机器学习：完整配置TensorFlow开发环境

本节内容基于Windows 10搭建TensorFlow开发环境，分别部署tensorflow-cpu和tensorflow-gpu两个模式下的虚拟开发环境。

1、安装Anaconda

基于Windows系统的Anaconda安装包，可从Anaconda官网和清华大学软件镜像站下载。下载时需要注意选择与操作系统和Python版本适配的安装包，tensorflow2.6版本支持Python3.6~Python3.9。

图 1-4 适配不同操作系统的Anaconda安装包

基于64位Windows 10操作系统，需要选择图1-4所示的64-Bit Graphical Installer 安装包，该安装包支持Python3.9版本。

安装包下载完成，执行安装包在本地计算机安装Anaconda，安装过程需要注意选择自动添加环境变量检查项。如图1-5所示，检查该项后安装包会自动将安装路径注册到Windows系统变量，命令行窗口运行Anaconda时，不会出现找不到Anaconda问题。

图 1-5检查自动添加环境变量项

若忘记检查该项，可在安装完成后再配置环境变量。打开电脑—>属性—>高级系统设置—>环境变量，在系统变量Path变量下增加Anaconda的安装路径，若安装在D:\program目录下，则完整路径为：

D:\program\anaconda3\condabin

Anaconda安装和配置完成后，可以在系统的程序菜单找到Anaconda程序项，启动Anaconda即可。Anaconda已经把Python集成在内，因此就不需要再安装Python了。图1-6是Anaconda工作界面。

图 1-6Anaconda工作界面

在Anaconda工作界面可以创建虚拟开发环境，也可以使用Anaconda集成的各种工具软件。比较有用的是工具软件是Jupyter Notebook，它是一个可以在浏览器编写Python程序的工具。不过Jupyter Notebook并不是一个集成开发环境，在代码自动排版和编写、程序调试、项目文件管理、单元测试等功能要比集成开发环境弱一些，建议学习者在有条件的情况下，还是选用集成开发环境比较好，也能学到系统集成等更多知识。

安装Anaconda主要的任务就是创建两个tensorflow开发环境，一个基于CPU开发环境，一个基于GPU开发环境（GPU开发环境需要独立显卡支持），当然使用Anaconda也可以创建其它独立的应用开发环境。

下面主要介绍Anaconda虚拟开发环境创建、激活、查看、退出、删除命令。

创建环境命令

Anaconda提供了一个默认的base环境，也可以直接在base环境中开发应用程序。基于课程内容需要，我们创建tensorflow-cpu环境。创建环境的命令为：

conda create -n ENV_NAME python=x.x

其中，-n表示环境名称参数，ENV_NAME为待创建虚拟开发环境的名称，x.x表示该环境中python的版本是多少，例如想要3.9版本的python，就写python=3.9。

启动Windows命令行窗口，在窗口输入下面的命令：

conda create -n tensorflow-cpu python=3.9

若出现‘conda’不是内部或外部命令，也不是可运行的程序等信息，需要配置Anaconda系统环境变量。命令执行完成，名称为tensorflow-cpu的虚拟开发环境就创建成功了。

查看环境命令

若需要查看当前Anaconda有哪些虚拟环境，可以使用下面的命令：

conda env list

激活环境命令

该命令是常用的操作命令，使用该命令激活环境后，才能进入该虚拟环境进行编程。命令如下：

conda activate ENV_NAME

其中ENV_NAME是要进入的环境名称。进入成功后，一般可以看到命令行的最左端括号中也切换成了ENV_NAME的名称。另外，如果想要从一个环境A切换到另一个环境B去，也可以直接执行该命令，将ENV_NAME写为B即可。

退出环境命令

若需要退出当前虚拟开发环境，可以使用下面的命令：

conda deactivate

该命令直接退回到base环境。

删除环境命令

该命令需谨慎使用，因为该命令会删除虚拟环境下的所有数据。命令如下：

conda remove -n ENV_NAME --all

2、安装Python依赖包

在tensorflow-cpu环境下使用pip工具软件安装numpy、matplotlib、pillow、pandas、scikit-learn。

启动Windows命令行窗口，在命令行窗口输入激活命令，激活tensorflow-cpu环境。

conda activate tensorflow-cpu

tensorflow-cpu环境激活后，使用pip工具分别安装上述Python依赖包。安装建议使用清华大学镜像站。如安装numpy命令如下：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy

pip安装matplotlib时，会自动安装pillow包。

3、安装tensorflow-cpu版本

tensorflow分为两个版本，一个是CPU版本，一个是GPU版本。GPU版本充分应用了图形处理器的计算引擎，缩短模型训练的时间，GPU版本需要独立显卡的支持。

启动Windows命令行窗口，在命令行窗口输入激活命令，激活tensorflow-cpu环境。输入下面的命令安装tensorflow 2.6.0版本。

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==2.6.0

上面的命令将在本地安装tensorflow 2.6.0版本，默认安装是cpu模式。

安装完成，需要验证tensorflow 2.6.0是否安装成功。

启动Windows命令行窗口，使用conda激活命令激活tensorflow-cpu环境，进入Python环境。

C:\Users\lenovo>conda activate tensorflow-cpu
(tensorflow-cpu) C:\Users\lenovo>
(tensorflow-cpu) C:\Users\lenovo>python
>>> import tensorflow as tf
>>> print(tf.__version__)
2.6.0
>>>

4、安装tensorflow-gpu版本

我们把tensorflow-gpu安装到另外一个虚拟环境，这样做的好处是CPU版和GPU不互相影响。安装GPU版需要本地计算机配置支持CUDA的NVIDIA显卡，因为在搭建TensorFlow的GPU版本时，首先需要做的一件事就是安装其基础支持平台CUDA和其机器学习库cuDNN，然后在此基础上搭建TensorFlow GPU版本。

其次还要了解一下不同的TensorFlow版本所需要对应安装的CUDA和cuDNN版本是多少，因为在TensorFlow的GPU版本安装过程中，如果对应的CUDA版本和cuDNN版本不正确的话，是无法正常使用GPU来进行模型训练的。

创建conda虚拟环境，安装依赖包和CPU版本相同，这里就不再讲述了。建议GPU虚拟环境的名称为：tensorflow-gpu。

安装GPU版本之前，首先确认本地计算机是否配置了NVIDIA显卡，并且运算能力在3.5之上。要查看本地计算机显卡算力，可以直接去nvidia查看，网址如下：

https://developer.nvidia.com/cuda-gpus#compute

在安装tensorflow-gpu之前，还需要安装CUDA和cuDNN。CUDA (ComputeUnified Device Architecture)是显卡厂商 NVIDIA 推出的运算平台，它采用通用并行计算架构，该架构使 GPU 能够解决复杂的计算问题。cuDNN是指NVIDIA cuDNN，它是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算。

安装CUDA

查看CUDA的版本，到NVIDIA网站下载对应版本的CUDA驱动程序。启动Windows命令行窗口，输入下面的命令：

nvidia-smi

该命令显示本地计算机NVIDIA显卡的配置信息。

 图 1-7 NVIDIA显卡的配置信息

从图1-7的NVIDIA显卡配置信息可以得到当前显卡CUDA的驱动版本是11.1。进入NVIDIA官方CUDA Toolkit下载页面：

https://developer.nvidia.com/cuda-toolkit-archive

在下载页面找到对应的版本：

进入下载详情页面：

选择与本地计算机操作系统适配的安装包下载。安装包下载完成，运行安装包安装CUDA Toolkit，安装过程一般采用安装包的默认选项即可，需要记住CUDA Toolkit的安装目录，后面安装cuDNN时，还需要进行配置。

下载cuDNN

进入cuDNN下载页面，在下载页面可以看到cuDNN版本与CUDA的版本对应关系，选择适配CUDA版本的cuDNN包下载。

解压cuDNN下载包，解压后的目录结构如下图：

将bin目录下的所有文件复制到CUDA安装目录computingtoolkit\v11\bin目录下。

将include目录下的所有文件复制到CUDA安装目录computingtoolkit\v11\include目录下。

将lib\x64目录下的所有文件复制到CUDA安装目录computingtoolkit\v11\lib\x64目录下。

上述复制路径仅供参考，具体路径还需要由安装的CUDA版本确定。复制完成后，还需要配置Path环境变量，将cuda相关路径添加到Path变量。配置路径可参考下图。

安装tensorflow-gpu版本

安装GPU版本之前，需要确定合适的tensorflow-gpu版本，因为不同版本适配不同的CUDA和cuDNN版本。进入ensorflow官网页面，查看适合本地计算机安装的tensorflow-gpu版本。

https://tensorflow.google.cn/install/source_windows?hl=zh-cn

页面相关内容如下图所示：

从上图可以看出，CUDA 11.1驱动适配tensorflow_gpu-2.4.0，Python版本为3.6~3.8。

启动Windows命令行窗口，输入下面的命令创建tensorflow-gpu虚拟开发环境：

conda create -n tensorflow-gpu python=3.8

输入激活tensorflow-gpu环境命令：

conda activate tensorflow-gpu

安装相关依赖包：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy matplotlib pillow pandas scikit-learn

安装tensorflow-gpu 2.4.0版本：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==2.4.0

在安装过程中，若出现“ReadTimeoutError”，说明网络速度比较慢，换一个网络速度比较快的环境安装。或者设置超时时间：

pip --default-timeout=1000 install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==2.4.0

在安装过程中，若出现如下图所示的错误：

可使用pip单独安装termcolor：

pip install termcolor==1.10

在安装过程中，若出现下图所示的错误：

可使用pip单独安装wrapt：

pip install wrapt==1.10

验证tensorflow-gpu版本

使用conda命令激活tensorflow-gpu虚拟开发环境：

conda activate tensorflow-gpu

进入Python环境：

(tensorflow-gpu) C:\Users\lenovo>python

在Python环境，分别执行下面的语句：

>>> import tensorflow as tf

>>> print(tf.__version__)

若输出tensorflow的版本号，则说明tensorflow 安装成功，后面还要验证GPU是否能够正常使用。

在Python环境输入下面的语句：

print(tf.config.list_physical_devices('GPU'))

若输出“[]”，说明GPU设备没有启用，查看打印信息，输出了cusolver64_10.dll not found错误。CUDA11默认使用的是cusolver64_11.dll的文件，但是代码运行的时候却是需要cusolver64_10.dll文件，这可能是tensorflow-2.4.0的一个BUG，从网上下载cusolver64_10.dll，然后复制到CUDA安装目录computingtoolkit\v11\bin目录下即可解决该问题。或者直接修改cusolver64_11.dll名称为cusolver64_10.dll，然后重新启动命令行窗口，再次执行列出GPU设备的命令。若输出如下内容，说明GPU设备已启用。

5、配置Visual Studio Code开发环境

启动Visual Studio Code，打开命令面板，配置Python解释器为tensorflow-cpu或tensorflow-gpu虚拟环境的Python解释器。虚拟环境目录存储与anaconda目录下。

6、第一个tensorflow代码

启动Visual Studio Code，新建hello-tf.py文件，输入下面的代码：

import tensorflow as tf
print("hello tensorflow!,运行版本：{}".format(tf.__version__))