深度学习环境配置指南！（Windows、Mac、Ubuntu全讲解）_小白学视觉的博客

link之家

链接快照平台

输入网页链接，自动生成快照
标签化管理网页链接

1.1 打开Anaconda Prompt

1、conda create -n pytorch python=3.7.0：创建名为pytorch的虚拟环境，并为该环境安装python=3.7。

2、activate pytorch：激活名为pytorch的环境

1.2 确定硬件支持的CUDA版本

NVIDIA控制面板-帮助-系统信息-组件

2020年5月19日16:46:31，我更新了显卡驱动，看到我的cuda支持11以内的

1.3 确定pytorch版本，torchvision版本

进入pytorch官网：https://pytorch.org/get-started/locally/

因为官方源太慢了，这里使用清华源下载

1.4 镜像中下载对应的安装包

清华镜像：

https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/

pytorch：

torchvision：

1.5 本地安装

接着第一步，在pytorch环境下进行安装，依次输入如下指令。

然后回到虚拟环境所在目录，用conda install anaconda安装环境所需的基础包

1.6 测试

from future import print_function
import torch
x = torch.rand(5, 3)
print(x)

输出类似于以下的张量：

import torch
torch.cuda.is_available()

输出：True

如果以上两段代码输出无异常，表明环境搭建成功。

1.7 遇到的问题

用下面命令创建虚拟环境报错

conda create -n py37_torch131 python=3.7

【解决方法】https://blog.csdn.net/weixin_42329133/article/details/102640763

环境会保存在Anaconda目录下的envs文件夹内

PackagesNotFoundError: The following packages are not available from current channels

【解决方法】：

https://www.cnblogs.com/hellojiaojiao/p/10790273.html

conda下载太慢问题

【解决方案】https://mirror.tuna.tsinghua.edu.cn/help/anaconda/

我直呼一声清华NB！

cuda安装

cuda历史版本下载：https://developer.nvidia.com/cuda-toolkit-archive

要看NVIDIA的组件，自己的CUDA支持哪个版本，我是1060显卡，所以我下的10.0版本的cuda

pytorch安装

官网没有我的组合，我满脸问号

这里我直接（别忘了先进入刚创建的环境）

conda install pytorch torchvision cudatoolkit=10.0 -c pytorch

jupyter note如何进入虚拟环境

python -m ipykernel install --name 虚拟环境名

1.打开Anaconda Prompt,输入conda env list 查看现有环境

2.输入activate name（name是你想切换的环境）

3.conda install ipykernel 安装必要插件

4.python -m ipykernel install --name Name 将环境添加到Jyputer中（Name是此环境显示在Jyputer中的名称，可自定义）

jupyter kernelspec remove 内核名称

报错[Errono 13]

[Errno 13] Permission denied: ‘/usr/local/share/jupyter’

为此，需要添加–user选项，将配置文件生成在本账户的家目录下。

python -m ipykernel install --user --name py27-caffe-notebook

至此，添加kernel完成。查看已有的kernel：

jupyter kernelspec list

删除已有的kernel

jupyter kernelspec remove kernelname

以上的命令删除仅仅是配置文件，并没有卸载相应虚拟环境的ipykernel，因此若要再次安装相应python虚拟环境的kernel，只需激活虚拟环境，然后

python -m ipykernel install --name kernelname

conda安装一半总失败

把文件下载到本地，进入该文件的目录，然后用命令

conda install --offline 包名

二、Mac深度学习环境配置

安装组合：Anaconda+PyTorch(GPU版)

开源贡献：马曾欧，伦敦大学

2.1 安装Anaconda

Anaconda 的安装有两种方式，这里仅介绍一种最直观的- macOS graphical install。

https://www.anaconda.com/products/individual里，Anaconda Installers的位置，选择Python 3.7 下方的“64-Bit Graphical Installer (442)”。下载好

pkg 安装包后点击进入，按下一步完成安装即可。默认安装地点为~/opt。想用command line install 的，请自行参考：https://docs.anaconda.com/anaconda/install/mac-os/

2.2 确认下载情况

在Mac 的Terminal 里，输入

python --version

确保安装的Python 是3.x 版本。在Terminal 输入

jupyter notebook

弹出网页，即可进入notebook。

在网页右上角点击Quit，或返回Terminal，command + c，退出notebook。

2.2.1 常见问题

如果电脑中下载了多个Anaconda，运行时可能出现冲突。在Terminal 中输入

返回home 目录，输入

cat .bash_profile

如果只能看到一个Anaconda 版本就没有问题。如果有多个则下载包时有可能

造成一定的冲突。用vim、nano 或其他文本编辑器把旧版本Anaconda 的

export PATH= ...

2.3 虚拟环境和包的下载

用conda 去创建虚拟环境和下载对应的包是很简单的一件事。

2.3.1 Graphic

点击Anaconda-Navigator，可以看到自己下载好的应用程序，左上角“Applications on”应该指向的是“base (root)”，左边点击“Environments”就可以看到自己建立的虚拟环境和对应的包了。点击左下角的Create 即可创建一个新的虚拟环境。

输入环境名称和python 的版本，点击create 进行创建。

之后在Home 页面，确保左上角指向的是你刚刚创建的环境名，在这个环境下install jupyter notebook，注意原本装的notebook 是在base 里的，不可通用。

回到Environments 中，可以看到在此环境中的所有包，左上方选择All，然后输入想要下载的包名

然后选中进行下载

2.3.2 Command Line

用command line 完成以上的操作也很简洁。这次以Pytorch 为例。在Terminal 中输入

conda create --name env_name

就可以创建一个虚拟环境，叫“env_name”。输入

conda env list

即可看到创建了的所有虚拟环境，其中打* 的就是当前环境。输入

conda activate env_name

conda deactivate

退出当前虚拟环境，进入base。

2.3.3 下载Pytorch

一般情况下Mac 是不支持CUDA 的。进入https://pytorch.org/ 可以看到

pytorch 官网显示当前设备应该用的下载语句。此情况，我的是

conda install pytorch torchvision -c pytorch

复制下来，粘贴到Terminal 中运行就可以开始下载了。

下载完成后，在Terminal 输入

python3

之后import 两个刚下载的包，确认下载完成

import torch import torchvision print(torch.__version__) print(torchvision.__version__)

如果import 和输出正常，配置就完成了！输入

quit()

就ok 了。

2.4 额外情况

国内如果直接用conda 下载，可能会很慢。可以换下载源进行加速。换源方法可参考下列资料中的Linux 部分：https://zhuanlan.zhihu.com/p/87123943。

conda 下载中常会出现“Solving environment: failed...”的问题，如果正常创建虚拟环境，这位问题应该就是没有问题的，如果还发生，可以再创建一个虚拟环境。

conda 的社群很大，基本上遇到的问题很有可能有人遇到、有人解答，Google会是一个很好的解决办法。

三、Ubuntu深度学习环境配置

安装组合：Anaconda+PyTorch(CPU版)或PyTorch(GPU版)

开源贡献：陈信达，华北电力大学

3.1 Anacond安装

Anaconda和Python版本是对应的，所以需要选择安装对应Python2.7版本的还是Python3.7版本或其他版本的，根据自己的需要下载合适的安装包。

下载链接：https://www.anaconda.com/download/#linux

点击下面的64-Bit (x86) Installer (522 MB)，下载64位的版本。

下载完后的文件名是：Anaconda3-2020.02-Linux-x86_64.sh。

cd到Anaconda3-2020.02-Linux-x86_64.sh所在的目录：

执行bash Anaconda3-2020.02-Linux-x86_64.sh开始安装：

一直按回车直到如下界面，然后输入yes：

这里直接回车安装到默认路径，或者在>>>后输入自定义路径

等待安装进度条走完，然后出现下面的提示，yes是加入环境变量，no是不加入环境变量，这里我们以输入no为例

接下来手动加入环境变量，先cd到~，然后编辑.bashrc文件：sudo vim .bashrc

在最下面添加如下几行(注意.后有空格)：

# 区分anaconda python与系统内置python alias python3="/usr/bin/python3.5" alias python2="/usr/bin/python2.7" . /home/cxd/anaconda3/etc/profile.d/conda.sh

然后按esc + : + wq!保存

输入source .bashrc来执行刚修改的初始化文档

下面输入conda env list来试试环境变量是否设置成功：

试试刚刚设置的使用内置python的命令：python2、python3

如果到这就结束的话，大家安装包的时候肯定会无比煎熬～这里需要将anaconda换一下源（加入清华源）：

然后我们创建一个名为pytorch的虚拟环境，发现报了下面的错误：

原因是我们没有清除上次安装留下来的源，输入sudo vim .condarc，修改该文件的内容（记得删除default那行）：

然后输入source .condarc，再次创建虚拟环境：

3.2 pytorch cpu版本安装

打开pytorch官网：https://pytorch.org/

激活刚刚创建的虚拟环境：conda activate pytorch在安装之前先添加下面这个源：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch

然后输入下面代码：

conda install pytorch torchvision cpuonly -c pytorch

等到安装好后测试一下是否安装完成：

import torch print(torch.__version__)

输出如下则安装成功：

3.3 pytorch-gpu安装

3.3.1 GPU驱动安装

检测显卡类型

执行命令：' ubuntu-drivers devices'

== /sys/devices/pci0000:00/0000:00:01.0/0000:01:00.0 == modalias : pci:v000010DEd00001C8Dsv00001028sd0000086Fbc03sc02i00 vendor : NVIDIA Corporation model : GP107M [GeForce GTX 1050 Mobile] driver : nvidia-driver-390 - distro non-free driver : nvidia-driver-435 - distro non-free driver : nvidia-driver-440 - distro non-free recommended driver : xserver-xorg-video-nouveau - distro free builtin == /sys/devices/pci0000:00/0000:00:14.3 == modalias : pci:v00008086d0000A370sv00008086sd000042A4bc02sc80i00 vendor : Intel Corporation model : Wireless-AC 9560 [Jefferson Peak] manual_install: True driver : backport-iwlwifi-dkms - distro free

大家可以看到，这里有个设备是GTX1050。推荐安装驱动是440。

安装所有推荐驱动

sudo ubuntu-drivers autoinstall

安装一个驱动

sudo apt install nvidia-440

3.3.2 安装cuda

cuda安装需要对应合适的显卡驱动。下面是驱动和cuda的版本对应关系

Table 1. CUDA Toolkit and Compatible Driver Versions CUDA Toolkit Linux x86_64 Driver Version Windows x86_64 Driver Version CUDA 10.2.89 >= 440.33 >= 441.22 CUDA 10.1 (10.1.105 general release, and updates) >= 418.39 >= 418.96 CUDA 10.0.130 >= 410.48 >= 411.31 CUDA 9.2 (9.2.148 Update 1) >= 396.37 >= 398.26 CUDA 9.2 (9.2.88) >= 396.26 >= 397.44 CUDA 9.1 (9.1.85) >= 390.46 >= 391.29 CUDA 9.0 (9.0.76) >= 384.81 >= 385.54 CUDA 8.0 (8.0.61 GA2) >= 375.26 >= 376.51 CUDA 8.0 (8.0.44) >= 367.48 >= 369.30 CUDA 7.5 (7.5.16) >= 352.31 >= 353.66 CUDA 7.0 (7.0.28) >= 346.46 >= 347.62

cuda下载链接：http://suo.im/6dY8rL

Installer Type选择第一第二个都可。但是要在获得cuda文件后先检测gcc版本。下面以第一个runfile(local)安装方式为例。

安装gcc

linux一般会自带了gcc，我们先检测一下自己系统的gcc版本

gcc --version

而cuda的gcc依赖版本在官方文档的安装指南上会给出

如果版本和cuda依赖gcc不对应，就安装cuda需要的版本

sudo apt-get install gcc-7.0 sudo apt-get install g++-7.0

安装完成后需要更换系统gcc版本

sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-7 50 sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-7 50

选择需要的版本

sudo update-alternatives --config gcc 选择路径优先级状态 ------------------------------------------------------------ * 0 /usr/bin/gcc-9 50 自动模式 1 /usr/bin/g++-9 50 手动模式 2 /usr/bin/gcc-7 50 手动模式

输入前面显示的编号即可。

安装cuda

sudo sh cuda_你的版本_linux.run

配置环境变量

sudo vim ~/.bashrc

将下面的命令复制进去

export PATH=/usr/local/cuda-10.2/bin${PATH:+:$PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

检查是否安装成功

nvcc -V

3.3.3 安装cudnn

https://developer.nvidia.com/cudnn 选择对应cuda的版本即可

然后将cudnn解压后的include和lib64文件夹复制到cuda中

sudo cp cuda/include/cudnn.h /usr/local/cuda-10.2/include #解压后的文件夹名字为cuda-10.2 sudo cp cuda/lib64/libcudnn* /usr/local/cuda-10.2/lib64 sudo chmod a+r /usr/local/cuda-10.2/include/cudnn.h /usr/local/cuda-10.2/lib64/libcudnn*

3.3.4 安装pytorch-gpu

conda安装：

# 选择自己对应的cuda版本 conda install pytorch torchvision cudatoolkit=10.2

pip安装：

pip install torch torchvision -i https://pypi.mirrors.ustc.edu.cn/simple

四、写在最后

所有的深度学习环境安装指南到这里就结束了，希望能解决你面临的环境配置难题。关于实践项目，可以结合阿里天池的学习赛进行动手实践。

数据挖掘学习赛（进行中，5832人参与）

https://tianchi.aliyun.com/competition/entrance/231784/forum

cv实践学习赛（进行中，1933参与）

https://tianchi.aliyun.com/competition/entrance/531795/forum

nlp实践学习赛（进行中，573人参与）

https://tianchi.aliyun.com/competition/entrance/531810/forum

- end -

下载1：OpenCV-Contrib扩展模块中文版教程在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。下载2：Python视觉实战项目52讲在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。下载3：OpenCV实战项目20讲在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达作者：伍天舟、马曾欧、陈信达转载自：Datawhale入门深度学习，很多人经历了从入门到放弃的心酸历程，且千军万马倒在...
帮朋友撸文档，然后顺手收集了他发给我的安装包，pip安装是真的慢包括以下内容 tensorflow-1.4.1-cp36-cp36m- mac osx_10_11_x86_64.whl Keras-2.2.4-py2.py3-none-any.whl pandas-0.24.2-cp36-cp36m- mac osx_10_6_intel. mac osx_10_9_intel. mac osx_10_9_x86_64. mac osx_10_10_intel. mac osx_10_10_x86_64.whl matplotlib-3.1.1-cp36-cp36m- mac osx_10_6_intel. mac osx_10_9_intel. mac osx_10_9_x86_64. mac osx_10_10_intel. mac osx_10_10_x86_64.whl scikit_learn-0.21.2-cp36-cp36m- mac osx_10_6_intel. mac osx_10_9_intel. mac osx_10_9_x86_64. mac osx_10_10_intel. mac osx_10_10_x86_64.whl

Deep Learning 101 with PaddlePaddle （『飞桨』 深度学习 框架入门教程）使用 PaddlePaddle 进行 深度学习 拟合一条线识别数字图像分类词到向量推荐系统理解情感标签语义角色机器翻译运行这本书您正在阅读的这本书是交互式的——每一章都可以作为 Jupyter Notebook 运行。我们将本书、Jupyter、PaddlePaddle 和所有依赖项打包到一个 Docker 镜像中。所以你不需要安装除了 Docker 之外的任何东西。如果您使用的是 Windows ，请按照此安装指南进行操作。如果您运行的是 Mac ，请按照此操作。对于各种 Linux 发行版，请参阅 https://www.docker.com。如果您使用的是 Windows 或 Mac ，您可能希望为 Docker 提供更多内存和 CPU/内核。只需输入 docker run -d -p 8888:8888 paddlepaddle/book 该命令将从 DockerHub.com 下载预先构建的 Docker 映像并在容器中运行它。
N卡在 深度学习 领域具备无可替代的地位，这里记录以下在我这台配备GF MX350 N卡笔记本上安装 cuda 以及cuNN的具体步骤。MX350属于低端显卡了，一开始我还担心它会不会不支持 CUDA ，后面确认了一下，发现可以支持。关于确认N卡是否支持 CUDA 以及支持版本的具体步骤，可以参考我的这篇博客：如何确定PC Nvidia显卡是否支持 CUDA 以及 cuda NN? 过程不难，细节很多，下面记录具体步骤： 1.安装显卡驱动：国庆假期，闲来犯贱忽然想起了要给ASUS 笔记本 U303LNB 来装个Nvidia 的显卡驱动。然后，就有了后面的这一出记录。根据折腾结果，回来总结的内容，与实际发生的先后顺序有所不同。为 update-initramfs安..

深度学习 首先配置好电脑环境，这是每个 深度学习 开发者的必备技能，在实际的使用中，电脑的环境也可能会出现各种各样的问题，许多时间都会花在电脑的修复中，非常浪费时间，但有时出现的问题只有电脑使用者最熟悉最了解，所以掌握这个基本技能很有必要。 1 Ubuntu 系统安装尽管 深度学习 可以配置在 Windows 下，但由于 Ubuntu 系统运行代码的效率较高，以机械师笔记本F117-X为例（显卡为英伟达3070），在 Windows 环境下，运行PaddleDetection中的快速开始的路标检测代码（yolov3_mob.

print(torch. cuda .is_available()) False （1）查看torch版本，及其是否与 cuda 版本是否匹配：（2）查看 cuda 是否还存在以及 cuda 的版本（3）查看显卡驱动是否正常（4）安装显卡驱动--这一步可能不需要执行（5）解决显卡驱动问题（6）测试 cuda 是否可用
Ubuntu 18.04 深度学习 环境配置 需要以下步骤： 1. 安装 CUDA 和cuDNN： CUDA 是NVIDIA的GPU加速计算平台，cuDNN是深度神经网络库。首先需要安装 CUDA ，然后再安装cuDNN。具体安装步骤可以参考官方文档。 2. 安装 Python 和相关库： Ubuntu 18.04自带 Python 3，可以使用apt-get命令安装 Python 相关库，如numpy、scipy、matplotlib等。 3. 安装 深度学习 框架：常用的 深度学习 框架有TensorFlow、PyTorch、Keras等。可以使用pip命令安装。 4. 配置环境变量：需要将 CUDA 和cuDNN的路径添加到环境变量中，以便 深度学习 框架能够正确地使用GPU加速。 5. 测试环境：可以使用简单的 深度学习 模型测试环境是否配置成功。以上是 Ubuntu 18.04 深度学习 环境配置 的基本步骤，具体操作可以参考相关文档和教程。 ### 回答2： Ubuntu 18.04是许多 深度学习 爱好者所喜欢的一种操作系统。 Ubuntu 18.04不仅稳定可靠，还提供了许多强大的开发工具和编程环境。以下是一些要点和步骤，供您在 Ubuntu 18.04中配置 深度学习 环境。 1. 安装 Ubuntu 18.04 在 Ubuntu 18.04上安装 深度学习 环境之前，您需要首先安装 Ubuntu 18.04操作系统。您可以通过官方网站下载 Ubuntu 18.04的iso文件，然后将其写入可引导的USB驱动器。 2. 安装NVIDIA驱动程序 NVIDIA驱动程序是 深度学习 环境配置 中最重要的部分，因为它可以提供针对NVIDIA GPU的支持。如何安装NVIDIA驱动程序取决于您的显卡型号。您可以通过以下命令来检查您的显卡型号： $ lspci | grep -i nvidia 如果您的显卡型号是NVIDIA Tesla V100，则可以通过以下命令来下载最新的NVIDIA驱动程序： $ wget http://us.download.nvidia.com/tesla/410.72/nvidia-diag-driver-local-repo- ubuntu 1804-410.72_1.0-1_amd64.deb 在安装NVIDIA驱动程序之前，您需要卸载之前安装的任何旧版驱动程序。卸载的命令如下： $ sudo apt-get purge nvidia* 安装新的NVIDIA驱动程序： $ sudo dpkg -i nvidia-diag-driver-local-repo- ubuntu 1804-410.72_1.0-1_amd64.deb $ sudo apt-key add /var/nvidia-diag-driver-local-repo-410.72/7fa2af80.pub $ sudo apt-get update $ sudo apt-get install cuda -drivers 3. 安装 CUDA 和cuDNN 安装了NVIDIA驱动程序后，您可以安装 CUDA 和cuDNN。 CUDA 可以为您提供各种各样的计算和优化库，用于构建 深度学习 模型。cuDNN是一个加速深度神经网络的库。以下是安装 CUDA 的步骤： $ wget https://developer.nvidia.com/compute/ cuda /10.0/Prod/local_installers/ cuda -repo- ubuntu 1804-10-0-local-10.0.130-410.48_1.0-1_amd64 $ sudo dpkg -i cuda -repo- ubuntu 1804-10-0-local-10.0.130-410.48_1.0-1_amd64.deb $ sudo apt-key add /var/ cuda -repo-10-0-local-10.0.130-410.48/7fa2af80.pub $ sudo apt-get update $ sudo apt-get install cuda 安装cuDNN： $ tar -xzvf cudnn-9.0- linux -x64-v7.tgz $ sudo cp -P cuda /include/cudnn.h /usr/local/ cuda -9.0/include $ sudo cp -P cuda /lib64/libcudnn* /usr/local/ cuda -9.0/lib64/ $ sudo chmod a+r /usr/local/ cuda -9.0/include/cudnn.h /usr/local/ cuda -9.0/lib64/libcudnn* 4. 安装 Python 和 深度学习 框架 Python 是 深度学习 环境中使用的主要编程语言。您可以使用以下命令安装 Python 3： $ sudo apt-get install python 3 深度学习 框架是实现 深度学习 算法和模型的库。许多流行的 深度学习 框架，例如TensorFlow、PyTorch和Keras，都可以在 Ubuntu 18.04上进行安装和配置。以下是安装TensorFlow的步骤： $ sudo apt-get install python 3-pip python 3-dev python -virtualenv $ virtualenv --system-site-packages tensorflow $ source tensorflow/bin/activate (tensorflow) $ pip install --upgrade pip (tensorflow) $ pip install --user tensorflow-gpu 5. 训练 深度学习 模型当您完成 深度学习 环境的配置后，可以开始训练 深度学习 模型。您可以使用自己的数据集或公共数据集来训练模型。以下是使用TensorFlow训练模型的示例代码： import tensorflow as tf from tensorflow import keras (train_images, train_labels), (test_images, test_labels) = keras.datasets.mnist.load_data() train_images = train_images.astype('float32') / 255 test_images = test_images.astype('float32') / 255 model = keras.Sequential([ keras.layers.Flatten(input_shape=(28, 28)), keras.layers.Dense(128, activation='relu'), keras.layers.Dense(10, activation='softmax') model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(train_images, train_labels, epochs=5) 您可以通过运行该命令训练模型： (tensorflow) $ python train_model.py 在完成训练后，您可以通过以下命令保存模型： model.save('my_model.h5') 6. 总结 Ubuntu 18.04是一种出色的操作系统，适用于 深度学习 环境的配置。在配置 深度学习 环境之前，您需要安装NVIDIA驱动程序、 CUDA 和cuDNN。然后，您可以安装 Python 和 深度学习 框架，例如TensorFlow。在配置完环境之后，您可以使用您自己的数据或公共数据集训练 深度学习 模型。 ### 回答3： Ubuntu 18.04 作为当前最流行的开源操作系统，广泛应用于 深度学习 领域。它提供了很好的性能和稳定性，同时也支持广泛的 深度学习 框架和工具库，如 Keras、TensorFlow、PyTorch 和 OpenCV 等。下面是配置 Ubuntu 18.04 深度学习 环境的基本步骤： 1. 确保 Ubuntu 18.04 正确安装和升级：首先，确保 Ubuntu 18.04 正确安装和升级到最新版本。您可以使用以下命令升级您的操作系统： sudo apt-get update sudo apt-get upgrade 2. 安装 Anaconda 3： Anaconda 是一个广泛使用的 Python 数据科学和机器学习平台，它为用户提供了方便的包管理和环境管理工具。您可以使用以下命令下载并安装 Anaconda： wget https://repo.anaconda.com/archive/Anaconda3-2019.07- Linux -x86_64.sh bash Anaconda3-2019.07- Linux -x86_64.sh 在安装过程中，按照屏幕上的提示进行操作。一旦安装完成，您需要从终端中运行以下命令将 Anaconda 添加到系统路径： export PATH=/root/anaconda3/bin:$PATH 3. 安装 深度学习 框架：安装 深度学习 框架需要在 Anaconda 中创建一个新的虚拟环境，并安装相应的包，例如 TensorFlow 或 PyTorch。以下是以 TensorFlow 为例的样例代码： conda create -n tensorflow python =3.6 conda activate tensorflow conda install tensorflow-gpu 用类似的方式可以安装其他 深度学习 框架，如 PyTorch 等。 4. 安装和配置 GPU 驱动程序：如果您的系统安装了 GPU，则需要安装相应的 GPU 驱动程序和 CUDA 工具包以获得更好的性能。以下是安装 GPU 驱动程序和 CUDA 工具包的样例代码： sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt-get update sudo apt-get install nvidia-driver-430 sudo apt install nvidia- cuda -toolkit 5. 安装图像处理库：在 深度学习 中需要加载和处理图像，在 Ubuntu 18.04 中可用的图像处理库包括 OpenCV 和 Pillow。以下是样例代码： conda install opencv conda install Pillow 在完成这些步骤之后，您的 Ubuntu 18.04 系统就具备了基本的 深度学习 环境。您可以按照框架和工具库的具体要求进行配置和设置，以进行更高级的 深度学习 任务。