用conda的虚拟环境可以安装不同版本的tensorflow或pytorch，没必要一直升降级，想用哪个换个环境就行。
创建环境的好处：1.灵活安装，再也不用担心装错了。2.可以切换不同版本的框架。
在Anaconda Prompt中删除环境（关闭所有编辑器）
用Anaconda里面的conda命令安装不同的深度学习框架
方式一：指定TensorFlow的版本，可以自动安装CUDA、cuDNN版本
方式二：手动选择安装TensorFlow、CUDA、cuDNN的版本
1、创建新环境：
【conda create -n 起个环境名字 python=3.8】（python版本自己要啥写啥）
2、激活环境：
【conda activate 环境名字】（最前面的base会变成你的新环境名）
3、查看所有的环境：
【conda env list】或者【conda info –envs】（在软件安装目录\Anaconda3\envs里面）
4、查看该环境下的包：
【conda list】
5、更新指定环境下的所有包：
【conda update -n python34 –all】（也可以把–all换成指定包名）
【conda remove -n 环境名字 –all】或者直接删除环境文件夹（可能会有残余）
一、新建环境的同时克隆旧环境所有包
使用克隆环境的方法(此方法可用于完全备份环境)
[En]
Use the method of cloning the environment (this method can be used to fully back up the environment)
例一：创建BBB的环境并克隆AAA环境
【conda create -n BBB –clone AAA】
移植过来的环境会安装你原来环境里用包含pip/conda install等命令安装的包。
例二：激活你想克隆的旧环境AAA
【conda activate AAA】
【conda create -n BBB python=3.7 anaconda】
此种方式可以指定python版本号并创建与AAA基本相同的环境，因为移植过来的环境只是安装了你原来环境里用conda install等命令直接安装的包，你用pip之类装的东西没有移植过来，需要你重新安装。
二、复现旧电脑环境包(复现网上别人现成的环境yaml文件包 )
优势： 适合安装指定的python版本，或者深度学习需要的不同版本环境； 另外， 使用conda env export会包含使用pip安装的包（看情况，没有就再pip进行导入导出）
1、先导出旧电脑环境的所有包或者网上别人现成的环境yaml文件包
第一步、激活你想克隆的旧电脑环境：【conda activate 旧环境】
第二步、导出旧电脑环境包到指定路径并可以自定义这个导出文件的名字：【conda env export > d:\environment.yaml 】（注意：如果当前路径已经有了 environment.yaml 文件，conda 会重写这个文件）
2、再导入新电脑配置环境（保证网络连接，自动下载该环境的包进行配置）
第一步、打开Anaconda Prompt 程序
第二步、导入命令：【conda env create -f d:\environment.yaml】
一步到位方式：直接用【conda env create -n 旧电脑环境 -f d:\environment.yaml】或者【conda env create -f environment.yaml -p /环境目录…./anaconda3/envs/指定环境名】
注意：如果在用的时候发现有些module还是未安装，可能是用pip安装在Anaconda的lib和site-package里的包。可能还要用导出pip的方法：
pip导出安装的库到自定义文本名 zidingyi.txt：
pip freeze > d:\zidingyi.txt
pip导入zidingyi.txt中列出的库到新机：
pip install -r d:\zidingyi.txt
方式一：指定TensorFlow的版本，可以自动安装CUDA、cuDNN版本
1、创建独立的新环境：【conda create -n TF2.1 python=3.7】（版本号可自选）
2、激活环境：【conda activate TF2.1】
3、在新环境中安装tensorflow-gpu 2.1版本：【conda install tensorflow-gpu=2.1】（版本号可自选）
4、点击y，会自动安装匹配的CUDA Toolkit、CUDNN
5、验证是否安装成功，在当前环境下依次输入以下内容，如果出现gpu的相关内容，则成功。
测试一：
python
import tensorflow as tf
version = tf.version
gpu_ok = tf.test.is_gpu_available()
print(“tf version:”,version,”\nuse GPU”,gpu_ok)
测试二：
python
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
sess = tf.compat.v1.Session()
方式二：手动选择安装TensorFlow、CUDA、cuDNN的版本
1、创建独立的新环境：【conda create -n TF2.1 python=3.7】（版本号可自选）
2、激活环境：【conda activate TF2.1】
3、在新环境中安装TensorFlow、CUDA、cuDNN版本：
1.安装英伟达的SDK 10.1版本：【conda install cudatoolkit=10.1】（版本号可自选）
2.安装英伟达深度学习软件包7.6版本：【conda install cudnn=7.6】（版本号可自选）
3.安装TensorFlow框架：【conda install tensorflow=2.1】（版本号可自选）
参考地址：https://www.jianshu.com/p/ceb3c020e06b
1、进入cmd命令模式
2、隔几秒刷新一下显存状态：nvidia-smi -l 秒数
【nvidia-smi -l 5】
注意：如果想让命令停止下来，需要手动执行Ctrl+C，或者kill掉进程
3、将监控结果写入文件，并且指定写入文件的监控字段
【nvidia-smi -l 1 –format=csv –filename=GPUreport.csv –query-gpu=timestamp,name,index,utilization.gpu,memory.total,memory.used,power.draw】
Original: https://blog.csdn.net/luochao5862426/article/details/121257673
Author: 静●思●行
Title: 用Anaconda里面的conda命令创建虚拟环境并克隆环境或者复旧电脑实验环境包、安装不同版本的tensorflow或pytorch框架
相关阅读
Title: Django3：请求及响应
一、Django中的请求
请求在Django中实则就是视图函数中的第一个参数，即HttpRequest对象。Django接收到http协议的请求后，会根据请求数据报文创建HttpResquest对象。HttpRequest对象通过属性描述了请求的所有信息。
- path_info ：url字符串
- method：字符串，表示Http请求方法，常用值：’GET、’POST
- GET：QueryDict查询字典的对象，包含get请求方式的所有数据
- POST：QueryDict查询字典的对象，包含post请求方式的所有数据
- FILES：类似字典的对象，包含所有的上传文件信息
- COOKIES：python字典，包含所有的cookie，键和值都为字符串
- session：类似于字典的对象，表示当前的会话
- body：字符串，请求体的内容（POST或PUT）
- scheme：请求协议（’http’/’https’）
- request.get_full_path()：请求的完整路径
- request.META：请求中的元数据（消息头）
例：
（1）views.py
from django.http import HttpResponse
def test_request(request):
print('paht info:', request.path_info)
print('method:', request.method)
return HttpResponse('test is ok')
（2）urls.py
from django.contrib import admin
from django.urls import path, re_path
from . import views
urlpatterns = [
path('admin/', admin.site.urls),
path('test_request', views.test_request)
]
（3）请求
终端输出：
二、Django中的响应
1、http状态码：
- 200：请求成功
- 301：永久重定向-资源（网页等）被永久转移到其他url
- 302：临时重定向
- 404：请求的资源不存在
- 500：内部服务器错误
2、Django的响应对象
（1）构造函数格式
HttpResponse(content=响应体， content_type=响应体数据类型， status=状态码)
作用：向客户端浏览器返回响应，同时携带响应体内容
（2）常用的context-type
- text/html：默认的，html文件
- text/plain：纯文本
- text/javascript：js文件
- multipart/form-data：文件提交
- application/json：json传输
- application/xml：xml文件
（3）HttpResponse子类
三、GET请求和POST请求
无论get还是post，统一都由视图函数接收请求，通过判断request.method区分具体的请求动作
1、get
（1）get请求一般用于服务器获取数据
场景：
- 浏览器地址栏职工shuruurl，回车后
- form表单中的method为get
（2）接收客户端数据
get请求中，如果有数据需要传递给服务器，通常用查询字符串（Query String）传递（注意不要传递敏感数据）
url格式：
xxx?参数名1=值1&参数名2=值2…
如：http://127.0.0.1:8000/page1?a=100&b=200
例：
- request.GET[‘参数名’]
- request.GET.get(‘参数名’，’默认值’)
- request.GET.getlist(‘参数名’)
2、post
（1）post请求一般用于向服务器提交大量/隐私数据
（2）接收客户端数据
- request.POST[‘参数名’]
- request. POST.get(‘参数名’，’默认值’)
- request. POST.getlist(‘参数名’)
注：取消csrf验证，否则Django将会拒绝客户端发来的POST请求，报403错响应。
取消csrf：
禁止掉settin.py中MIDDLEWARE的django.middleware.csrf.CsrfViewMiddleware
Original: https://blog.csdn.net/King_weng/article/details/124068593
Author: king_weng
Title: Django3：请求及响应
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/333088/
转载文章受原作者版权保护。转载请注明原作者出处！
