【AI开发】新机环境搭建

原创已于 2025-12-20 22:00:12 修改 · 161 阅读

0 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#ai #gru #conda #pytorch

收录于

于 2025-12-20 17:31:18 首次发布

AI从0到1 专栏收录该内容

1 篇文章

订阅专栏

以window为例来演示。

一、anaconda安装

访问官网：https://www.anaconda.com/

1.1 选择Miniconda即可（按需安装）；

1.2 安装过程：

2.1 用户选择：Just Me（推荐）：仅当前用户可用；

2.2 安装路径：默认

2.3 高级选项：勾选以下两个选项

Add Anaconda3 to my PATH environment variable

1.3 验证

新打开cmd窗口，查看conda list可用即可

附录：anaconda基本指令

二、Visual Studio安装 Visual Studio: 适用于软件开发的 IDE 和代码编辑器https://visualstudio.microsoft.com/zh-hans/

1、

三、pytorch安装

1、cuda选择与安装

nvidia-smi查看驱动支持的最高版本为13.0

pytorch网站给出的推荐安装版本：12.6

选择哪个呢？

选择12.6，打开https://developer.nvidia.com/

下载后安装，查看吧版本：vncc -V

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

approche

关注关注

3
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

畜牧监控的智能化革命：InsCode AI IDE 助力畜牧业数字化转型

inscode_027的博客

02-25

1047

畜牧监控的智能化革命：InsCode AI IDE 助力畜牧业数字化转型随着科技的飞速发展，畜牧业正经历着前所未有的变革。传统的畜牧管理方式已经无法满足现代养殖业的需求，尤其是在面对日益增长的市场需求和严格的环保要求时。智能化工具的引入，不仅提高了生产效率，还提升了动物福利和产品质量。本文将探讨如何利用先进的智能开发工具——InsCode AI IDE，助力畜牧监控系统的开发与应用，推动畜牧业向...

参与评论您还未登录，请先登录后发表或查看评论

ODOO18菜鸟二次开发系列（1）-环境搭建和故障解决调试技巧

cgplayer的博客

04-06

3358

个人理解，odoo就是一个控制器prc通过模型（py+js）读取数据库内容用以视图（xml）展示的工具。其底层数据调用通过ORM框架。对于我们菜鸟来说，只需要学习odoo官方教程。掌握好基本的xml和py的修改和编写即可满足90%以上的需要。为了高效进行二次开发调试，需要搭建开发和调试平台。同时，基于二次开发特点，需要掌握一些初步的断点及调试技巧。本期主要为菜鸟新手介绍如何开发需搭建 VSCode 环境，配置 odoo.conf 参数，安装 AI 工具辅助编码。

新机快速搭建java开发环境过程记录

Rosen's

09-09

972

本文记录了Java开发环境快速搭建过程，包括JDK、Maven、Git和IntelliJ IDEA的安装配置。重点介绍了IDEA的常用设置：Maven路径配置、忽略文件设置、代码自动补全优化、UTF-8编码设置以及类/方法注释模板配置。还推荐了多个实用插件如Grep Console、Lingma AI助手、Lombok等。该指南特别适合更换工作电脑时快速重建开发环境，涵盖了从基础工具安装到IDE高级配置的全流程。

AI如何帮你快速搭建OpenJDK17开发环境？

GreyWolf12的博客

12-08

747

最近在尝试配置一个Java开发环境，发现手动安装OpenJDK17、设置环境变量、初始化项目结构这些步骤虽然不算复杂，但每次新换电脑或重装系统都要重复操作，还是挺费时间的。经过一番尝试，还真找到了不错的解决方案。最方便的是，完成开发后可以直接在平台上一键部署，不需要自己折腾服务器配置。对于想快速验证想法的开发者来说，这种开箱即用的体验真的很友好。整个流程从环境配置到项目上线，可能比传统方式节省80%以上的时间。比如当我遇到环境变量配置问题时，平台提供的实时诊断建议直接帮我省去了大量搜索时间。

融合卷积神经网络与双向门控循环单元的双通道短文本分类模型，引入自适应注意力机制对双通道特征进行动态加权融合

weixin_49081159的博客

06-22

688

1 绪论1.1 研究背景与意义近年来，移动互联网与社交媒体的深度渗透使得用户生成内容呈现爆炸式增长。以电商评论、客服对话、新闻跟帖为代表的短文本数据已成为承载公众意见与消费反馈的核心载体。据中国互联网络信息中心发布的第52次《中国互联网络发展状况统计报告》显示，截至2023年6月，我国网络购物用户规模达8.84亿，占网民整体的82.0%；即时通信用户规模达10.47亿，其中大量交互以短文本形式完成。面对如此庞大的非结构化数据，如何快速、准确地从碎片化表述中识别情感倾向、意图类别或主题归属，已成为自然语言处

吴恩达《深度学习》之拆解LSTM 与 GRU 的“记忆闸门”

m0_74435839的博客

06-22

217

摘要： LSTM和GRU通过门控机制（遗忘门、更新门）解决了RNN的长期依赖问题。LSTM引入细胞状态$c^{\langle t \rangle}$作为独立记忆通道，通过$\Gamma_f$（遗忘门）过滤无效信息，$\Gamma_u$（更新门）注入新知识，利用加法更新避免梯度消失。GRU进一步简化结构，合并门控与状态，提升计算效率。二者均适用于语音识别、机器翻译等长序列任务，但面对超长文本时仍受限于串行计算，逐渐被Transformer取代。PyTorch中可通过nn.LSTM或nn.GRU快速实现门控循环

安装 playwright conda 沙箱

chinadragon76的专栏

06-23

176

playwright install # 该命令‘秒退’了，是因为执行该命令首先去检查缓存目录：%USERPROFILE%\AppData\Local\ms-playwright 是否存在与当前 Python 库版本（比如 1.59.0）对应的浏览器二进制文件。（1）npx playwright codegen --target python -o tests/search.py https://www.baidu.com # 录制异步脚本，须加上 --target python-async。

国产化系统AI环境避坑完整版: openEuler22.03 一键安装NVIDIA驱动+CUDA+Conda

weixin_45266856的博客

06-24

206

openEuler国产化系统的GPU环境配置相较于Ubuntu更繁琐，核心难点在于驱动兼容匹配、内核依赖补齐、版本适配。本教程适配openEuler22.03全系列SP版本，全程实测可复现，完美解决AI训练、GPU算力调度、深度学习框架部署的环境基础问题。

本地做实验可能会使用很多的环境防止环境冲突使用conda，conda的安装和基础指令

最新发布

qq_34944795的博客

06-25

127

conda create -n name python=3.12 #name 虚拟环境的名字。conda activate name #name 虚拟环境的名字。然后直接在菜单中，打开conda 的命令窗口。#env_name 虚拟环境的名字。直接在这个窗口中执行就可以了。1.打开官网，下载安装。查看conda的版本。

ACT 纯仿真复现教程（Ubuntu + Conda，无真机ALOHA）

weixin_46200189的博客

06-22

509

本文提供一套无ALOHA真实机器人、仅依靠MuJoCo仿真环境的ACT完整复现流程，适配Ubuntu服务器/本地台式机，全程使用Conda管理Python环境，覆盖系统依赖安装、仓库部署、仿真数据集生成、模型训练、仿真评估、报错排查全流程，完全基于官方仓库内置仿真任务，新手可一键跟着命令复现。适用场景：实验室远程服务器、无实体机械臂、仅做算法仿真验证、复现ACT论文基线效果。

【部署Qwen3.5】Ubuntu系统使用Conda+Vllm方式部署Qwen3.5-27B

????鱼干～

06-23

251

【部署Qwen3.5】Ubuntu系统使用Conda+Vllm方式部署Qwen3.5-27B

miniforge3 部署 easy-ocr conda沙箱

chinadragon76的专栏

06-23

159

部分 C API（如 _ARRAY_API），并改变了内部结构。# 再次回退numpy版本，解决 NumPy 2.x 兼容性问题。# 3. 安装其他依赖（按顺序）或者，pip install -r requirements.txt。# wheel 仍是基于 NumPy 1.x 编译的，无法在 NumPy 2.x 上加载。# 准备：使用mamba创建python沙箱，也可使用conda(更慢，但成功率高些）# 2. 安装 PyTorch CPU 版（必须指定 index-url）

【人工智能专题】用 PyTorch + RNN 训练语义模型：从原理到实战的完整指南

weixin_42260382的博客

06-24

360

本文介绍了使用PyTorch和RNN进行语义建模的完整指南。首先分析了RNN家族（基础RNN/LSTM/GRU）的数学原理和优缺点，重点讲解了LSTM的门控机制如何解决长序列依赖问题。接着提出了端到端的语义模型系统架构，包含数据预处理、词嵌入层、RNN编码器、分类头等模块。文章还提供了环境安装指南，建议使用PyTorch 2.0+版本，并比较了不同RNN变体在参数量、计算效率和准确率方面的表现。最后强调了梯度裁剪、学习率调度等训练优化技巧，为NLP学习者提供了从理论到实践的完整解决方案。

我的第三个pytorch人工智能程序(训练成功cifar100，如何识别一张网络图片？)

ganggangwawa的博客

06-23

201

'tank85坦克', 'telephone86电话机', 'television87电视机', 'tiger88老虎', 'tractor89拖拉','train90火车','trout91鳟鱼', 'tulip92郁金香', 'turtle93乌龟', 'wardrobe94衣柜','bowl10碗', 'boy11男孩', 'bridge12桥', 'bus13公共汽车', 'butterfly14蝴蝶',

PyTorch强化学习实战（15）——Dueling DQN

盼小辉丶的博客

06-22

361

本文介绍了 Dueling DQN 的核心思想——将Q网络分解为状态价值流和动作优势流，通过显式建模两者关系提升学习效率。从经典 DQN 的局限性出发，详细解析了 Dueling Network 的架构设计、数学原理及实现细节，并通过减去优势均值的技巧确保网络正确学习。实验结果表明，该架构相比经典 DQN 具有更快的收敛速度，且优势值稳定在零均值附近，验证了设计的有效性。

#从零到一搭建微博情感分类系统：基于BiLSTM的PyTorch完整实战教程【3W字保姆级详解】

2401_88566519的博客

06-24

331

项目使用的是0 → 喜悦1 → 愤怒2 → 厌恶3 → 低落每条数据由两部分组成：第一列为标签（0-3的数字），第二列为微博文本内容。数据集为字符级处理，无需分词，直接按汉字拆分即可。为什么使用字符级而非词语级？对于中文短文本（如微博），字符级处理可以规避分词错误带来的误差，且词表规模更小，模型训练更快，非常适合入门级情感分类任务。函数定义与文档字符串函数接收三个参数：语料文件路径、词表最大尺寸、最低词频。文档字符串清晰说明了函数功能和参数含义，这是工程化代码的好习惯。

神经网络入门教程：前向传播与反向传播详解

m0_73593563的博客

06-22

1008

神经网络（简称：ANN）是一种受人脑神经元连接方式启发而设计的机器学习模型，它通过大量相互连接的“神经元”来处理数据、提取特征并完成预测或判断。简单来说，神经网络会接收输入数据，例如图片、文字、声音或数字信息，然后经过一层或多层隐藏层的计算，把原始数据逐步转换成更有意义的特征，最后在输出层给出结果。它并不是依靠人手动编写固定规则来解决问题，而是通过大量样本数据进行训练，在不断比较预测结果和真实答案的差距后，自动调整内部的权重和偏置，使模型的预测越来越准确。

PyTorch：深度学习领域的主流框架

alphacoder123的博客

06-21

190

PyTorch是由Meta开源的深度学习框架，凭借动态计算图、Python优先设计和GPU加速张量计算等特性，成为当前使用率最高的深度学习工具。其动态图机制便于调试，Python原生接口降低了学习成本，同时支持与科学计算库无缝集成。PyTorch还通过底层优化提升性能，并具有出色的扩展性。活跃的社区和丰富的资源使其覆盖从研究到部署的全场景，成为兼顾灵活性与性能的理想选择。

基于 MoonBit 的开源深度学习训练框架MoonXi-net ，性能达 PyTorch 2 倍

m0_74743788的博客

06-25

221

近期，MoonBit 社区开发者、清华大学计算机科学与技术博士Kaiwei Li开发了开源项目：深度学习训练框架MoonXi-net。这是一个基于 MoonBit 构建、采用 Tagless Final 架构设计、支持 CPU/GPU 多后端扩展的训练框架项目。在不到一个月的业余开发时间里，开发者借助国产大模型与开源 Agent 工具链完成了框架原型设计、训练系统搭建、GPU 支持与性能优化。项目不仅验证了 MoonBit 构建复杂系统软件的能力，也展示了 AI 辅助开发在系统级项目中的实践潜力。

学习词嵌入

qq_52122048的博客

06-22

274

embed 是word2vec的思想，把词典里one-hot编码的字或者词，变成预训练（可能需要微调）的词向量 onehot是最简单的一种embedding，复杂的word2vec之类的可以有更好的语义表达 embed就是对onehot的降维。维度大小无所谓，看你预料训练时神经元设置的大小（这个就是最后词的结果），使用embedding训练数据的时候，改一下紧跟embedding层的网络层中输入参数的大小就可以了。其实就是查表这个就是嵌入层最精妙的地方，保留了稀疏矩阵的优点，又增加词的可用性。