在Virtualenv安装tensorflow，配置linux环境 及eclipse环境

安装pip和virtualenv：

# Ubuntu/Linux 64-bit

sudo apt-get install python-pip python-dev python-virtualenv

创建 Virtualenv 虚拟环境：

virtualenv --system-site-packages tensorflow

激活虚拟环境并安装tensorflow：

对于python27，则执行如下命令：

source ./tensorflow/bin/activate  # If using bash

# Ubuntu/Linux 64-bit, GPU enabled:
pip install --upgrade https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.6.0-cp27-none-linux_x86_64.whl

pip install https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.0.0-cp27-none-linux_x86_64.whl

我装的是1.0的

用的是这个版 本的

tensorflow-1.0.0-cp27-none-linux_x86_64.whl

每个版本的tensorflow对应的cudnn版本也不一样

这个对应用cudnn8.0

测试tensorflow

进入到python中，执行下列代码测试 ：

import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print sess.run(hello)
a = tf.constant(10)
b = tf.constant(32)
print sess.run(a+b)

 tf.__version__
 tf.__path__

配置tensorflow环境

为了避免每次使用tensorflow都要进行activate/deactivate，我在～/.bashrc中最后添加下述命令：

.   /home/XX/tensorflow/bin/activate  

并执行source ~/.bashrc；然后可以成功进入tensorflow环境

退出虚拟环境：

deactivate 

配置eclipse编程环境

1 查看tensorflow在虚拟环境中python所在位置

在命令行中输入：

which python

显示：

/home/xx/tensorflow/bin/python
2,在eclipse中配置python解释器

在菜单中，找到

windows->preferences

找到PyDev->Python interpreter

在右边点 New创建一个 新的解释器，取一个新名字

找到路径：在点/home/xx/tensorflow/bin/ 找到python

3，在建立python工程时，选择该解释器即可。

现象：使用eclipse run python程序时，Console中错误提示：

Couldn't open CUDA library libcudnn.so

Couldn't open CUDA library libcufft.so

经过排查，cuda，cudnn均已正确安装，环境变量也正常配置，同时，在系统终端中运行该py文件无报错，于是怀疑是eclipse设置有问题，随即通过如下方式解决：

1.打开Windows->Preferences->PyDev->Interpreters->Python Interpreter

2.选择第二栏选项卡中的Environment，选择new

3.通过new，新建2个Variable，

CUDA_HOME=/usr/local/cuda

LD_LIBRARY_PATH=${CUDA_HOME}:usr/local/cuda/lib64:usr/local/cuda/extras/CUPTI/lib64

*：variable的值根据个人电脑上的配置设定

这个选项其实就是设置eclipse的自定义环境变量

重新运行程序，加载成功。

eclipse中测试tensorflow

进入到python中，执行下列代码测试 ：

import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print sess.run(hello)
a = tf.constant(10)
b = tf.constant(32)
print sess.run(a+b)

print tf.__version__
print tf.__path__