安装net-tools sudo apt install net-tools #查看IP ifconfig #ssh服务是否安装 ps -e | grep ssh #安装openssh-server apt-get install openssh-server #卸载原显卡驱动 sudo -s -H sudo apt-get purge nvidia* lspci | grep nouveau ubuntu-drivers devices sudo apt-get update 安装gcc.g+

CentOS7服务器上部署深度/机器学习环境推荐首选anaconda3,亲测~~ 因为可以创建不同的环境版本或虚拟环境 CentOS7服务器安装anaconda3后,CentOS7服务器开启后自动将anaconda3自身的root(或base)环境开启.用Xshell打开CentOS7服务器后,可以看见 (base) WARNING! The remote SSH server rejected X11 forwarding request.Last login: Tue Mar 12 22:1

简介 前置声明:本专栏的所有文章皆为本人学习时所做笔记而整理成篇,转载需授权且需注明文章来源,禁止商业用途,仅供学习交流.(欢迎大家提供宝贵的意见,共同进步) 正文: 机器学习,顾名思义,就是研究计算机如何学习和模拟人类的行为,并根据已学得的知识对该行为进行增强和改进. 举例来说,假设邮箱收到了一封新邮件,通常我们可以通过邮件里是否含有广告.不相关信息以及乱码等特征,人为的来判断这封邮件是否是一封垃圾邮件. 如上述可知,机器学习模拟人类的行为,所以它同样依据这些邮件内容的特征来判断一封邮件是否是

前言 在 linux 下搭建 python 机器学习环境还是比较容易的,考虑到包依赖的问题,最好建立一个虚拟环境作为机器学习工作环境,在建立的虚拟环境中,再安装各种需要的包,主要有以下6个(这是看这个慕课网视频的第一节概述的时候老师讲的,外加一点自己的理解): Numpy:数据结构基础(存储数据集) Scipy:强大的科学计算方法(矩阵分析.信号分析.数理分析--) Matplotlib:丰富的可视化套件(画图用的) Pandas:基础数据分析套件(在Numpy上又封装了一层) Scikit-l

决定撰写机器学习环境配置的主要原因就是因为theano的配置问题,为了能够用上gpu和cudnn加速,我是费劲了力气,因为theano1.0.0在配置方面出现了重大改变,而网上绝大多数都很老,无法解决新版本的问题. 1.安装基于anaconda进行theano安装 conda install theano 2.环境配置 echo "[global] device = cuda floatX = float32" > ~/.theanorc 官网上的floatX默认float32,

很多朋友想学习机器学习,却苦于环境的搭建,这里给出windows上scikit-learn研究开发环境的搭建步骤. Step 1. Python的安装 python有2.x和3.x的版本之分,但是很多好的机器学习python库都不支持3.x,因此,推荐安装2.7版本的python.当前最新的python是2.7.12.链接如下: https://www.python.org/downloads/release/python-2712/ 里面可以看到有32位版和64位版的.如果你的机器是64位版的

刚刚开始学习机器学习,遇到了很多的问题,尤其是搭建环境让我觉得脑袋特别疼.我用的是win8 64位操作系统,硬盘小的可怜.开始我也跟着下载了anaconda,后来发现anaconda一点儿不像说的那么智能.首先就是anaconda的版本,和python更新的版本不是同步的,是要慢一些的,其次anaconda安装和卸载的速度有一些慢,还有就是我开始的时候不知道anaconda和tensorflow版本的对应关系,就导致我按照网上的步骤安装了之后,输入测试程序总是报错.后来放弃了anaconda.安

目录 一.什么是数据分析 1.这里引用网上的定义: 2.数据分析发展与组成 3.特点 二.python数据分析环境及各类常用分析包配置 1.处理的数据类型 2.为什么选择python 三.python数据分析环境安装 1.Ipython 2.Jupyter 3.Anaconda安装器 4.Jupyter与集成开发环境与文本编辑器 三.常用数据分析包 1.NumPy 2.pandas 一.什么是数据分析 1.这里引用网上的定义:        数据分析是指用适当的统计分析方法对收集来的大量数据进行

环境: Debian 8.8 64位, 同样适用 win10 基本步骤: 安装 Python 安装必要的库 测试 一.安装 Python 延续之前的 搭建 Python 环境 选取折中版本 Python 3.4 sudo apt-get install python3 这个时候会遇到一个问题:同时装了Python3和Python2,怎么用pip?默认安装的 pip 对应的是 python 2.7 选用最 简单直接的方案: apt-get purge -y python3-pip apt-get

Nvidia CUDA Toolkit的安装(cuda) PS:特别推荐*.deb的方法,目前已提供离线版的deb文件,该方法比较简单,不需要切换到tty模式,因此不再提供原来的*.run安装方法,这里以CUDA 7.5为例. 一.CUDA Repository 1.1 安装所需依赖包 sudo apt-get install build-essential # basic requirement # sudo apt-get install libprotobuf-dev libleveldb

安装Python3.7.1 此处不再赘述安装过程,作为记录 安装Anaconda3.5.3 Anaconda3-5.3.0-Windows-x86_64.exe 方案1. 可以直接从官网https://www.anaconda.com/distribution/,默认下载最新版本,19年3月27日为python3.7.1版本方案2. 清华镜像https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/,速度快很多,找到对应版本即可 具体安装步骤参考

下载docker镜像 docker pull ubuntu:18.04 进入ubuntu系统命令 docker run -ti ubuntu /bin/bash 正确退出系统方式 先按,ctrl+p 再按,ctrl+q 这样系统就会在后台继续运行 最好不要使用exit或者ctrl+d来退出,这样整个系统就退出了 退出后再进入ubuntu系统 首先用docker ps -a 查找到该CONTAINER ID对应编号(比如:46432b28493c) 进入该系统docker attach 46432

本文配置的环境为redhat6.9+cuda10.0+cudnn7.3.1+anaonda6.7+theano1.0.0+keras2.2.0+jupyter远程,其中cuda的版本为10.0. 第一步:安装cuda前的工作: 1.检验是否安装了gpu $ lspci | grep -i nvidia 2.检验redhat版本 $ uname -m && cat /etc/*release 3.检验完毕后就可以根据版本去Nvidia官网下载cuda了.本次安装的操作系统为redhat6.9

keras一个大坑就是配置文件的问题,网上会给很多的误导,让我走了很多弯路. 1.安装keras2 conda install keras 2.环境配置 echo ‘{ "epsilon": 1e-07, "floatx": "float32", "image_data_format": "channels_last", "backend": "theano" }’&

1.下载Anaconda文件 进入anaconda的官网 选择对应的系统 选择希望下载的版本(本人下载的是Anaconda 5.3 For Linux Installer Python 3.7 version) 2.安装anaconda 执行安装命令 bash Anaconda***.sh 根据安装提示就可以完成安装 3.环境配置 echo 'export PATH="/home/用户名/anaconda3/bin:$PATH"'>> ~/.bashrc 执行命令 sour

在这一模块可以选择(ATLAS,MKL或者OpenBLAS),我这里使用MKL,首先下载并安装英特尔® 数学内核库 Linux* 版MKL,下载链接, 请下载Student版,先申请,然后会立马收到一个邮件(里面有安装序列号),打开照着下载就行了(可以下载离线版或在线安装版,在线版名称为parallel_studio_xe_2016_online.sh).通过在线版可以直接安装. 通过hostID绑定到计算机以后可以直接在电脑上安装(本文直接绑定计算机的ID了).另外还可以获取license f

这里使用脚本安装 一些教程里使用cmake 安装,很容易出错的 使用github上的安装脚本,自动化安装 参考链接 Ubuntu $ cd Ubuntu/2.4 $ chmod +x * # 如果要安装指定版本的opencv可以运行其他脚本,如下安装opencv2_4_10.sh $ ./opencv2_4_10.sh 另外一个github的安装脚本,安装opencv2_4_11的(没有试过) 试过opencv2_4_11了,脚本安装时出错,目前唯一安装成功的是opencv2-4-10版本,不知

第一部分:Ubuntu14.04安装 Step :安装Ubuntu Step 1.1:准备安装U盘 首先到官网下载Ubuntu的镜像,我使用的是Ubuntu 14.04.3的ISO. 然后使用UltraISO来将镜像刻录到U盘中. Step :启动UltraISO,打开iso镜像 Step :在菜单栏中点击启动选择写入硬盘镜像 Step :格式化U盘,选择usb-HDD+,刻录完成后点击便捷启动写入syslinux引导 经过以上几步,安装U盘准备完毕 Step 1.2 Ubuntu安装 Step

安装步骤 在开始安装之前,我要说明一下,这个Ubuntu18.04系统的安装,使用的连接线(就是服务器和电脑显示器的连接线)必须两头都是VGA连接线,不能使用VGA转HDMI连接线,也不能用DVI转DP连接线(戴尔PowerEdge T630服务器有一个VGA接口,一个HDMI接口,三个DP接口).以下安装成功之后,使用的是VGA通用集显,使用不了独显,需要使用的独显的话,需要改一下BIOS,安装显卡驱动以及把VGA连接线换为VGA转HDMI连接线或者DVI转DP连接线,才能使用独显. 1.首先

1.下载cuDNN 前往: NVIDIA cuDNN home page. 进入下载 勾选Nvidia的协议复选框(流氓的选择,不勾选不能下载) 选择与安装的cuda版本一致的cudnn进行下载. 2.安装cuDNN 解压文件包 $ tar -xzvf cudnn-9.0-linux-x64-v7.tgz 拷贝解压缩的文件 $ sudo cp cuda/include/cudnn.h /usr/local/cuda/include $ sudo cp cuda/lib64/libcudnn* /