Anaconda安装

Anaconda安装

国内因为某些原因，可以在清华镜像站下载。

Anaconda默认自带python，所以无需提前下载python

清华镜像站

Anaconda官网

image-20191124164832545.png

image-20191124165041433.png

此处两个高级设置的解释:

1. 将Anaconda添加到环境变量中。(无需勾选)
2. 可以让其他IDE检测到Anaconda的Python。(勾选后可以在Anaconda之外的环境中使用python,比如VC)

Tensorflow2.0安装

按照Tensorflow官网的提示安装Tensorflow官网

安装步骤

# 创建虚拟环境
# 因为目前tensorflow不支持python3.8 所以这里指定创建python版本为3.7
conda create -n tensorflow2 pip python=3.7
# 进入环境
conda activate tensorflow2
# 安装tensorflow

# 此处安装的为cpu版本
# 官网推荐使用pip方式安装，本人觉得这里使用pip更快，而使用conda的清华源可能找不到支持最新版本的tensorflow
# conda install tensorflow
pip install --ignore-installed --upgrade tensorflow

# 安装tensorflow-gpu(可选)

# conda install tensorflow-gpu
# 这里如果使用pip安装,不会同时安装CUDA和cuDNN,需要自己去Nvidia官网下载,之后详细说明
# 需要注意的是，请首先安装CUDA和cuDNN后，在安装tensorflow-gpu，否则可能无法切换到gpu模式
pip install --ignore-installed --upgrade tensorflow-gpu

image-20191124165908991.png

使用conda list查看是否安装成功

image-20191124170424581.png

CUDA以及cuDNN的安装方法

cuDNN: https://developer.nvidia.com/rdp/cudnn-archive

CUDA: https://developer.nvidia.com/cuda-toolkit-archive

此处需要注意的是，应该选择tensorflow支持的版本下载，我安装的时候，tensorflow2.0支持CUDA10.0，cuDNN版本需要为大于7.4.1

image-20191124170834459.png

安装CUDA

image-20191124171117099.png

在官网找到CUDA Toolkit 10.0

image-20191124171201735.png

需要注意，在安装CUDA Toolkit 10.0 之前，电脑需要安装Visual Studio 2017

image-20191124171933023.png

不需要勾选Visual Studio Integration，因为可能会导致安装失败，且不安装此项并不会影响使用。

image-20191124172040081.png

注意，此处如果你的电脑中已经安装了英伟达的驱动程序，且已经是最新版，那么无需勾选剩余的选项，如果您的驱动程序当前版本没有新版本高，那么勾选即可。此外，还需要查看你的显卡驱动信息。

NVIDIA控制面板->帮助->系统信息->组件 查看显卡驱动支持的CUDA版本

image-20191124172405960.png

安装cuDNN

因为CUDA版本为10.0,所以需要下载与其匹配的cuDNN

image-20191124171842585.png

解压缩文件后，将cuda目录下的三个文件夹复制到CUDA安装目录下

image-20191124172603264.png

默认目录为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0

image-20191124172653530.png

进入目录复制即可，之后配置环境变量

因为CUDA安装成功后，已经默认配置了环境变量，所以只需要添加这*标的一条即可

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin # 默认添加
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\libnvvp # 默认添加
* C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64 # 手动添加

打开Anaconda prompt，输入nvcc -V 查看是否安装成功

image-20191124173245545.png

如果出现上图所示的内容，则安装成功。

测试tensorflow

Anaconda prompt

# 安装ipython
conda install ipython
# 安装jupyter
conda install jupyter
# 打开notebook
jupyter notebook

Anaconda Navigator

Win+S搜索Anaconda Navigator

image-20191124174149883.png

测试安装结果

如果你安装的是tensorflow cpu版本，那么可以通过如下方式测试

image-20191124174506421.png

如果你安装的是tensorflow-gpu版本，那么可以通过如下方式，检测是否处于gpu工作模式

image-20191124174845427.png

如果output为空，则证明为cpu模式

minst数据集测试

# 引入tensorflow
import tensorflow as tf

# 检测是否为gpu模式
tf.test.gpu_device_name()

# 获取mnist数据集
mnist = tf.keras.datasets.mnist

# 载入mnist数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 将样本从整数转换为浮点数
x_train, x_test = x_train / 255.0, x_test / 255.0

# 搭建模型
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

# 为模型选择优化器和损失函数
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=5)

# 评估模型
model.evaluate(x_test,  y_test, verbose=2)