win10x64下安装anaconda、配置tensorflow并在jupyter和pycharm中使用tf

曾经终败给现在 2022-03-30 17:08 349阅读 0赞

### 文章目录 ###

*   *  1 CUDA和cuDNN环境配置
     *   *  1.1 查看电脑的显卡类型
         *  1.2 CUDA安装
         *  1.3 cuDNN的设置
         *  1.4 环境变量配置
     *  2 anaconda的安装
     *  3 配置TensorFlow环境
     *   *  3.1 创建TensorFlow的虚拟环境
         *  3.2 安装TensorFlow
     *  4 在jupyter notebook和pycharm中使用tf
     *   *  4.1 在jupyter noterbook中使用tenforflow
         *  4.2 pycharm中使用tf

其实之前都在电脑上配置过tensorflow的环境，当然也是在anaconda下的，同时也写过相关的问题笔记，但是由于偷懒写的很简略。在重装了系统之后，电脑上的TensorFlow环境出了点问题，干脆就卸载了anaconda。重装TensorFlow时发现自己居然不会了，哎，搜索了一些博客后，最终算是圆满安装，这次不偷懒，仔仔细细地记录下。  
由于我配置的是GPU版本的，所以要涉及CUDA的配置。这里我把整个过程描述为CUDA和cuDNN环境配置、安装anaconda、配置TensorFlow环境、在jupyter notebook和pycharm中使用tf四个环节。我的环境为：win10、64位、显卡为1050Ti。

## 1 CUDA和cuDNN环境配置 ##

### 1.1 查看电脑的显卡类型 ###

在电脑设备管理器(我的电脑右键–点击属性–出现设备管理器)中显示适配器下查看。如下图所示，我的电脑的显卡为1050Ti。  
![图1][1]

### 1.2 CUDA安装 ###

关于CUDA安装的版本，很多博客上都说要去NVIDIA控制面板下(如下图所示)查看自己需要的CUDA版本，其实我觉得是可以不用的，因为TensorFlow现在最高只支持CUDA9.0，我之前也是安装了CUDA9.1，然后却在安装TensorFlow的时候报错。所以这次我直接安装CUDA9.0。关于这方面的更多细节请[参考][Link 1]。需要注意在安装之前可能需要更新NVIDIA显卡驱动，在更新驱动的时候，个人建议尽量使用低版本的驱动。[驱动下载地址][Link 2]  
![图2][2]  
TensorFlow官网对显卡的支持  
![图3][3]  
在敲定了CUDA的版本之后，就可以去[官网][Link 3]下载了。我这里的选择如下图所示。  
![图4][4]  
下载完成之后，为了简单起见，所有设置默认安装。  
安装验证，在cmd窗口中输入`nvcc -V`查看CUDA的安装，如下图所示，表明安装成功。  
![图6][6]

### 1.3 cuDNN的设置 ###

至于使用什么版本的cuDNN，下图为TensorFlow各个版本相关的支持。  
![图5][5]  
这张图片只到了1.7版本，所以上表所列的版本支持不高，仅供参考。但是现在在TensorFlow官网上，要求7.2以上版本。官网下载[地址][Link 4]，在下载的时候要注册登录，笔者注册了好久都没成功，后面直接百度的。[这里][Link 5]是我上传的资源。  
在下载好了cuDNN(其本质就是一个压缩文件)之后，解压缩，将cuDNN的三个文件（cudnn64\_7.dll ，cudnn.h ，cudnn.lib ）复制粘贴到CUDA下的相同目录（C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v9.0，这是默认的CUDA安装目录），如果更改了CUDA安装目录这里就要改为更改后的目录。  
复制cuDNN目录中的文件：  
cuDNN–>bin\\cudnn64\_7.dll  
cuDNN–>include\\cudnn.h  
cuDNN–>lib\\x64\\cudnn.lib  
到CUDA对应目录中：  
C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v9.0\\bin  
C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v9.0\\include  
C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v9.0\\lib\\x64

### 1.4 环境变量配置 ###

*  CUDA  
    CUDA会在安装的时候自动配置环境变量。
 *  cuDNN  
    有cuDNN也是拷贝到了CUDA路径下所以也就不用配置环境变量了。

## 2 anaconda的安装 ##

首先去现在anaconda，推荐使用[清华源下载][Link 6]，速度嗖嗖嗖的。根据个人需求安装吧，需要注意TensorFlow现在最高支持python3.6，所以anaconda安装的时候要注意其所支持的Python版本，我这里下载的是Anaconda3-5.0.0-Windows-x86\_64.exe，对应Python版本为3.6.2。anaconda和Python对应版本\[查看\]([https://blog.csdn.net/yuejisuo1948/article/details/81043823）][https_blog.csdn.net_yuejisuo1948_article_details_81043823]  
anaconda的安装很简单，基本上一路默认安装，为了方便，需要勾选自动创建环境变量这一项，免得自己以后去配置。如下图所示。  
![图7][7]  
**查看安装**  
在cmd中，输入conda list，查看已经安装的库。

## 3 配置TensorFlow环境 ##

在开始菜单中找到anaconda，点击Anconada Prompt，如下图所示。  
![图8][8]

### 3.1 创建TensorFlow的虚拟环境 ###

在Anaconda Prompt窗口中输入`conda create -n tensorflow python=3.6`，表示在Anaconda创建一个python3.6的虚拟环境，环境名称为tensorflow(也可以自定义一个)。  
接下来在Anaconda Navigator中可以看到已经创建好了一个名为tensorflow的虚拟环境，如下图所示。  
![图9][9]  
在Anaconda Prompt输入`activate tensorflow`，激活tensorflow环境。注意下图中箭头所指部分为tensorflow，而在没有激活tensorflow环境时为Anaconda。  
![图10][10]  
另外`deactivate tensorflow`表示关闭tensorflow虚拟环境。

### 3.2 安装TensorFlow ###

**安装CPU版本**  
在激活tensorflow环境下，输入`pip install --upgrade --ignore-installed tensorflow==1.10 -i https://pypi.tuna.tsinghua.edu.cn/simple` 这里安装的是CPU版本的tensorflow，版本号为1.10，现在目前最高为1.12(我这里选择1.10，是因为我的其他机子也是在用的1.10版本)，-i表示使用哪里的源，这里我使用的是清华源，速度快。  
**安装GPU版本**  
输入`pip install --upgrade --ignore-installed tensorflow-gpu==1.10 -i https://pypi.tuna.tsinghua.edu.cn/simple`即可。  
**测试安装**  
在anaconda Prompt中输入如下代码(一定要激活tensorflow环境)：

import tensorflow as tf
    print(tf.__version__)   # 打印当前tf的版本
    with tf.device("/device:GPU:1"):
    	a = tf.get_variable("a",[2],initializer=tf.ones_initializer) #定义一个a变量，并且把他放置在了GPU1上

![图11][11]  
如果出现如上图所示情况，表示GPU和CPU版本的tensorflow都安装成功了。

## 4 在jupyter notebook和pycharm中使用tf ##

### 4.1 在jupyter noterbook中使用tenforflow ###

**在tensorflow环境下安装jupyter noterbook**  
打开Anaconda Navigator，点击Home，Application on选项卡中选择tensorflow(表示在tensorflow环境中安装的应用)，如下图所示。  
![图12][12]  
我这里是安装了notebook的，会显示Launch，如果没有安装会显示Install，点击安装即可，可能需要点时间。  
**使用tensorflow环境下的jupyter noterbook**  
安装成功后，如果不出意外，会在开始菜单栏出现下图所示情况。可以看到有两个jupyter notebook应用，一个是在anaconda base环境下，一个是在tensorflow环境下。  
![图13][13]  
在Anaconda Prompt中输入`activate tensorflow`激活tensorflow环境，然后输入`jupyter notebook`开启jupyter notebook，之后就会在浏览器中打开了。需要注意，也可以在开始菜单中直接点击jupyter notebook的快捷方式打开，不过我这里不推荐这么使用。  
其他应用，比如Spyder的安装也是类似的。  
在notebook中新建一个Python3文件，进行tensorflow的测试，如下图所示表示成功。  
![图15][15]  
另外jupyter notebook的默认路径是c:\\uers下，使用起来很不方便，我这里是修改了默认开启的路径的。  
在cmd中输入`jupyter notebook --generate-config`如下图，输入y，我这里已经有了，就不再输入了。  
![图14][14]  
在C:\\Users…jupyter路径下找到jupyter\_notebook\_config.py，打开进行如下修改：

## The directory to use for notebooks and kernels. 
    #c.NotebookApp.notebook_dir = '' 
    将其改为 
    ## The directory to use for notebooks and kernels. 
    c.NotebookApp.notebook_dir = 'F:\PythonCode' 
    其中F:\PythonCode为我的工作空间，你可以改成你自己的， 
    注意:
    #c.NotebookApp.notebook_dir = ''中的#必须删除，且前面不能留空格。

不过上述方法比较麻烦的是，每次都必须从anaconda Prompt启动，而且一定要激活tensorflow环境，否则打开的是base环境中的jupyter，如果在快捷方式中打开，那么就不对，仍然为原来的路径。至于修改jupyter notebook默认路径的更多方法，请参考[博客][Link 7]。

### 4.2 pycharm中使用tf ###

至于pycharm的安装，自行百度吧，如果使用社区版很简单，使用专业版的话破解需要稍微弄下。  
打开pycharm，新建一个项目，配置Python解释器。在File-Setting–Project Interpreter选择tensorflow下的Python解释器。如下图所示。注意，可能有多个解释器，一定要选择在tensorflow虚拟环境下的那个。  
![图17][17]  
需要注意，可能在新建完项目后根本不会出现这个解释器，很可能是下图所示。  
![图19][19]  
点击Add，然后在Virtualenv Environment或者Conda Environment中选择Existing environment，然后选择你安装anaconda的路径，选择envs–>tensorflow–>python.exe即可，最后把Make available to all projects 勾选上，之后在所有项目中都会出现了。当然也可以在新建项目的时候，就选择好相应的解释器。  
![图18][18]  
和之前一样进行测试，运行后得到如下图所示，表明成功配置。  
![图20][20]  
大功告成。  
参考博客：[https://blog.csdn.net/u010858605/article/details/64128466][https_blog.csdn.net_u010858605_article_details_64128466]  
[https://blog.csdn.net/u010824101/article/details/80553847][https_blog.csdn.net_u010824101_article_details_80553847]  
[https://blog.csdn.net/yuejisuo1948/article/details/81043823][https_blog.csdn.net_yuejisuo1948_article_details_81043823 1]  
[https://blog.csdn.net/u013080652/article/details/68922702][https_blog.csdn.net_u013080652_article_details_68922702]  
[https://blog.csdn.net/u014552678/article/details/62046638][Link 7]

[1]: /images/20220330/e860eb0efb6c44ffb49efc8afd2915bf.png
[Link 1]: https://blog.csdn.net/ZengTudou/article/details/82764906
[Link 2]: https://www.geforce.cn/drivers
[2]: /images/20220330/972981e4d04b48d382e45e341ad1a635.png
[3]: /images/20220330/5f93edfe89804d3687012c0029484a4e.png
[Link 3]: https://developer.nvidia.com/cuda-toolkit-archive
[4]: /images/20220330/dd0610d56a2b4b24a19df8bf959ade8c.png
[6]: /images/20220330/c1960d71658a46f99759b9ed678e891a.png
[5]: /images/20220330/dc8a68140d0c471aa7ec3a479ac4617e.png
[Link 4]: https://developer.nvidia.com/cudnn
[Link 5]: https://download.csdn.net/download/zengtudou/10902462
[Link 6]: https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
[https_blog.csdn.net_yuejisuo1948_article_details_81043823]: https://blog.csdn.net/yuejisuo1948/article/details/81043823%EF%BC%89
[7]: /images/20220330/5f24915914c544478781085b994c54d2.png
[8]: /images/20220330/977fa83c0ebf4822b6a4e6b8449fb7c6.png
[9]: /images/20220330/807d60b6c3894df9a5b88f3f5d4c77f2.png
[10]: /images/20220330/06fca3ab3bfb43bc91fd89cd59cfcb70.png
[11]: /images/20220330/685a898d516c433b9148cf5f5dfc2109.png
[12]: /images/20220330/6f0cb49be05f42d2923e9e3241f77b52.png
[13]: /images/20220330/15206193de61416f989cbb53276ddfb0.png
[15]: /images/20220330/bf97a63bbafa4973b4bdb51c98741fd9.png
[14]: /images/20220330/0d29d228aaeb4dbbaa0f5b33204fd112.png
[Link 7]: https://blog.csdn.net/u014552678/article/details/62046638
[17]: /images/20220330/71a20e8950bd40d8a10d500ab753263e.png
[19]: /images/20220330/9ea816673ed2479580bd717e23186644.png
[18]: /images/20220330/3fd74eb93cd34cf08b670b0b7935a3f7.png
[20]: /images/20220330/ef12e1946c1248e083dc7dfeb0c1ada9.png
[https_blog.csdn.net_u010858605_article_details_64128466]: https://blog.csdn.net/u010858605/article/details/64128466
[https_blog.csdn.net_u010824101_article_details_80553847]: https://blog.csdn.net/u010824101/article/details/80553847
[https_blog.csdn.net_yuejisuo1948_article_details_81043823 1]: https://blog.csdn.net/yuejisuo1948/article/details/81043823
[https_blog.csdn.net_u013080652_article_details_68922702]: https://blog.csdn.net/u013080652/article/details/68922702