目录前言一、前期准备工作（1）Anaconda的下载（2）PyCharm的下载（3）Github代码下载（4）数据下载二、配置环境（1）环境文件（2）查看训练结果和损失函数（3）在PyCharm中运行与修改三、结果展示 前言本文创作来源于B站上的一个搭建深度学习环境视频，我将从零开始教大家搭建一个基础的深度学习案例环境以及解答本人在搭建时遇到的一系列问题。本文将以Github上的Pix2Pix为
0. 介绍之前的博客中简单讲到了gprmax3.0安装使用过程中的一些问题（点此进入），pycharm运行gprmax能避免cmd操作中反复复制粘贴的过程，便于模拟，对仿真数据量较大时特别有用，尤其是机器学习、深度学习所需大量数据的仿真，这篇博客主要介绍如何在pycharm中配置gprmax以及其使用方法欢迎交流：1593458764@.com特别说明：由于本人最近闲暇时间太少，不再提供免费安
转载
2024-03-15 11:31:53
548阅读
Anaconda + PyCharm + PyTorch（GPU） + 虚拟环境声明一、安装 Anaconda二、安装 PyCharm三、创建 虚拟环境 并 安装 PyTorch四、关联 虚拟环境五、致谢 声明感谢 姜小敏 同学对我的支持、鼓励和鞭策！一、安装 Anaconda进入 Anaconda 下载界面 ，单击 Download 下载。下载好之后，进行 安装 。安装路径 全英文 。不勾选
转载
2024-04-26 15:19:43
846阅读
在PyCharm中使用PyTorch的过程
当我们准备在PyCharm环境中使用PyTorch进行深度学习项目时，通常面临一系列挑战，这些挑战不仅影响我们的工作效率，还可能导致项目进度延误。本文将详细记录解决“PyCharm里怎么用PyTorch”这一问题的全过程，包括背景、现象、根因、解决方案、验证和预防优化。
### 问题背景
在数据科学和人工智能（AI）领域，PyTorch已经成为深度
Windows下在pycharm中的tensorflow和cuda安装教程需要安装的软件：1、CUDA Toolkit： CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。（只有安装cuda才能让显卡支持tensorflow的运行） 2、cuDNN：是NVIDIA打造
转载
2024-05-06 20:45:12
179阅读
0、前言 Pycharm 作为一款针对 Python 的编辑器，配置简单、功能强大、使用起来省时省心，对初学者友好，这也是为什么编程教室一直推荐新手使用 Pycharm 的原因。 本文我们将介绍 pycharm 编辑器的基本使用方法，主要包括以下几个方面：下载安装新建项目流程配置 Pycharm
转载
2023-10-26 12:46:31
59阅读
目录 Pycharm版本分布为什么我的Pycharm不能新建flask项目应该选择什么样的Python解释器环境如何修改颜色方案如何修改字体如何关闭那些烦人的代码提示/语法风格检测/波浪线如何安装package为什么安装package很慢如何格式化代码如何创建一个自己的package这些自动补全你知道吗? Pycharm版本分布pycharm-professional专业版: 试用30天,收
转载
2024-08-22 12:38:54
94阅读
# 如何在 PyCharm 中直接使用 PyTorch
PyTorch 是一个广泛使用的深度学习框架，它因其直观的界面和强大的功能而受到开发者们的青睐。在 PyCharm 中使用 PyTorch 不是一项复杂的任务，以下是一个完整的指南，带有示例代码，帮助你在 PyCharm 中顺利配置和使用 PyTorch。
## 一、设置 PyCharm 环境
### 1. 安装 PyCharm
首先
写在前面的注意事项！记得在每次搞新项目的时候先配置一个pytorch环境，或者复制已有的环境conda create -n 新环境名 --clone 旧环境名之后可以 conda list一下（或者conda env list，查看是否新建成功），看看新环境的配置怎么样~首先，如果想使用GPU版本的pytorch，那就先判断自己电脑是否有NVIDIA（英伟达），有的话才能实现之后的GPU
转载
2024-03-08 09:28:14
5306阅读
# 在Docker中使用PyCharm的详细指南
如果你是一名刚入行的开发者，可能会对于如何将Docker与PyCharm结合使用感到困惑。在这篇文章中，我们将详细讲解整个流程，并逐步指导你如何实现这一目标。通过理解每一步，你将能够在Docker容器中运行Python代码，并使用PyCharm进行开发。
## 整体流程概览
以下是将Docker与PyCharm结合使用的步骤概览：
| 步骤
为方便日常的深度学习模型开发与测试，在自己笔记本上搭建一个深度学习的基础环境，便于学习AI使用。本人使用的笔记本配置是CPU为8代i5，显卡为GTX1060，内存为8G，基本上可满足日常的AI研究与学习。下面将介绍基础环境的搭建配置过程：
1、安装Ubuntu 18.04 （1）安装操作系统 从Ubuntu官网上下载最新的Ubuntu 18.04 LTS
转载
2024-07-24 10:14:56
403阅读
windows 10 下面安装tensorflow gpu版本和pycharm中使用
windows10 下面安装tensorflow-gpu很容易，但是在pycharm中使用可能会遇到些问题，这里记录下。1、首先需要安装anaconda，去官网下载对应的exe即可，按照默认安装，这个基本上没有什么影响。anaconda安装好在进行下面的步骤，这里ana
转载
2024-05-06 12:13:51
33阅读
说明：第一次接触GPU服务器，从GUP的环境配置到连接pycharm,最后跑通代码。这其中必然踩了坑，饶了路。希望此博客能让跟我一样的小白，少踩雷，少绕路。GPU服务器的环境配置安装xshell、xftp软件下载官网 跳转到免费下载链接-> xshell：配置环境用 xftp： 本地和服务器文件上传下载用打开Xshell，点击左上角“新建”.输入用户名和密码，如果是购买的云服务器，打开云服务
转载
2024-08-30 23:19:41
97阅读
前言：ChatGLM2与ChatGLM3区别ChatGLM2与ChatGLM3模型架构是完全一致的，ChatGLM与后继者结构不同。可见ChatGLM3相对于ChatGLM2没有模型架构上的改进。相对于ChatGLM，ChatGLM2、ChatGLM3模型上的变化：词表的大小从ChatGLM的150528缩小为65024 （一个直观的体验是ChatGLM2、3加载比ChatGLM快不少）位置编码从
转载
2024-08-27 21:05:28
115阅读
1,PYTORCH对应它的GPU，tensorflo对应它的GPU，还是可以共用GPU各自对应各自的GPU2,多个CUDA和cuDNN可以在一个电脑上共存吗？可以，查看如下链接：windows下同一个显卡配置多个CUDA工具包以及它们之间的切换_MIss-Y的博客cuda 工具包3，虚拟环境中可以使用GPU吗？如何使用在开始配置GPU环境开始之前，确保安装好了Anaconda，pycharmAna
转载
2023-10-08 15:43:28
21阅读
Pycharm社区版2021.1.2社区版导入包1.路径File菜单下的Settings……菜单打开菜单如下：Appearance是界面风格设置，这默认是Darcula，灰色主色调。2.添加引用包点击左边的Project：PythonProject项目，默认名称是这个。点击加号，弹出新窗口：输入需要导入的包，比如Numpy：里面具有很多包含这个名字的包，选择numpy包，点击Install Pac
转载
2023-09-06 10:12:19
108阅读
目录环境介绍基本示例简单尝试子图颜色、标记、线性刻度，坐标轴，注释图片的保存环境介绍IDE是PyCharm专业版，社区版好像不支持图形可视化（不确定）。库是matplotlib、numpy、pandas。基本示例简单尝试#导入matplotil库，用于画图
import matplotlib.pyplot as plt
#导入numpy库，用于数据处理
import numpy as np
#画图
转载
2023-12-12 17:08:16
838阅读
1、查看使用库源码经常听人说，多看源码。源码不仅能帮我们搞清楚运行机制，还能学习优秀的库或者框架的最佳实践。调用库时，你可以在你好奇的几乎任何地方点击 Command+B，就可以很方便的跳转到源码里的类，方法，函数，变量的定义。 操作如下：2、让你的代码 PEP8写 Python 代码时，你会严格遵守 pep8 规范么？还是要遵守的，不然代码传到 github 或者知乎上被人怼
转载
2023-11-01 16:03:38
59阅读
前言： 断言是写自动化测试脚本最重要的一步，一个用例没有断言，就失去了自动化测试的意义了。 什么是断言呢？简单来讲就是实际结果和期望结果去对比，符合预期那就是测试pass，不符合预期那就测试failed-assertpytest允许你使用标准python断言来验证Python测试中的期望和实际计算值。例如你可以写下：def f():
return 3
def test_fu
转载
2024-10-12 16:00:08
78阅读
由于基于tensorflow的神经网络在CPU上运行速度太慢，在GPU上运行速度会快很多，但是tensorflow在GPU上运行配置比较麻烦，网上的很多教程和自己使用的版本不搭配，所以针对这个情况自己做一个总结，给大家提供参考和交流。之所以说是最简单的方式，只是在配置tensorflow这一步上简单很多，在cpu与gpu上运行操作一样，亲测有效，网上也没有太多的教程，所以分享一下经验。一、anac
