anaconda中配置python以及tensflow
创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
Python内容推荐
为电脑配置GPU加速(win10+python3.6+tensorflow-gpu1.12.0)
本教程基于win10系统,所用到的工具为Anaconda3,PyCharm 你需要已经安装好以上工具,具体操作略。 首先确定你的显卡是否支持gpu加速,可在nvidia官网查看是否有你的显卡所对应的算力,如图。 为了不影响其他的工作环境,本教程创建anaconda虚拟python环境,打开Anaconda Prompt,输入指令 conda create -n your_env_name python==3.6 待安装完成后,输入指令 conda env list conda会罗列出所有你所创建的环境,如图 输入如下指令,进入conda虚拟python环境,接下来的所有操作都在此虚拟环
spec-kit(Python)
「spec-kit(Python)」是开发工具/插件(Python)。项目简介: Toolkit to help you get started with Spec-Driven Development可直接使用,适合日常开发提效与学习借鉴。
MathModelAgent(Python)
「MathModelAgent(Python)」是开源项目(Python)。项目简介:专为数学建模设计的 Agent & skills ,自动完成数学建模,生成一份完整的可以直接提交的论文。 An Agent Designed for Mathematical Modeling ,Automatically complete mathmodel and generate a complete paper ready for submission.源码完整,下载解压即可查看使用,适合学习参考、课程设计与二次开发。
win10系统Anaconda和Pycharm的Tensorflow2.0之CPU和GPU版本安装教程
主要介绍了win10系统 Anaconda 和 Pycharm 的 Tensorflow2.0 之 CPU和 GPU 版本安装教程,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
Windows上安装tensorflow 详细教程(图文详解)
主要介绍了Windows上安装TENSORFLOW 详细教程,本文通过图文并茂的形式给大家介绍的非常详细,具有一定的参考借鉴价值,需要的朋友可以参考下
手把手教你安装Windows版本的Tensorflow
一:安装Anaconda和Tensorflow 步骤: 1:从官方网站下载Anaconda https://www.anaconda.com/download/ 注意自己电脑版本是32位还是64位。 2:进行软件安装(这个和普通的没什么特别区别) 3:安装完成Anaconda之后进行环境变量的测试 进入到windows中的命令模式: (1)检测anaconda环境是否安装成功:conda –version (2)检测目前安装了哪些环境变量:conda info –envs (3)对于Anaconda中安装一个内置的python版本解析器(其实就是python的版本)
linux离线环境配置tensorflow2_CPU版本.pdf
本文就主要记录了一下linux离线环境配置tf2的过程,坑不多,主要自己记录一下,也希望别人可以方便一点。 和window一样,首先在其他电脑上下载各关联库的安装包下来,然后拷贝到需要配置的机器上。
opencv_tensorflow
opencv与TensorFlow相结合的视频学习资料,一共9套视频,基于python语言,在anaconda平台中,CNN神经网络机器学习,源码课件都在
Windows10下手动安装CUDA10.1并在Anaconda 以及pycharm 中搭建TensroFlow2.1.0环境
在线安装CUDA接连失败的同学,初入人工智能、深度学习的小白
解决Keras 与 Tensorflow 版本之间的兼容性问题
在利用Keras进行实验的时候,后端为Tensorflow,出现了以下问题: 1. 服务器端激活Anaconda环境跑程序时,实验结果很差。 环境:tensorflow 1.4.0,keras 2.1.5 2. 服务器端未激活Anaconda环境跑程序时,实验结果回到正常值。 环境:tensorflow 1.7.0,keras 2.0.8 3. 自己PC端跑相同程序时,实验结果回到正常值。 环境:tensorflow 1.6.0,keras 2.1.5 怀疑实验结果的异常性是由于Keras和Tensorflow版本之间的兼容性导致的。查阅网上资料,借鉴他人的经验,将服务器端的Anaconda环
在tensorflow中设置使用某一块GPU、多GPU、CPU的操作
tensorflow下设置使用某一块GPU(从0开始编号): import os os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID" os.environ["CUDA_VISIBLE_DEVICES"] = "1" 多GPU: num_gpus = 4 for i in range(num_gpus): with tf.device('/gpu:%d',%i): 。。。 只是用cpu的情况 with tf.device("/cpu:0"): 以上这篇在tensorflow中设置使用某一块GPU、多GPU、CPU的操作就是小编分享给大
流数据概念漂移的检测边界与自适应学习.zip
数据流挖掘处理动态变化数据环境,概念漂移(数据生成分布随时间变化)是导致在线学习性能退化的根本原因。如何快速检测概念漂移并自适应恢复模型性能是核心难题。现有检测方法(DDM、ADWIN等)依赖启发式阈值,缺乏灵敏度边界刻画与误报率控制保证;自适应学习缺少收敛性证明。为此,本文建立漂移检测统计理论框架,提出检测与自适应学习统一算法DADE。第一,将漂移检测形式化为在线假设检验问题,建立检测准则(控制误报率同时最小化检测延迟),给出检测边界定理:期望检测延迟下界与漂移幅度平方成反比、与误报约束对数成正比,CUSUM类检测器达到该下界;第二,提出DADE算法,由漂移感知检测器与自适应学习模块(学习率随置信度调整、漂移后放大重学习)构成,证明平稳段在线误差以指数速率收敛到稳态误差邻域,并给出误报率控制定理;第三,实现含五大模块的完整系统,在合成漂移数据与ELEC2业务流上实验。结果:均值漂移幅度1.0、误报约束0.01下,DADE平均检测延迟28.4步、误报率0.8%,优于DDM(31.2/2.3%)、ADWIN(42.6/1.2%)、Page-Hinkley(35.1/1.5%)、EWMA(38.4/1.8%);灵敏度扫描验证延迟随漂移幅度平方成反比衰减;漂移后35步内在线误差从0.31收敛至0.118,收敛速度约为静态学习率1.7倍;ELEC2上在线精度82.3%、误报率1.1%,优于全部基线。三类实验证据验证了理论框架的正确性与DADE的有效性,为动态场景在线学习提供可证明依据。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
无极CDR插件安装包v1.0.4最新官方原版
功能众多 ,一键安装 上手容易,使用简单
3p2z-1222222222222
3p2z-1222222222222
Elasticsearch测试数据,3160商品数据
代码转载自:https://pan.quark.cn/s/a4b39357ea24 用于Elasticsearch的测试数据集,包含了共计3160条的商品记录 数据传输指令:执行curl命令以POST方式向localhost:9200/pditems/_bulk发送请求,需附带Content-Type为application/json的头部信息,并附加pditems.json文件的内容作为数据体
2026年最新泉州市公交站点矢量数据.zip
数据格式:shp 数据坐标:GCJ02 数据更新时间:2026年9月 公交线路来源:8684网站 https://8684.com.cn/ 站点数据来源:高德API接口 数据打开方式:QGIS或Arcgis 站点数据字段:名称、序号、对应线路、几何信息 线路数据字段:名称、类型、起点、终点、开始时间、结束时间、起步价、全价、长度、公司、几何信息
无功优化基于多目标差分进化算法的含DG配电网无功优化模型【IEEE33节点】(Matlab代码实现)
内容概要:本文提出了一种基于多目标差分进化算法的含分布式电源(DG)的配电网无功优化模型,并以IEEE33节点标准系统作为仿真平台进行验证。该模型综合考虑了电网有功损耗最小化与节点电压偏差最小化等多个优化目标,构建了一个多目标优化问题,通过多目标差分进化算法(MODE)实现对无功补偿装置出力、变压器分接头位置以及DG无功输出的协同优化调控。文中详细阐述了模型的数学建模过程、算法的设计与实现流程,并给出了在IEEE33节点系统上的仿真结果,验证了所提方法在降低网络损耗、改善电压质量方面的有效性和优越性。; 适合人群:电气工程、电力系统及其自动化、智能电网等相关领域的高校研究生、科研人员以及从事电力系统运行与优化工作的工程技术人员。; 使用场景及目标:①应用于含分布式电源接入的配电网无功优化问题研究与工程实践;②为多目标优化问题提供一种基于差分进化算法的有效求解方案;③服务于电力系统优化类课程的教学演示与科研训练。; 阅读建议:建议读者在学习过程中重点关注多目标优化模型的构建逻辑与差分进化算法的具体实现细节,结合提供的Matlab代码进行仿真实验,深入理解算法参数设置对Pareto前沿分布的影响,并尝试将该方法迁移应用于其他类似的电力系统优化问题中。
CSDN首页
发布文章
CSDN同步助手
【SCI一区复现】基于配电网韧性提升的应急移动电源预配置和动态调度(上)-MPS预配置(Matlab代码实现)
55 100
摘要:会在推荐、列表等
内容概要:本文系统阐述了基于矩约束的最大熵方法在扩展不确定度评估中的理论与应用,提出了一种利用样本数据的高阶矩(如均值、方差、偏度、峰度)作为约束条件,通过最大熵原理重建最可能概率分布的技术路径。该方法克服了传统评估中强制假设正态分布所带来的偏差,尤其适用于非对称、重尾或非高斯的实际工程场景,显著提升了不确定度评定的准确性与客观性。文中详细推导了最大熵分布的数学形式,介绍了基于拉格朗日乘子法的求解过程,并给出了完整的Matlab代码实现流程,涵盖数值优化、分布拟合与置信区间计算等关键环节,确保方法的可复现性和工程实用性。; 适合人群:具备概率统计、数值分析基础,从事测量科学、实验数据分析、质量控制、可靠性工程及计量技术等相关领域的科研人员、工程师和技术开发者。; 使用场景及目标:①在缺乏先验分布信息时,依据有限样本矩推断最合理的概率分布形态;②替代传统正态假设方法,提升非标准分布场景下扩展不确定度的评估精度;③应用于精密测量、工业检测、传感器校准、模型验证等对不确定性量化要求较高的领域,增强结果的科学性与可信度。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法实现细节,重点关注熵最大化模型的构建逻辑与数值求解稳定性问题,可通过实际测量数据进行复现实验,对比不同矩阶数组合对分布重建效果的影响,从而掌握该方法的适用边界与优化策略。
2011-2024年 绿色数字中心、数据中心、机架数量、企业持有IDC许可证数量统计数据 xlsx.rar
参考顶刊《中国工业经济》中许诺等(2025)就对算力部署展开了研究,利用python爬虫技术从国家工业和信息化部政务服务平台抓取了拥有互联网数据中心(IDC)许可证的企业名单,并结合上市公司母公司、子公司以及联营公司名单进行了标注,最终获得10287家企业拥有IDC,其中有573家上市公司。统计各地区2011至2024年度区间范围绿色数字中心、数据中心、机架数量和区域内企业持有IDC许可证的数量。 [1]许诺,毛聚,毛新述,等.算力部署、数据跨域流动与企业全要素生产率——来自智算中心的证据[J/OL].中国工业经济,2025,(04):61-79[2025-05-15]. 数据包括原始数据、统计结果文件。原始数据来自国家工业和信息化部政务服务平台、《全国数据中心应用发展指引》、各省政府官网发布、工信部蓝皮书等 指标 省份 年份 数据中心机架数量(单位:万) 区域内企业持有的IDC许可证数量
2008-2025年 上市公司绿色转型程度 原始、结果数据和代码文献
从环境绩效、经济绩效和绿色创新绩效这三个方面综合表征企业绿色转型程度。环境绩效从信息披露、工作奖惩、公益组织和污染防治这4个层次,选取8个细化指标进行赋值得分后加总,然后再归一化处理;经济绩效采用公司净资产收益率;绿色创新绩效采用的是公司绿色发明专利申请量,对其加一后取自然对数。 文件包括原始数据、do文件、测算结果、参考文献。 [1] 李金昌, 连港慧, 徐蔼婷. “双碳”愿景下企业绿色转型的破局之道——数字化驱动绿色化的实证研究[J]. 数量经济技术经济研究, 2023, 40 (09): 27-49. [2] 吴以, 程翠红, 杨夏妮. 政府补助对制造业绿色转型的影响研究[J]. 中国市场, 2026, (05): 5-8. 02、数据指标 年份 证券代码 证券简称 是否通过ISO14001认证 是否披露社会责任报告 是否受到环保表彰 是否受到环保处罚 环保公益活动 “三废”污染物的治理情况 清洁生产实施情况 节约能源实施情况 环境绩效 环境绩效(归一化) 净资产收益率(ROE) 绿色发明专利申请量 ln(绿色发明专利申请量+1)
最新推荐






