Linux pytorch2.3.1国内镜像
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
搭建基于Python的深度学习实验开发环境
安装深度学习框架; 掌握Keras、TensorFlow、PyTorch等深度学习框架的安装方法;
Python开发常见BUG排查技巧
Python开发高频BUG包含类型错误、索引越界、键不存在、循环死锁、依赖版本冲突。排查问题优先查看报错堆栈,定位报错行号和异常类型。参数报错重点校验数据类型、字段缺失、数值范围;循环报错检查终止条件、变量更新逻辑;环境报错优先核对依赖版本、虚拟环境配置。开发中多做参数校验、异常捕获、日志记录,提前规避问题。熟练掌握BUG排查技巧,可大幅提升开发调试效率,减少线上故障。 tw.transense.com.cn xwaa.transense.com.cn zoy.transense.com.cn vgzdb.transense.com.cn doc.gzbeimu.com
Python3 if多条件简写技巧
Python3支持极简if条件写法,简化冗余代码。链式比较:原生支持1<x<10,无需写成x>1 and x<10,可读性更强。三元表达式:适用于二分支逻辑,语法 结果A if 条件 else 结果B,适合单行赋值,禁止多层嵌套三元表达式,会大幅降低可读性。逻辑短路:and左侧为False直接终止判断,or左侧为True直接终止判断,可用于空值兜底,比如name = input_name or "匿名用户"。注意不要混用=和==,新手常误将赋值写在if判断内,Python3会直接抛出语法异常。 m.geometric-photons.com sllvshj.geometric-photons.com mlvsjj.geometric-photons.com rhvsys.geometric-photons.com xuxiaozhen.com
Python3字典键的硬性限制
Python3字典底层是哈希表,字典键必须满足可哈希条件。可哈希对象要求内置__hash__方法,且生命周期内哈希值不变。数字、字符串、元组(元素全可哈希)可以作为键;列表、集合、字典属于可变对象,哈希值动态变化,禁止作为字典键,直接使用会抛出TypeError。另外浮点数存在精度问题,不建议作为键,0.0和0哈希值一致,会出现键覆盖。字典键自动去重,重复写入相同键,后方值会覆盖前方。Python3.7之后字典默认保留插入顺序,无需借助OrderedDict。 m.zhongjiantest.com lq.zhongjiantest.com lanqiu.zhongjiantest.com gxfxzz.cn www.gxfxzz.cn
Python3虚拟环境隔离原理
原生Python全局环境所有项目共用依赖,版本冲突无法共存。虚拟环境复制Python解释器副本,独立维护site-packages依赖目录,项目之间依赖完全隔离,互不干扰。内置venv无需额外安装,轻量化首选;第三方conda适合多版本Python共存。使用规范:每个独立项目单独创建虚拟环境,禁止全局安装第三方库。部署上线必须使用虚拟环境导出依赖,保证开发、测试、生产环境版本一致。 doc.gzbeimu.com kmldp.transense.com.cn 2021hdfx.msds.meilitonghua.com zcd.transense.com.cn yuduxian.kszeyixin.com
action_timeline_python_v0.25_dev_project_fixed_20260924_r2.zip
action_timeline_python_v0.25_dev_project_fixed_20260924_r2.zip
Pyxel(/ˈpɪksəl/)是一款面向 Python 的复古游戏引擎
它拥有受复古游戏主机启发的简洁规格,例如仅显示 16 种颜色并支持 4 个声道,让你轻松享受制作像素风格游戏的乐趣。 Pyxel 基于 MIT License 开源,可使用。让我们用 Pyxel 开始制作复古游戏吧!
anaconda配置pytorch环境手册
anaconda配置pytorch环境 1.安装pytorch如果不需要gpu上运行的话,直接安装anaconda(不用安装cuda,cuDNN) Anaconda 下载地址:https://www.anaconda.com/products/distribution 直接可以下载 64 位,python 3.9版本的: 你可以选择适合你系统的版本,一般来说,64位的系统可以选择Linux-x86_64版本。 下载完成后,打开终端,进入下载的目录,使用以下命令进行安装: bash Anaconda3-5.2.0-Linux-x8664.sh 安装过程中,会出现协议页面,你需要阅读并接受协议。然后,选择将Anaconda安装在默认目录中。 安装完成后,你可以通过输入conda -V来检查是否成功安装了Anaconda。如果成功安装,会显示conda的版本信息。
PIP和conda 更换国内安装源的方法步骤
conda 更换国内安装源 全局 Anaconda 是一个用于科学计算的 Python 发行版,支持 Linux, Mac, Windows, 包含了众多流行的科学计算、数据分析的 Python 包。 Anaconda 安装包可以到 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ 下载。 TUNA 还提供了 Anaconda 仓库与第三方源(conda-forge、msys2、pytorch等,查看完整列表)的镜像,各系统都可以通过修改用户目录下的 .condarc 文件。Windows 用户无法直接创建名为 .condarc 的文
Ubuntu配置Pytorch on Graph (PoG)环境过程图解
最近准备复现一下 KDD-20 Towards Deeper Graph Neural Networks 的代码,顺便学习一下 GCN 最新的一些进展。 GCN 的代码通常需要安装 Pytorch on Graph, 按照其 官方指导, 发现无法兼容当前所使用的服务器上的 pytorch1.3 和 cuda10.0 环境, 需要升级 cuda 和 pytorch 的版本。 于是准备重新安装一个虚拟环境,使用上 cuda 10.2 和 pytorch1.6。 1. 安装 Cuda10.2 以及对应版本的 Cudnn 安装 cuda 10.2, wget http://developer.dow
pytorch安装注意事项
pytorch安装注意事项 pytorch安装注意事项 pytorch安装注意事项 pytorch安装注意事项
0.Anaconda安装与Hello-world1
Anaconda安装与Hello-world官网下载安装更换国内pip源更换conda源conda config --get channels子主题。
深度学习pytorch本机win10安装.docx
深度学习pytorch本机win10安装,安装教程一步一步走亲测简单好用!!!
如何搭建pytorch环境的方法步骤
主要介绍了如何搭建pytorch环境的方法步骤,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
pytorch安装教程.docx
PyTorch的安装部署过程可以根据操作系统(如Windows和Linux)以及是否使用GPU进行细分。以下是针对这些不同情况的详细安装部署步骤: 一、Windows系统 1. 安装Anaconda Anaconda是一个流行的Python数据科学和机器学习平台,它包含了大量的科学计算包,并且可以方便地管理多个Python环境。 从Anaconda官网下载并安装Anaconda。 2. 创建虚拟环境(可选) 使用Anaconda Prompt创建一个新的虚拟环境,可以避免不同项目之间的包版本冲突。 命令示例:conda create --name pytorch_env python=3.10(其中pytorch_env是环境名,3.10是Python版本,可根据需要调整)。 激活环境:conda activate pytorch_env。 3. 安装PyTorch 访问PyTorch官网获取安装命令。 根据你的系统配置(CPU或GPU)、Python版本和是否使用CUDA,选择合适的安装命令。 例如,对于使用CUDA的GPU环境,命令可能类似于:conda install pyto
服务器(工作站)更新显卡后深度学习环境配置
通常在服务器或者工作站更换显卡后,会出现显卡驱动不匹配,深度学习环境参数不匹配等问题,本文主要介绍如何解决这一系列问题。
Linux部署通义千问1.5-1.8B模型指南[源码]
本文详细介绍了在Linux环境下部署通义千问1.5-1.8B-Chat-GPTQ-Int4量化模型的完整流程。该模型参数量为18亿,经过GPTQ-Int4量化后体积小、硬件要求低,适合个人开发者低成本尝试AI应用。文章从环境检查开始,包括操作系统版本、Python版本(建议3.8-3.10)、内存(至少4GB)和硬盘空间(5-10GB)要求。接着指导创建Python虚拟环境,安装PyTorch、Transformers、accelerate、sentencepiece等核心依赖,并处理可能的编译工具缺失问题。然后通过Hugging Face下载模型,使用auto-gptq库加载GPTQ量化模型,并编写测试脚本验证对话功能。文章还提供了性能优化技巧,如使用半精度FP16加速、调整生成参数(max_new_tokens、temperature等)、利用accelerate优化设备分配,以及长期运行时的内存管理和常见问题解决方案(如网络镜像、CUDA内存不足、生成质量差等)。最后总结该模型适合搭建智能客服、创意写作助手等应用,并建议访问CSDN星图镜像广场获取更多AI镜像。
WSL2本地部署通义千问Qwen-7B-Chat[项目源码]
本文详细介绍了在Windows 10系统下,通过WSL2(Windows Subsystem for Linux 2)搭建Ubuntu 20.04.6环境,并本地部署阿里云通义千问Qwen-7B-Chat大语言模型的完整方案。文章首先介绍了Qwen-7B-Chat模型的基本情况,包括其70亿参数规模、基于Transformer架构、在超大规模预训练数据上训练得到,以及其在MMLU、C-Eval、GSM8K等评测中的表现。接着,文章列出了主机配置要求(如i5-11500 CPU、32G内存、RTX 3060 12G显卡)和官方部署要求(Python 3.8+、PyTorch 2.0+、CUDA 11.4+)。然后,文章详细分步讲解了WSL2环境的搭建过程,包括开启Windows虚拟功能、安装Linux内核更新包、从微软商店安装Ubuntu、设置WSL2为默认版本、配置apt国内源等。之后,文章重点介绍了在Ubuntu中搭建深度学习环境的步骤,包括安装CUDA 11.7、cuDNN 8.6、Anaconda、Python 3.8虚拟环境、PyTorch 2.0.1(通过pip安装以避免conda下载CPU版本的问题)、以及modelscope和transformers等依赖。最后,文章详细说明了如何下载Qwen-7B-Chat源码和模型(包括量化模型)、安装依赖(包括AutoGPTQ和可选的flash-attention)、修改web_demo.py配置、运行WebUI,并介绍了如何通过端口转发实现同一局域网下Windows主机和WSL子系统之间的网络服务访问。文章还提供了多个参考资料链接,帮助读者解决可能遇到的问题。
【手把手教学】AI绘画:从零搭建一个自己的AI绘画网站
AI绘画:搭建自己的AI绘画网站 Stable Diffusion模型发布以来,"AI文本图片生成"进入人们视野。AI 绘画通用算法Stable Diffusion已然超神,最近一些网友将真人图片输入模型进行自主学习,这使得其训练效果已经可以以假乱真,人们很难分辨出哪些图片是通过AI生成的还是真人拍摄的。 接下来带大家搭建从零搭建一个自己的AI绘画网站,基于本地模型来进行AI绘画操作 硬件需求: 必须要有NVIDIA GPU,至少4GB VRAM,本地磁盘至少有15GB的空间,我们打包的项目解压后需要8.1G的磁盘。(模型比较大) 软件安装: 1 需要安装 Python 3.10.6 2 安装 git 3下载代码:git clone
WSL2部署教程[项目源码]
本教程详细介绍了如何在Windows系统中部署WSL2和Ubuntu22.04,并将其迁移至非系统盘(如D盘),以解放C盘空间。教程涵盖了从开启虚拟化功能、安装Ubuntu、导出镜像、迁移至D盘、配置用户权限到最终验证的全部步骤。WSL2相比WSL1和虚拟机具有更好的性能、兼容性和GPU加速支持,是AI开发和Linux环境开发的首选方案。教程还提供了常见问题的解决方案和避坑指南,确保用户能够顺利完成部署并享受无缝的开发体验。
最新推荐





