【TensorFlow深度学习】一、TensorFlow_gpu 2.10.0安装（Win11、Anaconda3、Python3.9、Pycharm配置、Jupyter及免费公网部署方案）

本专栏是记录作者学习Python深度学习的相关内容

本章节开始，作者开始着手于Python深度学习用于安全领域的学习，本章节主要介绍了使用Anaconda配置TensorFlow_gpu环境，配置Pycharm，公网部署Jupyter，良好的环境配置有利于后续对深度的学习。TensorFlow是一个由Google开发的开源机器学习框架，用于构建和训练各种深度学习模型，包括神经网络。

本机操作系统：win11

配置深度学习环境tensorflow_gpu-2.10.0+CUDA Toolkit 12.3.1+cuDNN v8.9.5 (October 27th, 2023), for CUDA 12.x

---

在进行环境配置前一定要查询官方文档，或者多收集社区信息

官方环境配置要求：https://tensorflow.google.cn/install/source_windows#gpu

GPU 在原生 Windows 上的支持只适用于2.10或更早的版本，从 TF 2.11开始，不支持 CUDA build！

1 安装Anaconda

概念：Anaconda是一个用于科学计算和数据科学的开源Python发行版和环境管理器。

特点：虚拟环境：Anaconda允许用户创建和管理虚拟环境，这些环境可以独立地包含特定版本的Python和依赖项。这有助于隔离不同项目或任务的依赖关系，以避免版本冲突。

Anaconda安装教程（超详细版）

2 CUDA和cuDNN安装

可参考Tensorflow-gpu保姆级安装教程（Win11, Anaconda3，Python3.9）](https://blog.csdn.net/weixin_43412762/article/details/129824339) 第三四五部分。

我的显卡信息：

CUDA安装了目前最新版本CUDA Toolkit 12.3.1 (November 2023)

cuDNN安装了目前最新版本cuDNN v8.9.5 (October 27th, 2023), for CUDA 12.x

3 使用Anaconda配置环境

参考资料：【Tensorflow2.0】Tensorflow2.x的安装教程

GPU 支持在本地-Windows 只支持2.10或更早的版本，从 TF 2.11开始，CUDA build 不支持 Windows。

#用清华conda 镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/fastai/
conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/

# 搜索时显示通道地址
conda config --set show_channel_urls yes

#创建虚拟环境
conda create -n tf2.10 python=3.9
#激活环境
activate tf2.10

#指定版本为2.10 （默认安装新版本2.11版本，这个版本太新，还不支持GPU。）
pip install tensorflow==2.10

关于Anaconda创建虚拟环境的解释

#创建虚拟环境
conda create -n 环境名 -y
#查看所有环境
conda info --envs
conda env list
#激活环境
activate 环境名# windows

# 在当前环境中安装包
conda install 包名称
# 指定版本号
conda install 包名称=version
pip install 包名称 -i https://pypi.tuna.tsinghua.edu.cn/simple   #清华镜像

在虚拟环境下进入python交互页面

import tensorflow as tf
print(tf.__version__) #tensorflow版本
print('GPU', tf.test.is_gpu_available()) #gpu

4 Pycharm中配置解析器

参考：Pycharm上配置和导入已安装的Tensorflow（2021全新教程——基于Anaconda）

先创建项目，自己设置一下项目位置(随意)

进入Pycharm设置

新增解释器

加载conda环境

测试：

import tensorflow as tf
print("TensorFlow version is :",tf.__version__)
print("Keras version is :",tf.keras.__version__)
print("GPU is","available" if tf.config.list_physical_devices('GPU')else "NOT AVAILABLE")
tf.config.list_physical_devices('GPU')

5 配置Jupyter

参考资料：

jupyter配置Anaconda环境

Jupyter notebook之修改文件路径

#激活环境
activate tf2.10
#下载ipykernel
pip install ipykernel
#创建内核
python -m ipykernel install --name tf2.10 
#查看所有内核
jupyter kernelspec list
#删除内核
jupyter kernelspec remove kernelname(自己设置的)

在该虚拟环境下启动jupyter notebook！！！！

activate tf2.10
jupyter notebook

即可进入jupyter页面

若出现以下错误，或其他的缺少模块错误，可以尝试

python -m pip install notebook -U --force-reinstall

配置好之后测试一下

import tensorflow as tf
print("TensorFlow version is :",tf.__version__)
print("Keras version is :",tf.keras.__version__)
print("GPU is","available" if tf.config.list_physical_devices('GPU')else "NOT AVAILABLE")
tf.config.list_physical_devices('GPU')

结果如下：则说明tensorflow_gpu没问题

5.1 修改jupyter工作目录

默认Jupyter的工作路径在用户根目录，如果想更换目录，我们需要进行修改

#激活环境
activate tf2.10
#生成Jupyter配置文件
jupyter notebook --generate-config

进入配置文件，修改c.NotebookApp.notebook_dir

再次进入，其工作目录就是你设置的目录了。

6 公网部署Jupyter

参考资料：如何远程访问本地jupyter notebook服务器，实现无公网IP端口映射

cpolar官网：https://www.cpolar.com/

进入后注册，可以使用免费套餐，URL不固定

下载后进入WebUI，输入密码

创建隧道，将本地的8080端口映射到公网端口

查看公网地址

通过外网访问Jupyter必须设置访问密码

jupyter notebook password

访问json文件，复制password字段

修改jupyter配置文件：jupyter_notebook_config.py

插入配置：

c.NotebookApp.ip='*' #允许访问的IP地址，设置为*代表允许任何客户端访问
c.NotebookApp.password = u'argon2:$argon2id........'#刚才生成密码时上面复制的密文
c.NotebookApp.open_browser = False
c.NotebookApp.port =8889 #开放服务的端口, 访问时使用该端口，与映射的端口一致！！！
c.NotebookApp.allow_remote_access = True

保存后，可以通过公网地址访问