深度学习框架搭建之最新版Python及最新版numpy安装

这两天为了搭载深度学习的Python架构花了不少功夫,但是Theano对Python以及nunpy的版本都有限制,所以只能选用版本较新的python和nunpy以确保不过时。但是最新版Python和最新版numpy有点不完善,很多安装步骤都要在命令行里完成,所以花了我很多时间,为了祭奠我安装numpy逝去的青春,特写此日志,确保以后的青春不再逝去。
    先说说python的安装,我是64位windows系统。所以选用的是https://www.python.org/downloads/release/python-352/网站下的

下载后,exe文件可以直接安装。unfortunately,这东西并不能够自己配置环境变量,如果我们想让Python成为一个cmd的外部命令的话就要把python的安装地址手动放到环境变量里面如图所示:

设置好环境变量之后,需要安装另外一个东西,叫做pip,pip就在python自己的目录下的一个叫做Scripts的文件夹里,点开这个文件夹并复制路径到cmd,并输入python -m pip install -U pip

如果系统提示“python不是内部或外名命令,也不是……”那说明你环境变量没配置成功,如果环境变量配置成功直接在cmd中输入python会提示python的版本信息。如果python -m pip install -U pip命令成功会告诉你install successful。并且会拉一长串进度条(这个不一定,我的是这样,其他人我看似乎有不是这样的)。unfortunately,pip这东西也不能自动配置环境变量,所以在pip安装完成之后也要把路径(一直包含到Scripts)放到环境变量的path里面,如图所示

随后就是安装numpy ,之前的工作都是为了安装numpy,先谈谈numpy的下载地址,这里有四个:
1st https://pypi.python.org/pypi/numpy/
2nd http://www.numpy.org/
3rd http://sourceforge.net/projects/numpy/files/
4th  http://www.lfd.uci.edu/~gohlke/pythonlibs/
 可惜,估计是我道行不够,除了最后 一个我都没安成功,打开最后一个网站后,找到如下图所示(使劲往下滚鼠标)

这里介绍一下,numpy和python是有对应关系的,并不是随便一款numpy都可以基于随便一款Python的,所以在这里要选用amd64并对应cp35(红色框框里的文件,因为我们安装的python是python3.5,如果是python2.7就用蓝色框框里的文件)。
然后找到装有 numpy-1.11.1+mkl-cp35-cp35m-win_amd64.whl的文件夹
 之后把cmd的目录改到这个文件夹下,再之后按图所示输入pip install numpy-1.11.1+mkl-cp35-cp35m-win_amd64.whl

如果安装成功,红框里的东西就会显示。然后打开python测试一下

可以看到,引入numpy后的python可以进行矩阵运算。
到这里,最新版的Python和最新版的Nunpy就安装成功了,接下来,就是基于python的深度学习工作。

时间: 2024-10-10 20:07:51

深度学习框架搭建之最新版Python及最新版numpy安装的相关文章

Ubuntu 搭建深度学习框架 keras

深度学习框架Keras是基于Tensorflow的所以,安装keras需要安装Tensorflow: 1. 安装教程主要参考于两个博客的教程: https://www.cnblogs.com/HSLoveZL/archive/2017/10/27/7742606.html https://www.jianshu.com/p/5b708817f5d8?from=groupmessage 2. 本教程开始: Ubuntu安装的教程就略过了,直接从深度学习所需的环境的搭建开始说起 (需要说明的是,之所

主流深度学习框架对比

深度学习研究的热潮持续高涨,各种开源深度学习框架也层出不穷,其中包括TensorFlow.Caffe.Keras.CNTK.Torch7.MXNet.Leaf.Theano.DeepLearning4.Lasagne.Neon,等等.然而TensorFlow却杀出重围,在关注度和用户数上都占据绝对优势,大有一统江湖之势.表2-1所示为各个开源框架在GitHub上的数据统计(数据统计于2017年1月3日),可以看到TensorFlow在star数量.fork数量.contributor数量这三个数

TensorFlow与主流深度学习框架对比

引言:AlphaGo在2017年年初化身Master,在弈城和野狐等平台上横扫中日韩围棋高手,取得60连胜,未尝败绩.AlphaGo背后神秘的推动力就是TensorFlow--Google于2015年11月开源的机器学习及深度学习框架. TensorFlow在2015年年底一出现就受到了极大的关注,在一个月内获得了GitHub上超过一万颗星的关注,目前在所有的机器学习.深度学习项目中排名第一,甚至在所有的Python项目中也排名第一.本文将带我们简单了解下TensorFlow,并与其他主流深度学

Caffe 深度学习框架上手教程

本文来源:http://suanfazu.com/t/caffe/281 本文的主要目的保存一个链接,建议阅读原文. Caffe(Convolutional Architecture for Fast Feature Embedding)是一个清晰而高效的深度学习框架,其作者是博士毕业于UC Berkeley的 贾扬清,目前在Google工作. Caffe是纯粹的C++/CUDA架构,支持命令行.Python和MATLAB接口:可以在CPU和GPU直接无缝切换: Caffe::set_mode(

为什么相比芯片,我们更在意深度学习框架的中国化?

这两天美国宣布对中兴进行封锁,可谓在科技圈掀起了从上到下的一股龙卷风. 4月16日美国商务部发布命令,禁止美国企业向中兴通讯销售元器件,时间长达7年.假如这一纸禁令真正生效,意味着中兴通讯旗下全产业链所依靠的芯片等核心元件失去获取渠道,基本意味着庞大的中兴通讯将面临无法继续经营的最坏可能. 中兴通讯股价随之快速下跌,已相当于两个跌停板,其美国供应商的股价在"禁令"发布后也遭遇不同程度的下跌. 19日,中国商务部新闻发言人高峰在新闻发布会上表示,美方行径引起了市场对于美国贸易和投资环境的

主流的深度学习框架基本知识

本章内容 1.TensorFlow 2.Keras 3.MXNet 4.CNTK 5.PyTorch 常见的深度学习框架 常见的深度学习框架有 TensorFlow .Caffe.Theano.Keras.PyTorch.MXNet等,如下图所示.这些深度学习框架被应用于计算机视觉.语音识别.自然语言处理与生物信息学等领域,并获取了极好的效果.下面将主要介绍当前深度学习领域影响力比较大的几个框架, 1.TensorFlow-----擅长推断特征提取 2015年11月10日,Google宣布推出全

深度学习框架太抽象?其实不外乎这五大核心组件

许多初学者觉得深度学习框架抽象,虽然调用了几个函数/方法,计算了几个数学难题,但始终不能理解这些框架的全貌. 为了更好地认识深度学习框架,也为了给一些想要自己亲手搭建深度学习框架的朋友提供一些基础性的指导,日前来自苏黎世联邦理工学院计算机科学系的硕士研究生Gokula Krishnan Santhanam在博客上撰文,概括了大部分深度学习框架都会包含的五大核心组件,为我们详细剖析了深度学习框架一般性的内部组织结构.以下由AI科技评论编译. Gokula Krishnan Santhanam认为,

TensorFlow【机器学习】:如何正确的掌握Google深度学习框架TensorFlow(第二代分布式机器学习系统)?

本文标签:   机器学习 TensorFlow Google深度学习框架 分布式机器学习 唐源 VGG REST   服务器 自 2015 年底开源到如今更快.更灵活.更方便的 1.0 版本正式发布,由 Google 推出的第二代分布式机器学习系统 TensorFlow一直在为我们带来惊喜,一方面是技术层面持续的迭代演进,从分布式版本.服务框架 TensorFlow Serving.上层封装 TF.Learn 到 Windows 支持.JIT 编译器 XLA.动态计算图框架 Fold 等,以及

一线开发者在Reddit上讨论深度学习框架:PyTorch和TensorFlow到底哪个更好?

本文标签:   机器学习 TensorFlow Google深度学习框架 分布式机器学习 PyTorch   近日,Reddit用户 cjmcmurtrie 发了一个主题为「PyTorch vs. TensorFlow」的讨论帖,想要了解这两大流行的框架之间各自有什么优势. 原帖地址:https://redd.it/5w3q74 帖子一楼写道: 我还没有从 Torch7 迁移到 TensorFlow.我玩过 TensorFlow,但我发现 Torch7 更加直观(也许是我玩得不够?).我也尝试了