深度学习之tensorflow：软硬件安装，环境配置，测试

tensorflow配置环境

0tensorflow简介

工欲善其事必先利其器，在用tensorflow前，首先得了解一下tensorflow。这样在使用的时候才能避免很多问题。更多问题请查看tensorflow中文官网。
tensorflow中文官网

0.0：什么是tensorflow

TensorFlow 是一个免费、开源、流行的 机器学习 和 深度学习框架。 由谷歌大脑 (Google Brain) 团队开发， 于 2015 年 11 月 9 日发布。用于使用数据流图进行数值计算， 完全基于 Python 语言，使得机器学习更快速、更容易。

0.1：tensorflow可以用来干嘛

TensorFlow 可以训练和运行深度神经网络 (DNN)，用于图像识别，手写数字分类，循环神经网络 (RNN)，词嵌入 (word embedding)，自然语言处理，视频检测等等。 TensorFlow 不仅可以运行在多个 CPU/GPU 上，也可以运行在移动操作系统中。

0.2：tensorflow基础

参考链接：深度学习框架介绍以及tensorflow基础
了解tensorflow基础，重在了解tensor（张量，即多维数组）和Flow（即数据的流动，在tensorflow中，数据流动图用节点和边组成的有向图来描述数学运算）

1、tensorflow配置环境基础

我是基于win10，64位的操作系统。

1.1tensorflow配置环境需要的软件、硬件环境。

硬件：电脑上是否有GPU（如有GPU，检查自己的GPU是否支持tensorflow，否则配置CPU版的tensorflow）
软件：anaconda、cudatoolkit（有本地和在线两种方式）、（显卡驱动）、cudnn。

注：CUDA Toolkit本地安装包时内含特定版本Nvidia显卡驱动的，所以只选择下载CUDA Toolkit就足够了，如果想安装其他版本的显卡驱动就下载相应版本即可

需要安装的包：keras、tensorflow、tensorflow-gpu

a.检查自己电脑配置：查看自己电脑是否有GPU，以及驱动程序版本。如果没有GPU，则安装CPU版本就好。

b.查看本机GPU是否支持
查看链接

1.2注意：几个关系

（1）NVIDIA的显卡驱动程序和CUDA的关系：NVIDIA的显卡驱动程序和CUDA完全是两个不同的概念。CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。（可以怎么理解，GPU是螺丝，cuda是扳手，通过cuda）
CUDA和GPU之间的关系
*NVIDIA的显卡驱动器与CUDA并不是一一对应的。*CUDA的本质是一个工具包（ToolKit）。当我们使用一台电脑的时候默认的已经安装了NVIDIA的显卡驱动，但是这个时候我们是没有CUDA可以用的，我们可以更新我们的驱动，更新链接为
显卡更新链接
（2）tensorflow和keras的关系
tensorflow和keras之间的关系
Keras是基于TensorFlow和Theano的深度学习库，也仅支持python开发。
它是为了支持快速实践而对tensorflow或者Theano的再次封装，让我们可以不用关注过多的底层细节，能够把想法快速转换为结果。
（3）cudnn和cuda的关系
cudnn与CUDA没有一一对应的关系。cudnn是一个SDK，是一个专门用于神经网络的加速包，注意，它跟我们的CUDA没有一一对应的关系，即每一个版本的CUDA可能有好几个版本的cuDNN与之对应，但一般有一个最新版本的cuDNN版本与CUDA对应更好。
（3）GPU、cuda、cudnn、tensorflow、keras之间的关系。
GPU：用来计算
cuda：告诉GPU要怎么计算
cudnn：专门用于神经网络的加速包。深度学习火了以后，专为深度学习开发的通过cuda调用GPU的工具包。
tensorflow：深度学习框架
keras：对tensorflow的二次封装。
（4）cuda、cudnn、tensorflow之间的版本对应关系
cuda、cudnn、tensorflow之间的对应关系
虽然说cuda和cudnn之间没有关系，但是官方还是做了测试，并推荐了稳定版的搭配。

2、tensorflow配置环境

2.0 在anaconda中创建虚拟环境

创建虚拟环境

conda create -n tf python=3.6

激活虚拟环境

activate tf

将虚拟环境添加到jupyter notebook中
首先安装ipykernel

conda install ipykernel

conda install -n tf ipykernel

将ipykernel写入jupyter notebook中的环境中

python -m ipykernel install --user --name tf --display-name "tf"

2.1安装GPU环境下的跑tensorflow需要的软件

安装详细教程
建立好虚拟环境后，在虚拟环境中安装tensorflow。现在大家都是用的GPU跑深度学习模型，在安装tensorflow前需要安装一些硬件
a、下载与自己电脑系统匹配的显卡驱动（cuda）：
显卡驱动下载链接

查看显卡驱动是否安装成功：
在控制台面板下输入：

nvidia-smi

b、安装CUDA Toolkit 和 cuDNN
cuda下载链接
cudnn下载链接
在 Anaconda 环境下，对于 TensorFlow 2.1，可使用:

conda install cudatoolkit=10.1
conda install cudnn=7.6.5

需要注意的是：安装 CUDA Toolkit 和 cuDNN，要安装的 CUDA Toolkit 和 cuDNN 版本号须要一一对应（最好），一般来说，高版本的cudnn可兼容低版本的cuda。官网给出的版本对应是经过官网测试的。
。参照官网：cuda和cudnn版本对应
c、添加环境变量
将 CUDA®、CUPTI 和 cuDNN 安装目录添加到 %PATH% 环境变量中。

例如，如果 CUDA® 工具包安装到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1，并且 cuDNN 安装到 C:\tools\cuda，请更新 %PATH% 以匹配路径：

SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin;%PATH%
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\CUPTI\lib64;%PATH%
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include;%PATH%
SET PATH=C:\tools\cuda\bin;%PATH%

我添加的环境变量如下：

2.2安装tensorflow

pip install tensorflow==2.1.0

pip install tensorflow-gpu==2.1.0

pip install keras

3、测试

3.0查看tensorflow版本和路径

import tensorflow as tf
print(tf.__version__)#tensorflow版本
print(tf.__path__)#tensorflow安装路径

3.1查看keras是否可用

from keras.models import Model
from keras.layers import Input, BatchNormalization, Conv2D, MaxPooling2D, Dropout, concatenate, merge, UpSampling2D
from keras.optimizers import Adam

3.2查看GPU是否可用

true表示可用

tf.test.is_gpu_available()

3.3查看GPU具体信息

nvidia-smi