文章目錄
- tensorflow配置環境
-
- 0tensorflow簡介
-
- 0.0：什麼是tensorflow
- 0.1：tensorflow可以用來幹嘛
- 0.2：tensorflow基礎
- 1、tensorflow配置環境基礎
-
- 1.1tensorflow配置環境需要的軟體、硬體環境。
- 1.2注意：幾個關系
- 2、tensorflow配置環境
-
- 2.0 在anaconda中建立虛拟環境
- 2.1安裝GPU環境下的跑tensorflow需要的軟體
- 2.2安裝tensorflow
- 3、測試
-
- 3.0檢視tensorflow版本和路徑
- 3.1檢視keras是否可用
- 3.2檢視GPU是否可用
- 3.3檢視GPU具體資訊
tensorflow配置環境
0tensorflow簡介
工欲善其事必先利其器，在用tensorflow前，首先得了解一下tensorflow。這樣在使用的時候才能避免很多問題。更多問題請檢視tensorflow中文官網。
tensorflow中文官網
0.0：什麼是tensorflow
TensorFlow 是一個免費、開源、流行的 機器學習 和 深度學習架構。 由谷歌大腦 (Google Brain) 團隊開發， 于 2015 年 11 月 9 日釋出。用于使用資料流圖進行數值計算， 完全基于 Python 語言，使得機器學習更快速、更容易。
0.1：tensorflow可以用來幹嘛
TensorFlow 可以訓練和運作深度神經網絡 (DNN)，用于圖像識别，手寫數字分類，循環神經網絡 (RNN)，詞嵌入 (word embedding)，自然語言處理，視訊檢測等等。 TensorFlow 不僅可以運作在多個 CPU/GPU 上，也可以運作在移動作業系統中。
0.2：tensorflow基礎
參考連結：深度學習架構介紹以及tensorflow基礎
了解tensorflow基礎，重在了解tensor（張量，即多元數組）和Flow（即資料的流動，在tensorflow中，資料流動圖用節點和邊組成的有向圖來描述數學運算）
1、tensorflow配置環境基礎
我是基于win10，64位的作業系統。
1.1tensorflow配置環境需要的軟體、硬體環境。
硬體：電腦上是否有GPU（如有GPU，檢查自己的GPU是否支援tensorflow，否則配置CPU版的tensorflow）
軟體：anaconda、cudatoolkit（有本地和線上兩種方式）、（顯示卡驅動）、cudnn。
注：CUDA Toolkit本地安裝包時内含特定版本Nvidia顯示卡驅動的，是以隻選擇下載下傳CUDA Toolkit就足夠了，如果想安裝其他版本的顯示卡驅動就下載下傳相應版本即可
需要安裝的包：keras、tensorflow、tensorflow-gpu
a.檢查自己電腦組態：檢視自己電腦是否有GPU，以及驅動程式版本。如果沒有GPU，則安裝CPU版本就好。
b.檢視本機GPU是否支援
檢視連結
1.2注意：幾個關系
（1）NVIDIA的顯示卡驅動程式和CUDA的關系：NVIDIA的顯示卡驅動程式和CUDA完全是兩個不同的概念。CUDA是NVIDIA推出的用于自家GPU的并行計算架構，也就是說CUDA隻能在NVIDIA的GPU上運作，而且隻有當要解決的計算問題是可以大量并行計算的時候才能發揮CUDA的作用。（可以怎麼了解，GPU是螺絲，cuda是扳手，通過cuda）
CUDA和GPU之間的關系
*NVIDIA的顯示卡驅動器與CUDA并不是一一對應的。*CUDA的本質是一個工具包（ToolKit）。當我們使用一台電腦的時候預設的已經安裝了NVIDIA的顯示卡驅動，但是這個時候我們是沒有CUDA可以用的，我們可以更新我們的驅動，更新連結為
tensorflow和keras之間的關系
Keras是基于TensorFlow和Theano的深度學習庫，也僅支援python開發。
它是為了支援快速實踐而對tensorflow或者Theano的再次封裝，讓我們可以不用關注過多的底層細節，能夠把想法快速轉換為結果。
（3）cudnn和cuda的關系
cudnn與CUDA沒有一一對應的關系。cudnn是一個SDK，是一個專門用于神經網絡的加速包，注意，它跟我們的CUDA沒有一一對應的關系，即每一個版本的CUDA可能有好幾個版本的cuDNN與之對應，但一般有一個最新版本的cuDNN版本與CUDA對應更好。
（3）GPU、cuda、cudnn、tensorflow、keras之間的關系。
GPU：用來計算
cuda：告訴GPU要怎麼計算
cudnn：專門用于神經網絡的加速包。深度學習火了以後，專為深度學習開發的通過cuda調用GPU的工具包。
tensorflow：深度學習架構
keras：對tensorflow的二次封裝。
（4）cuda、cudnn、tensorflow之間的版本對應關系
cuda、cudnn、tensorflow之間的對應關系
雖然說cuda和cudnn之間沒有關系，但是官方還是做了測試，并推薦了穩定版的搭配。
2、tensorflow配置環境
2.0 在anaconda中建立虛拟環境
建立虛拟環境
激活虛拟環境
activate tf
将虛拟環境添加到jupyter notebook中
首先安裝ipykernel
conda install ipykernel
conda install -n tf ipykernel
将ipykernel寫入jupyter notebook中的環境中
2.1安裝GPU環境下的跑tensorflow需要的軟體
安裝詳細教程
建立好虛拟環境後，在虛拟環境中安裝tensorflow。現在大家都是用的GPU跑深度學習模型，在安裝tensorflow前需要安裝一些硬體
a、下載下傳與自己電腦系統比對的顯示卡驅動（cuda）：
檢視顯示卡驅動是否安裝成功：
在控制台面闆下輸入：
nvidia-smi
b、安裝CUDA Toolkit 和 cuDNN
cuda下載下傳連結
cudnn下載下傳連結
在 Anaconda 環境下，對于 TensorFlow 2.1，可使用:
conda install cudatoolkit=10.1
conda install cudnn=7.6.5
需要注意的是：安裝 CUDA Toolkit 和 cuDNN，要安裝的 CUDA Toolkit 和 cuDNN 版本号須要一一對應（最好），一般來說，高版本的cudnn可相容低版本的cuda。官網給出的版本對應是經過官網測試的。
。參照官網：cuda和cudnn版本對應
c、添加環境變量
将 CUDA®、CUPTI 和 cuDNN 安裝目錄添加到 %PATH% 環境變量中。
例如，如果 CUDA® 工具包安裝到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1，并且 cuDNN 安裝到 C:\tools\cuda，請更新 %PATH% 以比對路徑：
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin;%PATH%
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\CUPTI\lib64;%PATH%
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include;%PATH%
SET PATH=C:\tools\cuda\bin;%PATH%
我添加的環境變量如下：
2.2安裝tensorflow
pip install keras
3、測試
3.0檢視tensorflow版本和路徑
import tensorflow as tf
print(tf.__version__)#tensorflow版本
print(tf.__path__)#tensorflow安裝路徑
3.1檢視keras是否可用
from keras.models import Model
from keras.layers import Input, BatchNormalization, Conv2D, MaxPooling2D, Dropout, concatenate, merge, UpSampling2D
from keras.optimizers import Adam
3.2檢視GPU是否可用
true表示可用
3.3檢視GPU具體資訊
nvidia-smi