conda

安装Anaconda 从 清华大学开源软件镜像站 选择合适自己的版本 wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-5.2.0-Linux-x86_64.sh chmod u+x Anaconda3-5.2.0-Linux-x86_64.sh bash Anaconda3-5.2.0-Linux-x86_64.sh Please, press ENTER to continue >>> 点回车 =================================== Anaconda End User License Agreement =================================== 点q退出 Do you accept the license terms? [yes|no] 输入yes Anaconda3 will now be installed into this location: /home/zhangxiao/anaconda3 - Press ENTER to confirm the location - Press CTRL-C to abort the installation - Or specify a different location

有时候，为了使用比较干净的开发环境，或者为了测试一些版本的扩展库，我们可能需要创建虚拟开发环境，在不同的虚拟开发环境中，只安装需要的扩展库，这样可以最大程度上减少不同扩展库之间的兼容性带来的冲突或其他问题。 Anaconda3目前已经成为Python社区人见人爱的一套软件，提供的Jupyter Notebook和Spyder更是让人无法拒绝的Python开发环境，尤其是数据分析和科学计算与可视化领域的科研人员和工程师，更是必备的IDE之一。 为了能够正常使用Anaconda3创建虚拟开发环境，首先最好保证在安装Anaconda3时已经勾选“添加环境变量”，如果没有的话，安装完成Anaconda3之后可以手动添加和配置环境变量。本文以Win10 64位为例，首先打开资源管理器，右键单击“此电脑”，在弹出的菜单中单击“属性”，在弹出的窗口中单击“高级系统设置”，如下图 在弹出的窗口中单击“环境变量”，弹出下面的窗口 在上面的窗口中双击“Path”，弹出下面的窗口，如果没有红色矩形内的几个路径，就单击右侧的“新建”添加新的路径，让Path变量包含下图中红框内的几个路径。 接下来，进入命令提示符cmd环境，执行命令conda create -n pythonTensorflow python=3.5创建一个基于Python 3.5的虚拟开发环境，如下图 然后再执行命令conda

　　由于实验需要，最近获得了一个实验室服务器的账号，平常主要通过 ssh 进行远程登陆进行实验。一方面，远程登录的机器只提供终端界面，一般只通过命令行进行任务操作；另一方面，由于是多人共享服务器，故而个人账号并不具备 root 权限，平时在个人主机上肆无忌惮 sudo 进行操作以及大不了重装的做法显然不太合适。目前遇到的一个问题就是由于缺少 root 权限，无法直接通过包管理工具进行某些软件的安装。这里主要记录的是通过源代码编译的方式在远程登陆的主机上安装所需的如 GNU M4、autoconf、automake 等程序的方法。 0.简介 　　在个人主机上安装程序时，用户可以使用 apt install xxx 命令安装所需要的软件工具( 需要 root 权限，个人用户一般用 sudo 指令即可)，且包管理工具会自动为用户配置好当前待安装的软件所需要的依赖软件，使用起来较为方便和简洁。新安装的可执行文件一般存放在目录 /usr/bin 中( distribution发布者提供的软件 )，而用户自行下载编译安装的软件一般位于 /usr/local/bin ( 非distribution默认提供者提供的软件 )目录下，这些软件相应的头文件等数据则存放在 /usr/include 和 /usr/local/include 文件夹下。由于上述目录位于每个用户的环境变量 PATH 中

1、什么是jupyter notebook 　 jupyter notebook是一种 Web 应用，能让用户将说明文本、数学方程、代码和可视化内容全部组合到一个易于共享的文档中。它可以直接在代码旁写出叙述性文档，而不是另外编写单独的文档。也就是它可以能将代码、文档等这一切集中到一处，让用户一目了然。 Jupyter这个名字是它要服务的三种语言的缩写：Julia，PYThon和R，这个名字与“木星（jupiter）”谐音。Jupyter Notebook 已迅速成为数据分析，机器学习的必备工具。因为它可以让数据分析师集中精力向用户解释整个分析过程。我们可以通过Jupyter notebook写出了我们的学习笔记。 2、jupyter notebook安装 　　对于新手，这里强力推荐使用 安装Anaconda 进行jupyter安装。Anaconda则是一个打包的集合，里面预装好了conda、某个版本的python、众多packages、科学计算工具等等，所以也称为Python的一种发行版。可方便地安装Python，Jupyter Notebook以及用于科学计算和数据科学的其他常用软件包。 安装如下： 安装步骤： 1、官网下载 Anaconda 。建议下载Anaconda的最新Python 3版本。 2、按照安装说明一步步安装即可。 值得注意的是，安装步骤中有一个地方需要确认： 　

环境这种问题确实玄学 好多时候都是碰碰运气，以后经量把这些过程记录下来 再使用的时候就不用再到处找了 1.Anaconda是什么？ 简单来说，Anaconda是Python的包管理器和环境管理器。先来解决一个初学者都会问的问题：我已经安装了Python，那么为什么还需要Anaconda呢？原因有以下几点： （1）Anaconda附带了一大批常用数据科学包，它附带了conda、Python和 150 多个科学包及其依赖项。因此你可以用Anaconda立即开始处理数据。 （2）管理包。Anaconda 是在 conda（一个包管理器和环境管理器）上发展出来的。在数据分析中，你会用到很多第三方的包，而conda（包管理器）可以很好的帮助你在计算机上安装和管理这些包，包括安装、卸载和更新包。 （3）管理环境。为什么需要管理环境呢？比如你在A项目中用到了Python2，而新的项目要求使用Python3，而同时安装两个Python版本可能会造成许多混乱和错误。这时候conda就可以帮助你为不同的项目建立不同的运行环境。还有很多项目使用的包版本不同，比如不同的pandas版本，不可能同时安装两个pandas版本。你要做的应该是在项目对应的环境中创建对应的pandas版本。这时候conda就可以帮你做到。 总结：Anaconda解决了官方Python的两大痛点： （1）提供了包管理功能

转载请注明： 仰望高端玩家的小清新 http://www.cnblogs.com/luruiyuan/ 如何解决pytorch 编译时CUDA版本与运行时CUDA版本不对应 如果pytorch的编译时CUDA版本和运行时CUDA版本不一致时，由于不同的 nvcc 编译器会生成不同的动态函数代码，由此会导致自己编写的 CUDA 函数无法正确运行。 常见的错误有： undefined symbol: __cudaRegisterFatBinaryEnd （运行时为CUDA10.1，编译时CUDA版本<10.1） undefined symbol: __cudaPopCallConfiguration （运行时为CUDA10.0，编译时CUDA<10.0） 等 由此思路有2个： 1. 重新编译 pytorch 使得编译时CUDA能够与运行时CUDA保持一致 2. 重新安装CUDA使得其与pytorch编译的版本一致。 服务器涉及多用户，因此采用了方案一避免引入其他问题： 具体的细节可以见我再github的讨论： issue 重新编译安装pytorch的脚本整理如下： pip uninstall pytorch # conda uninstall pytorch, if you use conda nvcc - V # 查看 nvcc 版本 sudo rm -f /usr/local