Anaconda

计算机视觉学习之路------你想要的都在这里了 (根据自己的学习进度后期不断更新哟！！！) 一、OpenCV+TensorFlow入门人工智能图像处理基础 1.anaconda一站式环境的搭建（anaconda、tensorflow、opencv） 2.两个问题解答、opencv、tensorflow、numpy、matplotlib的基本使用 3.图像处理之几何变换 二、OpenCV学习 三、TensorFlow学习 四、Numpy学习 五、matplotlib学习 持续更新中。。。。。。 来源： oschina 链接： https://my.oschina.net/u/4280438/blog/4439148

目录 1. 环境搭建 2. 数据集构建 1. xml文件生成需要Labelimg软件 2. VOC2007 数据集格式 3. 创建*.names file, 4. 更新data/coco.data,其中保存的是很多配置信息 5. 更新cfg文件，修改类别相关信息 6. 数据集格式说明 3. 训练模型 4. 测试模型 5. 评估模型 6. 可视化 7. 高级进阶-网络结构更改 1. 环境搭建 将github库download下来。 git clone https://github.com/ultralytics/yolov3.git 建议在linux环境下使用anaconda进行搭建 conda create -n yolov3 python=3.7 安装需要的软件 pip install -r requirements.txt 环境要求： python >= 3.7 pytorch >= 1.1 numpy tqdm opencv-python 其中只需要注意pytorch的安装： 到 https://pytorch.org/ 中根据操作系统，python版本，cuda版本等选择命令即可。 关于深度学习环境搭建请参看： https://www.cnblogs.com/pprp/p/9463974.html anaconda常用用法： https://www.cnblogs.com

Anaconda 虚拟环境安装部署Tensorflow 2.x版本 目录 卸载Tensorflow1.x版本 查询Anaconda 的Tensorflow版本 安装Tensorflow 2.x版本 安装windows插件 Python导入Tensorflow成功 卸载Tensorflow1.x版本 ( 2020 _vir_tensorflow1 ) D : \ 2020_vir_tensorflow1 \ install_whl > pip uninstall tensorflow Uninstalling tensorflow - 来源： oschina 链接： https://my.oschina.net/u/4395239/blog/4333961

Centos 7 中高版本 libstdc++.so.6下载地址（解决报错：version’GLIBCXX_3.4.20’） 2019-8-5 linux 网络运维 14899次访问 很软件在centos下安装时容易提示缺失 libstdc++.so.6: version’GLIBCXX_3.4.20’的问题，比如AWVS Acunetix Web Vulnerability Scanner（简称 AWVS ），或Anaconda。 查看该文件时发现，只到 GLIBCXX_3 .4 . 19 [ root@izwz9czzkx9v1z5d7esa0fz ~ ] # strings /usr/lib64/libstdc++.so.6 |grep GLIBCXX GLIBCXX_3 .4 GLIBCXX_3 .4 . 1 GLIBCXX_3 .4 . 2 GLIBCXX_3 .4 . 3 GLIBCXX_3 .4 . 4 GLIBCXX_3 .4 . 5 GLIBCXX_3 .4 . 6 GLIBCXX_3 .4 . 7 GLIBCXX_3 .4 . 8 GLIBCXX_3 .4 . 9 GLIBCXX_3 .4 . 10 GLIBCXX_3 .4 . 11 GLIBCXX_3 .4 . 12 GLIBCXX_3 .4 . 13 GLIBCXX_3 .4 . 14 GLIBCXX_3

from： docker挂载NVIDIA显卡运行pytorch 写在前面： 　　请参考之前的文章安装好CentOS、NVIDIA相关驱动及软件、docker及加速镜像。 　　主机运行环境 $ uname - a Linux CentOS 3.10 . 0 - 514.26 . 2 .el7.x86_64 # 1 SMP Tue Jul 4 15 : 04 : 05 UTC 2017 x86_64 x86_64 x86_64 GNU/ Linux $ cat /usr/local/cuda/ version.txt CUDA Version 8.0 . 61 $ cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 #define CUDNN_MAJOR 6 #define CUDNN_MINOR 0 #define CUDNN_PATCHLEVEL 21 #define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL) #include " driver_types.h " # NVIDIA 1080ti 一、关于GPU的挂载 1. 在docker运行时指定device挂载 　　先查看一下有哪些相关设备 $ ls -la

1、文件默认存储路径怎么查？ 安装Anaconda后，新建文件的默认存储路径一般在C系统盘，那么路径是什么呢？ 首先，新建一个.ipynb文件， 输入以下脚本，运行出的结果即是当前jupyter文件默认保存路径 import os print (os.path.abspath( ' . ' )) 2、 文件默认存储路径怎么改？ 第一步：找到配置文件 菜单中打开Anaconda Prompt 输入命令 jupyter notebook --generate-config 根据上面运行处的路径打开C:\Users\HS\.jupyter\jupyter_notebook_config.py文件 第二步：更改配置 找到 #c.NotebookApp.notebook_dir = '' ，去掉该行前面的“#”； 在打算存放文件的位置先新建一个文件夹（很重要，最好是英文的） ，然后将新的路径设置在单引号中，保存配置文件 在开始菜单找到“Jupyte Notebook”快捷键，鼠标右击 -- 更多 -- 打开文件位置 找到对应的“Jupyte Notebook”快捷图标，鼠标右击 -- 属性 -- 目标， 去掉后面的 "%USERPROFILE%/"（很重要） ，然后点击“应用”，“确定”　　 重新启动Jupyte Notebook即可 来源： oschina 链接： https://my

返回基础命令目录页 ls命令 用来显示目标列表，在Linux中是使用率较高的命令。ls命令的输出信息可以进行彩色加亮显示，以分区不同类型的文件。 语法 ls （选项）（参数） 常用组合 [1]查看文件详情：ls -l 或 ll [2]增强对文件大小易读性，以人类可读的形式显示文件大小： ls -lh [3]对文件或者目录进行从大到小的排序： ls -lhs [4]查看当前目录下的所有文件或者目录，包括隐藏文件： ls -la [5]只查看当前目录下的目录文件： ls -d . [6]按照时间顺序查看，从上到倒下时间越来越近： ls -ltr [7]查看文件在对应的inode信息：ls -li 实例 -a：显示所有档案及目录（ls内定将档案名或目录名称为“.”的视为影藏，不会列出）； [root@lb02 ~]# ls - a . anaconda -ks.cfg .bash_logout .bashrc .cshrc . ssh .viminfo .. .bash_history .bash_profile bootime.svg .pki .tcshrc -A：显示除影藏文件“.”和“..”以外的所有文件列表； [root@lb02 ~]# ls - A anaconda -ks.cfg .bash_history .bash_logout .bash_profile

目录 ML-Agents（九）Wall Jump 一、前言 二、课程训练（Curriculum Learning） 一个教学示例 具体实现 三、环境与训练参数 四、场景基本构成 五、代码分析 Agent初始化 环境观测值收集 Agent动作反馈 Agent重置 其他 六、训练 训练配置参数 开始训练 七、总结 ML-Agents（九）Wall Jump 一、前言 这次我们来看一下 Wall Jump 示例，这个例子又和我们之前学习的示例不同，它引用了 Curriculum Learning （课程学习）的学习方法，简单来讲就是使用授课学习的方式来训练神经网络，学习的样本从易到难，模拟人类学系的过程。先来看看本示例的最终效果： 由图中可以看到本示例的效果，小蓝需要越过蓝色的墙体到达绿色的目标地点，此外还可以留意到，蓝色的墙体高度是随机变化的：当蓝色的墙体较高时，小蓝推动大白块当梯子才能越过墙体；当蓝色墙体高度较低时，小蓝则可以直接跳跃过去。 因此，在本示例中，小蓝拥有两个训练好的训练模型—— SmallWallJump 和 BigWallJump ，分别对应矮墙（无墙）和高墙情况下的行动。 下面我们先来学习一下官方对于Curriculum Learning的相关文档。 二、课程训练（Curriculum Learning） 这一节内容主要是翻译官方文档 Training with

Linux python3原生虚拟环境部署Hanlp 目录 Linux Anaconda 环境 hanlp JVM 及libstdc++.so.6部署小技巧 Linux Anaconda 环境 Python 及Sudo Python 导包小技巧 Linux+Docker 环境 +Tensorlfow 部署探索 Linux Anaconda环境 部署Tensorflow Linux virtualenv环境 python及HanLP部署 Linux python3 原生虚拟环境部署Hanlp python3 新建虚拟环境 进入python3 虚拟环境 安装hanlp 安装python36-devel开发包 来源： oschina 链接： https://my.oschina.net/u/4374048/blog/4321226

服务器的IP地址和用户名密码 服务器IP地址：47.112.147.126 用户名：root 密码：XXXXXXXXX 一） 开通阿里云后首先查看是否有cuda和cudnn环境 1、查看cuda版本? cat /usr/local/cuda/version.txt 2、查看cudnn版本? cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR ­A 2 3、跑我们的模型代码：看如下这个文件放在哪个目录下 python3.6 ~/pointcloud/pointSIFT­ master/train_and_eval_scannet.py 二）上传数据 1.把模型的zip文件和我们自己的scannet_train.pickle和 scannet_test.pickle文件上传到服务器的根目录： 下面红色部分的路径改为自己的路径 scp ­r /Users/wangzhiqiang/Desktop/pointcloud/pointSIFT­ master.zip root@47.112.98.141:/ 2.也可以用shell和xftp上传速度会比这个快、按下图连接服务器 三）接下来的任务安排： 任务一： 看下模型的输出、就是预测的、点云和label 的数组在哪里（是哪个函数的输 出） == 已确定evaluate_one