1.注意事项
注意:能用pip安装的包尽量用pip,实在不行再用conda安装
升级pip
>python -m pip install -U pip setuptools
复制:鼠标右击——标记——选中复制的内容——回车
粘贴:鼠标右击——粘贴
![](https://i-blog.csdnimg.cn/blog_migrate/05748720fa1943353ca54e59adec3714.png)
2.验证是否安装了conda
#验证系统上是否安装了conda
>conda --version
#将conda更新到最新版本
>conda update conda
#在某个conda环境中更新所有已经安装好的包
>conda update --all
3.创建环境
#-n NAME是为新环境设置名称,环境存储路径默认保存在anaconda3/envs/NAME路径中
#-p PATH是为新环境设置存储路径
>conda create -n py2.7 python=2.7
>conda create -n py3.6 python=3.6
#激活环境py3.6
>conda activate py3.6
#查看python的版本 注:环境激活之后,命令行开始会显示环境名称
(py3.6)>python --version
#关闭环境
>conda deactivate
# conda 其实没有重命名指令,实现重命名是通过 clone 完成的,分两步:1.先 clone 一份 new name 的环境。2.删除 old name 的环境。
>conda create -n tf --clone rcnn #把环境 rcnn 重命名成 tf
>conda remove -n rcnn --all
4.查看环境信息
#查看存在的环境
>conda info --envs
#查看某个环境所有已经安装的包及版本
>conda list -n py3.6
#以YAML格式生成某个环境中所有已经安装的包及版本
(py3.6)>conda env export
#安装软件包的列表
(py3.6)>conda install numpy scipy matplotlib
(py3.6)>conda list
#更新某个环境中的特定包
(py3.6)>conda update numpy scipy
#删除某个包
(py3.6)conda remove numpy
#删除某个环境 注:退出所有环境
>conda remove -n py3.6 --all
5.对环境进行处理
#使用列表在其他的系统中复制conda环境
>conda list -e > requirements.txt
#使用requirements.txt文件,可以按照以下命令更新已有的conda环境
>conda install --file requirements.txt
#复制使用requirements.txt文件的环境
>conda install -n NAME --file requirements.txt
#使用YAML格式来保存conda env export生成的环境
>conda env export -n NAME > env.yml
#使用以下命令恢复环境 注:这里不需要指定环境的名称,因为env.yml文件包含了这些信息
>conda env create --file env.yml
# 执行python文件,首先要进入相应目录
>(py3.6) E:\Python_files\Tensorflow_dl\TensorFlowProgramming\TensorFlowProgramming\ch4BasicTensorFlow>python xor_keras.py
6.Windows下启动TensorBoard
如果已经在模型训练时写入待监控数据,就可以启动TensorBoard用浏览器查看数据。启动前,最好先确认日志目录已经生成。
# 激活py3.6环境
(base) >conda activate py3.6
# 切换盘符
(py3.6) D:\Users\HASEE>E:
# 利用cd命令进入日志目录所在的硬盘分区和目录下 注意:是日志所在的目录,而不是程序所在的目录。
(py3.6) E:\>cd E:\Python_files\Tensorflow_dl\TensorFlowProgramming\TensorFlowProgramming\ch4BasicTensorFlow
# 利用tensorboard --logdir=logs_path命令指定日志文件指目录,得到网址,复制到浏览器
(py3.6) E:\Python_files\Tensorflow_dl\TensorFlowProgramming\TensorFlowProgramming\ch4BasicTensorFlow>tensorboard --logdir=imdb_logs
2023-03-29 23:57:19.575835: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudart64_101.dll
W0329 23:57:21.362697 9924 plugin_event_accumulator.py:300] Found more than one graph event per run, or there was a metagraph containing a graph_def, as well as one or more graph events. Overwriting the graph with the newest event.
W0329 23:57:21.364703 9924 plugin_event_accumulator.py:312] Found more than one metagraph event per run. Overwriting the metagraph with the newest event.
W0329 23:57:21.391601 9924 plugin_event_accumulator.py:300] Found more than one graph event per run, or there was a metagraph containing a graph_def, as well as one or more graph events. Overwriting the graph with the newest event.
Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all
TensorBoard 2.1.1 at http://localhost:6006/ (Press CTRL+C to quit)
7.查看GPU
# 简单查看gpu的使用情况,终端直接输入即可
(py3.6) >nvidia-smi
# 每隔1秒刷新一次
(py3.6) >nvidia-smi -l 1
# 查看cuda运行版本
(py3.6) >nvcc -V
# 监控gpu的使用情况,可显示详细信息,又具有彩色界面.展示方式有三种auto (默认)、compact和full
(py3.6) >pip install nvitop
# 使用full可显示超级完整的信息
(py3.6) >nvitop -m full
CUDA工具包和其最低可兼容驱动版本表格查询:https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html#major-components
可参考csdn博客:https://blog.csdn.net/weixin_45766759/article/details/114677710
监控gpu使用情况:https://zhuanlan.zhihu.com/p/577533593
![](https://i-blog.csdnimg.cn/blog_migrate/be5dc5f8bd09d59268a43e2bcd0dd3a6.png)