超级详细！vscode+anaconda+tensorflow2.0 搭建机器学习开发环境

首先就是要下载一些软件了，直接点击连接安装就行，也可以自己百度哈。
vscode下载链接：点击下载vscode
anaconda下载链接：点击下载anaconda
好了下载完之后就开始了我们的搭建环境之旅了，不是很难跟着步骤做就好了。

vscode安装

选择好适合自己电脑的安装包之后直接下载就好了。
然后就可以安装了，这个是接受协议之后的一个页面，根据自己的需要勾选就好了，我一般是都不勾选的，最多创建一个桌面快捷方式，其他的都不勾选的。然后完成安装之后就得进去设置一些东西了。
点击红笔画到的会进入一个相当于应用商店的扩展商店，首先就是汉化了。
下载这个(Chinese (Simplified) Language Pack for Visual Studio Code)就好了，直接复制，下载完重启软件就汉化完成了。
然后就是下载一些配置所要用到的扩展了。
老地方啊，下载这个(Anaconda Extension Pack)，python原始的代码只能提示只包含了保准库，这个能支持各种第三方库，非常好用。
这个(python)就不用多说了，写python的基础。
这个(Python for VSCode)也要装上，是python对vscode的支持。
这个(Visual Studio IntelliCode)，AI辅助开发，提供AI开发所使用的API智能提示。
这个(Code Runner)，代码一键运行，支持绝大多数的语言，但是需要配置，这里我给出python的简单配置：

点击文件，出现下拉菜单，鼠标放到首选项上，点击出现的设置，然后在新出的页面上搜索code runner，然后就是点击红色方框内的内容，然后呢就是根据截图输出python的内容了。

"python.pythonPath": "D:\\Anaconda3\\envs\\Tens",
"code-runner.executorMap": {
 	"python": "set PYTHONIOENCODING=utf8 &&  D:\\Anaconda3\\envs\\Tens\\python.exe",
 },

路径呢，是自己的安装路径，第一个到环境那，第二个一定要到“.exe“文件，第二个前面的那一串是为了可以识别和输出汉语，如果不设置的话，汉语输出会乱码。
到此，vscode的安装和配置就结束了哦。

anaconda的安装

仍然是点击下载连接，开始安装之后就一直下一步就好了，注意对照图片哦，注意选择路径哦，这个路径自己选择就可以了，我呢一般是不装到c盘里边的，选择完路径之后又到了做选择题的时候了，上面的哪个就是添加到环境变量里边，咱们这样搭建环境用不到，本人也不推荐，第二个是将系统默认的设置成python3.7，也不用勾选，所以就是两个都不勾选，选完之后就开始安装了。

安装完毕之后打开这个(Anaconda Navigator)，点击环境(Environments)，base是自带的默认环境，咱们不乱动，再新建一个环境随便造，不行了就删除。点击Create，新建环境，名字自己取就行，Python选择3.7，本人用的就是这个，毕竟Tensorflow2.0嘛，python的版本也不能过低。

安装Tebsorflow2.0-cpu

创建好之后，点击自己新建的环境后面的小三角，然后点击Open Terminal，然后在新出的对话框里面执行一些命令就ok了。
国外的下载的非常慢，所以就用国内的清华镜像了。

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-cpu==2.0.0a0

这个是cpu的下载，执行命令的时候应该会让你选择y/n?直接输入y然后回车，等待安装完成之后，cpu的就算完事了，记得一定要更改vscode里面的路径。
路径呢，是自己的安装路径，第一个到环境那，第二个一定要到“.exe“文件，第二个前面的那一串是为了可以识别和输出汉语，如果不设置的话，汉语输出会乱码。
路径更改完成之后就可以用一些简单的代码测试一下了。

import tensorflow as tf

matrix1 = tf.constant([[3, 3]])
matrix2 = tf.constant([[2],[2]])

print("结果:")
print(matrix1)
print(matrix2)

product = tf.matmul(matrix1, matrix2)
sess = tf.Session()

result = sess.run(product)
print (result)
# ==> [[ 12.]]

sess.close()

答案是12哦，简单的测试用例，完成了可以取试试。

安装Tebsorflow2.0-gpu

gpu的版本安装着非常非常的麻烦，并且电脑的配置还要好，下面咱们就直接进入正题吧。
gpu算力检测：点击跳转
一般是只有大于3.5以上的才能用，但是算力不是很高的不推荐，因为不一定有cpu版本的用着舒服。

下载安装cuda和cudnn

cuda下载链接：点击跳转
cudnn下载连接：点击跳转
可以更改路径一定要记住，一会配置环境变量的时候会用到，

有精简和自定义安装两个选项，精简安装能少一些不必要的选项，更加的方便，自定义安装就比较麻烦一些，但是能知道自己安装了什么，也可以不用安装一些不必要的东西，
安装成功后，下载cudnn，需要注册一个账号，自己的用着也比较方便，所以我就不放资源了，cudnn下载完成后开始放置，bin文件夹里面的东西放到cuda下载文件夹下面的bin文件夹里，以此类推，include文件夹里面的东西放到cuda的include文件夹里边，lib文件夹里面的东西放到include文件夹里边，放置完之后就可以开始配置环境变量了。
点击环境变量，安装完之后会多出来几个环境变量，因为我这个是之前安装的，所以不太清楚哪些是多出来的，哪些是需要自己设置的，所以就全部放出来，大家自己对照一下哈。
如果没有这个变量就按照这个格式新建一个，如果有的话就对照一下。
变量名：NVCUDASAMPLES_ROOT
值：C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.1
如果没有这个变量就按照这个格式新建一个，如果有的话就对照一下。
变量名：NVCUDASAMPLES10_1_ROOT
值：C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.1

最后就是Path里面的变量了：
分别是：
C:\Program Files\NVIDIA Corporation\NVIDIA NvDLISR
C:\Program Files\NVIDIA Corporation\Nsight Compute 2019.3.0
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\CUPTI\lib64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include
C:\Program Files (x86)\NVIDIA Corporation\PhysX\Common
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin
设置成功了就可以去试试了
win+r，打开cmd，输入：nvcc --version查看版本，出现如下图所示的页面就算安装成功了。

安装Tensorflow2.0-gpu

这个步骤就和上面安装cpu版本的十分的类似：

点击自己新建的环境后面的小三角，然后点击Open Terminal，然后在新出的对话框里面执行一些命令就ok了。
国外的下载的非常慢，所以就用国内的清华镜像了。

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==2.0.0a0

这个是gpu的下载，执行命令的时候应该会让你选择y/n?直接输入y然后回车，等待安装完成之后，gpu的就算完事了，记得一定要更改vscode里面的路径。
路径呢，是自己的安装路径，第一个到环境那，第二个一定要到“.exe“文件，第二个前面的那一串是为了可以识别和输出汉语，如果不设置的话，汉语输出会乱码。
路径更改完成之后就可以用一些简单的代码测试一下了。

import tensorflow as tf
print(tf.test.is_gpu_available())

输入上述代码，出现true就说明gpu版本安装成功了，然后可以运行一下下边的测试用例，看看运行效果。

import tensorflow as tf

matrix1 = tf.constant([[3, 3]])
matrix2 = tf.constant([[2],[2]])

print("结果:")
print(matrix1)
print(matrix2)

product = tf.matmul(matrix1, matrix2)
sess = tf.Session()

result = sess.run(product)
print (result)
# ==> [[ 12.]]

sess.close()

答案是12哦，简单的测试用例，完成了可以取试试。