深度学习 Day1——学习之前需要的工作准备

深度学习 Day 1——学习之前需要的工作准备

活动地址：CSDN21天学习挑战赛

• 本文为🔗365天深度学习训练营 中的学习记录博客
• 参考文章地址： 🔗深度学习100例-卷积神经网络（CNN）天气识别 | 第5天

一、前言

我的环境：

• 电脑系统：Win 11

• 语言环境：Python 3.10

• 编译器：PyCharm，Jupyter notebook

• 深度学习环境：TensorFlow2

二、库的安装

Jupyter notebook和TensorFlow都有对应的网页端，可以直接使用，非常方便，也可以在本地下载对应的库来实现，下载方式更其他库的方式一样。

​ CMD内使用pip下载：

pip install tensorflow

pip install jupyterlab

pip install notebook

三、官方示例演示

接下来是对于TensorFlow2.0的官方示例演示

如何目前你不熟悉TensorFlow和Jupyter的使用，你可以先在PyCharm中尝试一下：

首先导入tensorflow库

import tensorflow as tf

然后载入并准备好MNIST数据集，将样本从整数转换为浮点数。

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

其中MNIST手写字符数据集返回两个元组，其中方法中还包括一个参数：

参数	说明
x_train，x_test	uint8 数组表示的灰度图像，尺寸为 (num_samples, 28, 28)
y_train,，y_test	uint8 数组表示的数字标签（范围在 0-9 之间的整数），尺寸为 (num_samples,)
path	如果在本地没有索引文件 (at ‘~/.keras/datasets/’ + path), 它将被下载到该目录

到这里，可能会运行成功，也可能会运行失败，运行成功的结果是;

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 0s 0us/step
11501568/11490434 [==============================] - 0s 0us/step

失败的问题，我们待会解决，现在我们假设已经成功，接下来我们将模型的各层堆叠起来，以搭建tf.keras.Sequential模型，为训练选择优化器和损失函数;

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

其中，Sequential是顺序模型，顺序模型是多个网络层的线性堆叠。简单的说一下这一些方法的概念，想要更加深入的了解Keras这个基于Python的深度学习库可以去它的中文官网去学习一下，连接我就放在这里：https://keras.io/zh/

最后，我们来训练并验证模型：

model.fit(x_train, y_train, epochs=5)

model.evaluate(x_test,  y_test, verbose=2)

它运行的结果是：

Epoch 1/5
1875/1875 [==============================] - 6s 3ms/step - loss: 0.2968 - accuracy: 0.9145
Epoch 2/5
1875/1875 [==============================] - 6s 3ms/step - loss: 0.1437 - accuracy: 0.9573
Epoch 3/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.1085 - accuracy: 0.9674
Epoch 4/5
1875/1875 [==============================] - 6s 3ms/step - loss: 0.0891 - accuracy: 0.9725
Epoch 5/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.0781 - accuracy: 0.9753
313/313 - 1s - loss: 0.0725 - accuracy: 0.9782 - 516ms/epoch - 2ms/step
[0.07253240793943405, 0.9782000184059143]

可以看出，这个官方示例照片分类器的准确的已经达到了98%，想要了解更多也是去它的官网去查阅相关的使用教程等内容。

四、过程中遇见的一些问题

上面官方示例演示的第二部分可能会运行出错。

2022-08-01 20:19:21.294942: W tensorflow/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'cudart64_110.dll'; dlerror: cudart64_110.dll not found
2022-08-01 20:19:21.295104: I tensorflow/stream_executor/cuda/cudart_stub.cc:29] Ignore above cudart dlerror if you do not have a GPU set up on your machine.

出现这个情况我们先设置一下GPU：

import tensorflow as tf

gpus = tf.config.list_physical_devices("GPU")

if gpus:
    gpu0 = gpus[0]                                        #如果有多个GPU，仅使用第0个GPU
    tf.config.experimental.set_memory_growth(gpu0, True)  #设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpu0],"GPU")

但是我们发现这样设置GPU之后还是报错，和之前的报错一样，这是因为最新版本的TensorFlow2默认安装CPU和GPU两个版本，而GPU是不能运行退回到CPU版本的这个时候。

我们发现错误里面提示**‘cudart64_110.dll’ not found**，因此我们需要手动将cudart64_110.dll添加到路径**“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin”**中去。

cudart64_101.dll链接：https://cn.dll-files.com/cudart64_101.dll.html

但是这个时候肯定有很多人会发现自己的Program Files文件夹里面根本就没有NVIDIA GPU Computing Toolkit这个文件夹，这是因为我们没有安装CUDA和CUDNN。

好现在我们要去下载CUDA和CUDNN，下载地址我就放在下面：

CUDA：https://developer.nvidia.com/cuda-downloads

CUDNN：https://developer.nvidia.com/rdp/cudnn-download

注意：CUDA和CUDNN要版本匹配才行，CUDA要选择自己电脑支持的版本。

可以在电脑桌面右击，选择NVIDIA 控制面板，然后点击帮助，然后点系统信息，再点组件就可以看见自己电脑支持的版本了。

顺便提一下，如何这两个下载速度很慢或者因为网络问题下载失败，需要挂VPN然后最好不要使用WiFi下载，直接连接手机热点下载，反正我用WiFi总是下载不了，换手机热点之后就好很多了。（但依旧慢的要死😭）

在漫长的等待过后，我们终于下载好了这个两个东西。

1、安装CUDA

CUDA的安装推荐默认的就行，这样也不会忘记安装地址了，如果C盘容量不足的话那还是换另一个盘安装，安装结束之后，我们需要测试一下CUDA是否安装成功.

我们直接在cmd里面输入命令：nvcc --version，显示如下即算安装成功。

然后使用命令：set cuda，可以查看cuda设置的环境变量。

2、安装CUDNN

下载之后直接解压该压缩包到你指定的路径里面，检查一下是不是这些文件

然后打开C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA路径，找到路径下的bin、include、lib目录，然后将解压后CUDNN里面对应的bin、include、lib目录下的文件对应的复制到bin、include、lib目录下。

然后也是检查一下安装是否成功。

打开C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\demo_suite路径，在此路径下打开Powershell（shift+鼠标右键选择在此处打开Powershell窗口），执行命令：.\bandwidthTest.exe，如何出现如下信息就证明安装成功：

到这里就CUDA和CUDNN的安装就结束了。

现在，我们重新打开PyCharm，然后重新运行程序，就会发现现在已经可以成功运行出结果了。

五、最后我想说

这是我参加CSDN的一个活动所写的博客，名字叫做21天学习挑战赛，是免费参加的，我也是想学习一些新知识，然后让自己忙起来不那么闲，总而言之，参加能更加督促自己每天的学习，我本人也经常偷懒，哈哈哈😁

活动地址我放在这里：https://t.csdnimg.cn/imX8

感兴趣的同学可以利用自己的空余时间来跟着大博主学习学习，增长知识，何乐而不为。

今天主要是进行一些环境搭建等前期工作，接下来就要跟着博主去训练各种项目，然后去总结知识，然后用博客的方式发出来，这也是这次活动的参与方式。

创作不易，谢谢你们的点赞收藏转发三连，文章里面有一些也是我翻阅了很多其他博主总结的，毕竟学习过程中遇见困难要学会自己去上网翻阅解决问题。

最后，文章如有某个地方出现错误或者不妥之处，也请大家为我指出，谢谢大家！！！🥰🥰🥰