深度学习编程环境概念（GPU, Tensorflow, Docker, CUDA, CPU, CUDNN, Keras, Anaconda, PyTorch介绍）简介在深度学习过程中经常会遇到GPU, Tensorflow, Docker, CUDA, CPU, CUDNN, Keras, Anaconda, PyTorch等名次概念，也一直理不清这些编程环境的层次，所以做一个总结总览越往下越底层

anaconda没有重命名命令，因此使用克隆删除的方法（1）进入旧环境conda activate old_name（2）克隆旧环境，新环境名为rebarconda create -n new_name --clone old_name（3）退出旧环境conda deactivate（4）查看clone结果conda info --envs（5）删除旧环境conda remove -n old_n

train set：该集合是用于训练模型的。dev set：该集合是用于在训练模型中评估模型，以促进模型优化的。test set：该集合是用于测试训练好的模型是否有效的。简而言之就是：你使用了train set训练一个模型，这个模型有一个优化目标，利用dev set来评估你的模型，确定你模型离你的目标差距。在不断迭代中不断用train set训练模型，dev set评估模型，不断靠近你的目标直至最

概述，需要注意以下几个问题：（1）NVIDIA的显卡驱动程序和CUDA完全是两个不同的概念哦！CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。CUDA的本质是一个工具包（ToolKit）；但是二者虽然不一样的。显卡驱动的安装：当我们使用一台电脑的时候默认的已经安装了

深度学习编程环境概念（GPU, Tensorflow, Docker, CUDA, CPU, CUDNN, Keras, Anaconda, PyTorch介绍）简介在深度学习过程中经常会遇到GPU, Tensorflow, Docker, CUDA, CPU, CUDNN, Keras, Anaconda, PyTorch等名次概念，也一直理不清这些编程环境的层次，所以做一个总结总览越往下越底层

打开这个主的Anaconda Prompt，先执行，conda update conda，先把conda更新到最新版然后输入conda update anaconda，把anaconda更新的新版。Anaconda已经更新完毕，启动anaconda-navigator，发现在配置的环境中，只有base这个环境更新到最新。而自己常用的自定义配置的环境还是以前的版本进入到需要升级的配置环境输入cond

在tensorflow 1.x中，环境tensorflow==1.xtensorflow-gpu==1.x只有CPUcpu运行和tensorflow一样运行有GPU且装Cuda和Cudnncpu运行gpu运行有GPU未装Cuda或Cudnncpu运行和tensorflow一样运行在tensorflow 2.x中，环境tensorflow-cpu==2.xtensorflow==2.x只有CP

1.初始化列表及修改初始化列表有很多方法，其中之一可以通过*来初始化：a=[[]]*3printa>>> [[], [], []]通过这个方法获取了一个包含三个空list的嵌套列表，下面对这个列表进行修改：a[0].append(1)printa>>> [[1], [1], [1]]通过输出，我们发现我们只是修改了a[0], 为什么a里的子列表全部都被修改了，接

宿主机：windows7虚拟机：windowsXP查看宿主机和虚拟机的ip地址宿主机：192.168.43.210虚拟机：192.168.43.243打开宿主机和虚拟机的telnet功能Ping一下地址检查连通性打开wireSharp，开始抓包连接远程虚拟机 查看抓到的包，筛选出源或者目标为虚拟机ip的包 最开始有3个包，先是宿主机地址发给虚拟机地址，然后虚拟机进行应答，然后宿主机在发送给虚拟机，

概述，需要注意以下几个问题：（1）NVIDIA的显卡驱动程序和CUDA完全是两个不同的概念哦！CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。CUDA的本质是一个工具包（ToolKit）；但是二者虽然不一样的。显卡驱动的安装：当我们使用一台电脑的时候默认的已经安装了