TensorFlow 第一学:安装 基于Anaconda

在Anaconda中创建用户

1、打开Anaconda Prompt

2、创建一个虚拟环境并进入创建的虚拟环境

1. 在 Anaconda Prompt 中，先写第一行建立一个python3.7版本的虚拟环境，并起名为tf2
2. 下载好后，写第二行进入虚拟环境

conda create --name tf2 python=3.7      # “tf2”是你建立的conda虚拟环境的名字

conda activate tf2                      # 进入名为“tf2”的conda虚拟环境

虚拟环境起名为tf2，这里随便起，和你的虚拟环境做的事情对应最好

3、安装TensorFlow

方法一:在Anaconda Prompt上下载

在 Anaconda Prompt 中，写以下内容下载TensorFlow

pip install tensorflow

方法二:在Anaconda上下载

以上安装完成

---

---

---

---

---

---

题外话

pip 和 conda 包管理器

pip

pip 是最为广泛使用的 Python 包管理器，可以帮助我们获得最新的 Python 包并进行管理。常用命令如下：

pip install [package-name]              # 安装名为[package-name]的包
pip install [package-name]==X.X         # 安装名为[package-name]的包并指定版本X.X
pip install [package-name] --proxy=代理服务器IP:端口号         # 使用代理服务器安装
pip install [package-name] --upgrade    # 更新名为[package-name]的包
pip uninstall [package-name]            # 删除名为[package-name]的包
pip list                                # 列出当前环境下已安装的所有包

conda

conda 包管理器是 Anaconda 自带的包管理器，可以帮助我们在 conda 环境下轻松地安装各种包。相较于 pip 而言，conda 的通用性更强（不仅是 Python 包，其他包如 CUDA Toolkit 和 cuDNN 也可以安装），但 conda 源的版本更新往往较慢。常用命令如下：

conda install [package-name]        # 安装名为[package-name]的包
conda install [package-name]=X.X    # 安装名为[package-name]的包并指定版本X.X
conda update [package-name]         # 更新名为[package-name]的包
conda remove [package-name]         # 删除名为[package-name]的包
conda list                          # 列出当前环境下已安装的所有包
conda search [package-name]         # 列出名为[package-name]的包在conda源中的所有可用版本

conda 中配置代理：在用户目录下的 .condarc 文件中添加以下内容：

proxy_servers:
    http: http://代理服务器IP:端口号

conda 虚拟环境

在 Python 开发中，很多时候我们希望每个应用有一个独立的 Python 环境（比如应用 1 需要用到 TensorFlow 1.X，而应用 2 使用 TensorFlow 2.0）。这时，Conda 虚拟环境即可为一个应用创建一套 “隔离” 的 Python 运行环境。使用 Python 的包管理器 conda 即可轻松地创建 Conda 虚拟环境。常用命令如下：

conda create --name [env-name]      # 建立名为[env-name]的Conda虚拟环境
conda activate [env-name]           # 进入名为[env-name]的Conda虚拟环境
conda deactivate                    # 退出当前的Conda虚拟环境
conda env remove --name [env-name]  # 删除名为[env-name]的Conda虚拟环境
conda env list                      # 列出所有Conda虚拟环境

在PyCharm中配置刚刚创建的tf2虚拟环境

1. 打开设置
   

2. 找到Python解释器
   

3. 打开设置下面的添加

4. 找到tf2的虚拟环境路径下的python.exe

之后连续点确定就行了

---

在PyCharm中运行测试TensorFlow

1. 新建立一个python文件

2. 输入如下代码

import tensorflow as tf

A = tf.constant([[1, 2], [3, 4]])
B = tf.constant([[5, 6], [7, 8]])
C = tf.matmul(A, B)

print(C)

3. 编译运行
   

4. 结果

5. 其他

编译后可能会报错如下警告

报这种警告，意思是告诉你，明明可以使用AVX、AVX2这种操作，来使用cpu，而获取更快的速度，为啥你不用。

---

解决办法，那就是在代码中加上如下代码，以不打印消息信息和警告消息，省的看着心烦（但问题没有得到实际的解决）

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

其中 os.environ[‘TF_CPP_MIN_LOG_LEVEL’] = ‘2’ 或者等于其他，各有什么作用如下

0 = 记录所有消息（默认行为）。
1 = 不打印消息信息。
2 = 不打印消息信息和警告消息。
3 = 不打印消息信息、警告和错误消息。

---

CUDA Toolkit 和 cuDNN 的安装

安装 CUDA Toolkit 和 cuDNN，其中 X.X 和 X.X.X 分别为需要安装的 CUDA Toolkit 和 cuDNN 版本号，必须严格按照 TensorFlow 官方网站所说明的版本 安装。

conda install cudatoolkit=X.X
conda install cudnn=X.X.X

当然，也可以按照 TensorFlow 官方网站上的说明 手动下载 CUDA Toolkit 和 cuDNN 并安装，不过过程会稍繁琐。

---

参考资料

TensorFlow 安装与环境配置

python - 这个tensorflow消息是什么意思？有副作用吗？安装成功了吗？