服务器,系统为CentOS 7.4 64位. 你可以使用腾讯云的登录按钮登录到服务器,也可以选择使用其他工具,这里我使用xshell. 打开laravel中文文档->安装配置,我们看到如下一段话: 现在我们服务器上什么都没有,好的,现在我们开始搭建所需的环境, 之前写过一篇CentOS 6下搭建LAMP环境需要的可以参考一下. 先安装nginx的yum源 rpm -ivh http://n

[软件环境搭建] 操作系统:windows 10 64位 内存:8G CPU:I7-6700 Tensorflow: 1.4 Python:3.5 Anaconda3 (64-bit) 以上环境搭建请自行到百度查阅教程. [API环境搭建] 1.下载Tensorflow object detection API 下载地址:https://github.com/tensorflow/models 由于Github有时会下载失败,小编特地上传了API至百度云盘供大家下载:https://pan.ba

背景:最新版的Tensoflow已经支持Python3.6 首先,下载并安装Anaconda3 内置Python3.6的版本 https://www.continuum.io/downloads 安装时不要修改它的推荐选项 接着下载并安装CUDA 8.0 https://developer.nvidia.com/cuda-downloads 然后下载并安装cuDNN 5.1(官方推荐版本,最新版不保证能使用)  链接: http://pan.baidu.com/s/1jHK0EFW 密码: ai

配置环境anaconda3+windows10+pycharm+python==3.5.2+tensorflow==1.1.4+cuda10.0+cudnn7 https://www.anaconda.com/distribution/安装anaconda3,网上的安装资料很多,安装最好要加入环境变量 自己写博客给自己看,加深理解,现在在实习23333333 虚拟环境的理解 我对于虚拟环境的理解,就是独立于本地在特定路径下重新安装语言环境,这个虚拟环境可以通用,linux配置的虚拟环境也可以在w

好的,我们已经安装好了nginx+mysql+php了,打开[ Laravel 5.5 文档 ] 快速入门 —— 安装配置篇 我们看到这里需要安装Composer,好的,我们现在就来安装Composer 老规矩,我们先打开终端 好的,我们开始来安装Composer,打开Composer中文网,往下拉,大概在中间的位置 看到上面的三条命令了吗?如果你之前是跟我一样安装的,那直接依次执行下面三条命令 php -r "copy('https://install.phpcomposer.com/inst

一.使用yum安装git 1.查看系统是否已经安装git git --version 2.yum 安装git yum install git 3.安装成功 git --version 4.进入指定目录 cd /root/CNN 5.将代码库拷贝到指定目录下 git clone https://github.com/nfmcclure/tensorflow_cookbook.git

1.解决jupyter notebook问题:socket.error: [Errno 99] Cannot assign requested address 首先要生成一个jupyter的配置文件: jupyter notebook --generate-config #生成的config file在/root/.jupyter/jupyter_notebook_config.py 最后如下配置即可: c.NotebookApp.ip = '******' 其中'******'有以下规律: 1

在学习了一段时间台大李宏毅关于deep learning的课程,以及一些其他机器学习的书之后,终于打算开始动手进行一些实践了. 感觉保完研之后散养状态下,学习效率太低了,于是便想白天学习,晚上对白天学习的知识做一些总结和记录,如果有不妥的地方,欢迎大家批评指教,共同进步. 一.深度学习框架的选择 随着深度学习日趋火热,技术的逐渐兴起,各种深度学习框架也层出不穷. 目前使用普遍的框架有Tensorflow.Caffe.PyTorch.Theano.CNTK等,那么在这么多框架中该如何选择呢? 笔者

这篇文章详细介绍在centOS7.5上搭建基于keras/tensorflow的深度学习环境,该环境可用于实际生产.本人现在非常熟练linux(Ubuntu/centOS/openSUSE).windows上该环境的搭建 :) 前面三篇博客代码实现均基于该环境(开发或者测试过): [AI开发]Python+Tensorflow打造自己的计算机视觉API服务 [AI开发]基于深度学习的视频多目标跟踪实现 [AI开发]视频多目标跟踪高级版 运行环境 1) centOS 7.5 ,不要安装GUI桌面:

目的是在pycharm中调试nmt代码,主要做了如下工作: 配置pycharm编译环境 在File->Settings->Project->Project Interpreter 设置TensorFlow所在的python环境 新建程序主代码 在nmt文件夹之外新建了nmt_main.py代码,copy nmt.py的程序入口代码到其中.如下: from nmt.nmt import * FLAGS = None root_dir = 'D:/tensorflow/nmt-master'

在学习了一段时间台大李宏毅关于deep learning的课程,以及一些其他机器学习的书之后,终于打算开始动手进行一些实践了. 感觉保完研之后散养状态下,学习效率太低了,于是便想白天学习,晚上对白天学习的知识做一些总结和记录,如果有不妥的地方,欢迎大家批评指教,共同进步. 一.深度学习框架的选择 随着深度学习日趋火热,技术的逐渐兴起,各种深度学习框架也层出不穷. 目前使用普遍的框架有Tensorflow.Caffe.PyTorch.Theano.CNTK等,那么在这么多框架中该如何选择呢? 笔者

本节详细说明一下深度学习环境配置,Ubuntu 16.04 + Nvidia GTX 1080 + Python 3.6 + CUDA 9.0 + cuDNN 7.1 + TensorFlow 1.6. Python 3.6 首先安装 Python 3.6,这里使用 Anaconda 3 来安装,下载地址:https://www.anaconda.com/download/#linux,点击 Download 按钮下载即可,这里下载的是 Anaconda 3-5.1 版本,如果下载速度过慢可以选

tensorflow在各种环境下搭建与对比 由于有些训练是要长时间进行训练(几天),才能看出显著的结果,如果只是通过本地的计算机进行训练是不可能的.因此这周花了一些时间调研如何才能让神经网络长时间的进行运行,为以后训练网络提供可靠的运行环境. Tensorflow部署的地方 优点 缺点 本地笔记本CPU版本的tensorflow (1)安装相对本地的GPU版本的tensorflow容易 (2)方便通过本地的IDE比如PyCharm进行代码的调试 (1)相对本地GPU版本的tensorflow运行

本文由@ray 出品,转载请注明出处.  文章链接:http://www.cnblogs.com/wolfray/p/7828903.html 在学习了一段时间台大李宏毅关于deep learning的课程,以及一些其他机器学习的书之后,终于打算开始动手进行一些实践了. 感觉保完研之后散养状态下,学习效率太低了,于是便想白天学习,晚上对白天学习的知识做一些总结和记录,如果有不妥的地方,欢迎大家批评指教,共同进步. 一.深度学习框架的选择 随着深度学习日趋火热,技术的逐渐兴起,各种深度学习框架也层

记录,自用 1.安装Anaconda(这里安装的是python3.6版本) 2.创建tensorflow的conda环境 conda create -n tensorflow python=3.6 3.切换到上一步创建的名为“tensorflow”的python解释器环境 activate tensorflow 4.分别安装tensorflow和keras 版本兼容性参考:https://docs.floydhub.com/guides/environments/ 这里选择TensorFlow