目 录
一、(学习用的) Anaconda3搭建深度学习环境,安装Tensorflow、Keras和Pytorch
前言
这里是我安装Anaconda3的链接:Anaconda3 安装教程-CSDN博客
还有我安装Pycharm软件的链接:Pycharm安装教程-CSDN博客
安装好Anaconda3之后,我们可以接着配置用于人工智能开发的Python环境。在这里我配置两个环境,一个是用于学习的,另一个是用于做YOLOv5深度学习需要的环境配置。
注:yolov5是我在Anaconda3里新建的环境,用于YOLOv5的深度学习,可以跑数据集,目前我已经制作完成。
链接:(超详细)搭建深度学习环境【Anaconda+Pycharm+NVIDIA 显卡驱动+PyTorch(含GPU版)+CUDA+cuDNN+win10】+ 配置系统环境变量-CSDN博客
以下是学习用的安装教程,目前还在传统机器学习当中,版本都没有配置很高。学习版本是在Anaconda3里创建新环境安装Tensorflow、Keras、Pytorch和图像处理相关的库,然后在Pycharm配置Anaconda环境,还有在国内配置的Anaconda镜像源。
这里先讲一下anaconda3里的base环境,通俗的来说base环境是一个大的环境,类似一个很大的一个别墅(但是没有房间),当我们每创建一个环境就都会相当于在这个别墅里面用隔板创建一个房间,然后这个房间里面可以安装我们所需要的包,这样管理起来就比较方便。
附几个常用的conda命令:
conda create --name YourName python=3.8.8 # 创建环境 YourName 是你需要命名的环境,比如可以命名为yolov5,后面的python=python版本
conda activate YourName # 激活环境你的环境
cd D:/DeepLearning/ # cd到有DeepLearning的目录 cd是切换目录命令
pip install -r requirements.txt # 安装项目需要的所有包
conda env list # 查看所有环境
conda list # 查看所有包
conda remove -n YourEnvName --all # 删除虚拟环境
一、(学习用的) Anaconda3搭建深度学习环境,安装Tensorflow、Keras和Pytorch
1. 创建新的Python环境
1.1 打开开始菜单,找到前面安装好的Anaconda3,单击打开“Anaconda Prompt(Anaconda3)”
1.2 创建一个名为wuyi的Python环境,版本号为3.7.1,命令如下:
conda create --name wuyi python=3.7.1
1.3 按回车后,等待响应完毕,输入y表示确认安装
1.4 激活刚刚创建的"wuyi"环境,命令如下
conda activate wuyi
注:后续所有的包都会安装在该wuyi环境下!
2. 安装Tensorflow框架
2.1 在创建好的wuyi环境中,我们需要安装Tensorflow框架,使用如下命令:
其中,conda install代表安装命令,tensorflow代表包名,1.15是tensorflow包的版本号
conda install tensorflow=1.15
2.2 按回车后,等待响应完毕,输入y表示确认安装(相同操作)
2.3 安装完后的样子
3. 安装Keras框架
安装Keras框架,操作方法与上述一致,都要在自己创建的wuyi环境下进行,使用命令如下:
conda install keras=2.3.1
4. 安装Pytorch框架
安装Pytorch框架,操作方法与上述一致,都要在自己创建的wuyi环境下进行,使用命令如下:
conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cpuonly -c pytorch
5. 安装图像处理相关库
安装skimage、matplotlib、opencv库,操作方法与上述一致,使用命令如下:
conda install scikit-image
conda install matplotlib
pip install opencv-python==3.4.2.16 -i "https://pypi.doubanio.com/simple/"
pip install opencv-contrib-python==3.4.2.16 -i "https://pypi.doubanio.com/simple/"
注:在利用Python-Opencv进行图像拼接处理时,会使用SIFT算法,该算法是保证关键点方向不变形,但是在OpenCV大于3.4.2.17版本以后,该算法被专利保护了,就不能使用了。针对这个情况,所以我安装低版本的OpenCV来进行解决。这里单独指定安装镜像----豆瓣。
我的安装opencv后显示这样,是正确的
6. 安装成功后验证
6.1 在wuyi环境下,输入python进入编程模式,回车后:
6.2 依次输入以下导入代码,无任何报错信息即安装成功:
import tensorflow
import keras
import torch
import skimage
import matplotlib
import cv2
二、Anaconda配置国内镜像源
通俗来说,Anaconda配置镜像源的主要目的是为了提高下载速度,并避免网络错误导致的下载失败。
当我们使用conda来安装或更新软件包时,它会从默认的下载源获取这些软件包。然而,这些默认的下载源可能位于国外,导致下载速度较慢,有时甚至因为网络问题而下载失败。
为了解决这个问题,我们可以配置conda使用国内的镜像源。这些镜像源是国内的一些机构或组织提供的,它们会定期与官方的下载源同步,确保软件包的版本和内容保持一致。当我们配置conda使用这些镜像源后,它就会从这些国内的地址下载软件包,从而大大提高了下载速度,并减少了网络错误的风险。
因此,conda配置镜像源主要是为了优化下载体验,让我们能够更快速、更稳定地获取所需的软件包。
这里仅做个人收集参考,如果对大家有帮助就再好不过了^_^
1. 下面这串代码是:查看anaconda中已经存在的镜像源
(从 “Anaconda Prompt(Anaconda3)” 中自己创建的环境直接输入即可)
conda config --show channels
2. 添加镜像源(永久添加)
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
3. 设置搜索时显示通道地址
conda config --set show_channel_urls yes
4. 若不想按照上述步骤添加镜像,可使用以下命令直接指定安装时使用的镜像地址(以上面我的opencv为例):
pip install opencv-python==3.4.2.16 -i "https://pypi.doubanio.com/simple/" # 加不加引号都可以
# 上下两种模式都可以,但一般在使用conda install安装时会出现包无法找到或者安装失败的情况,此时可以使用pip install来尝试安装
conda install opencv -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
此处列举国内常用pip安装镜像:
清华:https://pypi.tuna.tsinghua.edu.cn/simple/
阿里云:https://mirrors.aliyun.com/pypi/simple/
中国科技大学: https://pypi.mirrors.ustc.edu.cn/simple/
华中理工大学:https://pypi.hustunique.com/
山东理工大学:https://pypi.sdutlinux.org/
豆瓣:https://pypi.douban.com/simple/
因为刚开始接触Anaconda我不是很理解这两个的意思,所以,查了一下,解惑 ^_^
conda和pip并不是完全相同的性质。尽管它们都是Python的包管理工具,但conda的功能更为丰富。
pip是Python官方的包管理工具,主要用于安装、升级和管理Python包。它可以从Python官方的包索引(PyPI)中搜索和下载包,也支持安装本地或其他来源的包,并可以方便地管理这些Python包。
而conda则是一个开源的软件包管理系统和环境管理系统,它不仅仅管理Python包,还包括其他编程语言的工具,如R、C等。conda的功能不仅限于包管理,它还可以创建和管理隔离的开发环境,每个环境都有自己独立的软件包安装,从而避免依赖冲突。此外,conda还能智能地解决软件包之间的依赖关系,确保安装的软件包具有兼容的依赖版本。
因此,虽然conda和pip在包管理上有一些重叠的功能,但conda的功能更为全面,不仅管理包,还管理整个环境,确保项目的稳定性和可重复性。在实际使用中,你可以根据具体需求选择使用pip或conda,或者两者结合使用,以达到更好的包管理和环境管理效果。
三、Pycharm 配置 Anaconda3 的环境
这里有两种配置方法,方法一是对于第一次接触pycharm的朋友,方法二是打开现有项目配置Anaconda3 的环境
(一)方法一
1. 我们安装好Pycharm后第一次打开,点击“Create New Project”创建新项目;
2. 先修改存放路径,最好不要放到C盘,然后选择现有解释器,配置Anaconda环境;
3. 先点击“Conda Environment”,再点击图片第2步骤
4. 如下图里三步选择完后,点击“OK”;
5. 再点击“OK”;
6. 点击“Create”;
7. 进去后会有个提示框,可以直接关闭;
8. 现在让我们来创建.py代码文件吧^_^
9. 在弹出框中输入"hello",点击"Python file"即可成功创建代码文件;
10. 写下代码,在编辑代码区域鼠标右键选择Run "hello"即可运行代码;
11. 运行结果如下则配置成功。
(二)方法二
1. 打开现有项目,鼠标右键点击“Open Folder as …”;
2. 点击“Close”;
3. 点击“File”,再选择“Settings”;
4. 在弹出的Settings窗口中点击“Project Interpreter”,点击右上角的齿轮符号后选择“Add”;
5. 点击“Conda Environment”,再点击图片的2和3步骤;
6. 选择我们安装好的Anaconda路径下的envs文件下的自己的环境“wuyi”里的python文件,逐一点击“OK”;
7. 点击“Apply”,点击“OK”;
8. 在(一)方法一的8、9、10步骤里有详细创建.py文件,运行后完成如下图:
(即完结撒花 ^_^)