Anaconda 环境配置 pycharm虚拟环境配置 tensorflow环境配置 jupyter中添加conda虚拟环境

Anaconda 环境配置  pycharm虚拟环境配置  tensorflow cpu&gpu环境配置 jupyter中添加conda虚拟环境

安装包下载 https://www.anaconda.com/distribution/

Anaconda 安装 需要注意的三个地方

其他时候默认下一步就可以

虚拟环境配置

打开 Anaconda Prompt(Anaconda3) 

创建虚拟环境

创建一个名为python3的python版本为3.7的python虚拟环境，这个过程需要等待几分钟，以下所有命令都在在terminal下执：

# 创建一个名为python3的python版本为3.7的python虚拟环境
conda create --name python3 python=3.7

 激活虚拟环境与退出虚拟环境

# 激活虚拟环境python3
activate python3

查找虚拟环境 

# 查找虚拟环境，带' * ' 号的是默认的真实环境
conda info --envs

 删除虚拟环境

# 删除虚拟环境python3
conda remove -n python3 --all

命令退出当前虚拟环境 

#命令退出当前虚拟环境
deactivate 

tensoflow安装

激活创建的相应虚拟环境

# conda 命令安装 tensorflow-gpu, 会同时下载cuda和cdnn库
conda install tensorflow-gpu

#conda 命令安装 tensorflow
conda install tensorflow

conda库下载较慢时，推荐使用 豆瓣源 或者 阿里云源 下载包

# 使用豆瓣源下载tensorflow 最新版
pip install --index-url https://pypi.douban.com/simple tensorflow

# 使用豆瓣源下载tensorflow-gpu 最新版
pip install --index-url https://pypi.douban.com/simple tensorflow-gpu

# 使用豆瓣源下载opencv 最新版
pip install --index-url https://pypi.douban.com/simple opencv-python

# 使用阿里云源
pip install --index-url http://mirrors.aliyun.com/pypi/simple/ tensorflow

tensorflow其他依赖的模块：

# tensorflow 开发常用包一键安装

pip install numpy matplotlib jupyter scikit-image librosa keras --upgrade

• 　　numpy 是用来存储和处理大型矩阵的科学计算包，比 Python 自身的嵌套列表结构 list 要高效的多。
• 　　matplotlib 是 Python 最著名的绘图表，它提供了一整套和 MATLAB 相似的命令 API，十分适合交互式地进行制图。
• 　　jupyter notebook 是 ipython 的升级版，能够在浏览器中创建和共享代码、方程、说明文档。
• 　　scikit-image 有一组图像处理的算法，可以使过滤一张图片变得很简单，非常适合用于对图像的预处理。
• 　　librosa 是用 Python 进行音频提取的第三方库，有很多方式可以提取音频特征。

nltk模块

# nltk 模块中包含着大量的语料库，可以很方便地完成很多自然语言处理的任务，包括分词、词性标注、命名实体识别及句法分析。
pip install nltk --upgrade

# 安装完成后，需要导入 nltk 工具包，下载 nltk 数据源：
import nltk
nltk.download()

 tflearn

# TFLearn 是另一个支持 TensorFlow 的第三方框架。
pip install git+https://github.com/tflearn/tflearn.git

pycharm

安装包下载： https://www.jetbrains.com/zh-cn/pycharm/download/

这里使用的是pycharm community版本，安装的时候一路向下即可。 

添加虚拟环境

打开pycharm设置Setting页面，如下图的8步操作

 对于已有Pycharm项目的环境修改

在打开项目的情况下，在设置里修改，如下图

新建项目虚拟环境选择

对于新建ycharm项目时，应选择已有环境来创建项目。若需要其他环境可以在anaconda 命令行下配置好虚拟环境后，再打开项目切换至所需的虚拟环境

 

对于具体虚拟环境的配置更改就可以可以在anaconda的命令行下更改了。

 

jupyter中添加conda虚拟环境

# 第一步 安装ipykernel
在有虚拟环境的情况下，安装ipykernel, 例如在我们之前建立的虚拟环境叫python3
conda install -n python3 ipykernel

# 也可以创建虚拟环境时直接加入ipykernel
conda create -n 要创建的虚拟环境名称 python=3.6 ipykernel


#第二步
# 激活conda环境
activate python3

#第三步
# 将环境写入notebook的kernel中（一定要先激活conda环境）
# python -m ipykernel install --user --name 环境名称 --display-name "在jupyter中显示的环境名称"
python -m ipykernel install --user --name python3 --display-name python3

#第四步
# 打开notebook服务器(在之前安装Anaconda已经安装jupyter notebook)
jupyter notebook
#输入命令后，会自动打开jupyter notebook的浏览器界面，新建python文件就可以看到虚拟环境了


# 附
# 删除kernel环境：
jupyter kernelspec remove 环境名称

新建文件时选择虚拟环境 

切换代码环境

 

tensorflow-gpu配置

参考 官网 https://tensorflow.google.cn/install/gpu 的硬件要求和软件要求进行配置，如下图所示。

首先，打开 设备管理器 -> 显示适配器 查看自己的显卡。

点击支持的CUDA的GPU卡，找到自己显卡对应的计算能力，我的显卡为Quadro P600， 计算能力为6.1，满足官网要求的计算能力3.5的硬件要求。 

软件要求第一项一般系统自带，开机自动启动。打开nvidia控制面板可以看到我的版本为425.45,满足要求。

nvidia控制面板，一般开系统自带

# 使用管理员打开Anaconda Prompt
conda install cudnn=7.6 cuda=10.1

# 创建虚拟环境 tensorflo-gpu
conda create -n tensorflow-gpu python=3.7 ipykernel

# 激活conda环境
activate python3

# 将环境写入notebook的kernel中
pykernel install --user --name tensoflow-gpu --display-name tensorflow-gpu

# 安装tensorflow-gpu
# 使用豆瓣源下载tensorflow-gpu 最新版
pip install --index-url https://pypi.douban.com/simple tensorflow-gpu==2.0.0

# 使用豆瓣源下载opencv 最新版
pip install --index-url https://pypi.douban.com/simple opencv-python

# tensorflow 开发常用包一键安装
pip install numpy matplotlib jupyter scikit-image librosa keras --upgrade

# gpu测试代码
import tensorflow as tf
version = tf.__version__
gpu_ok = tf.test.is_gpu_available()
print("tf version:",version,"\nuse GPU",gpu_ok)

测试代码输出 

tf version: 2.0.0
use GPU True