lz历时一周,终于配置好了深度学习环境,其过程可谓是一波三折。接下来,我就手把手把我的安装流程、遇到的困难,解决办法以及我的理解分享给大家。
对于非计算机专业,刚刚入门深度学习的小伙伴,突然面临这么多繁杂的名称,肯定摸不着头绪,无从下手,接下来,我将就安装顺序以及各个软件是干什么的做下简单的介绍:
※注:GPU版本只适用于英伟达NVIDIA的显卡(GPU),务必看下自己的电脑里有无英伟达显卡
查看步骤:任务管理器——>性能;即可查看到自己电脑的GPU信息
推荐安装顺序: Anaconda-->Pycharm-->CUDA-->cuDNN-->Tensorflow(gpu)
Anaconda:在我看来,Anaconda更像是一栋大楼,而我们配置的各个不同的环境则是这栋大楼里的一个个房间。环境的名称则是我们给每个房间的命名or编号。当我们在做不同的项目(Project)时,很可能需要不同的环境,此时只需要把不同的项目(Project)放在我们在Anaconda中创建的与其相兼容的环境(env)中 即可运行。在Anaconda中,几乎有各个版本的库,python编辑器等等。
Pycharm :Pycharm是一款优异的IDE软件。他在我看来则是方便我们运行项目,调试代码的一个更好的集成开发平台。在Pycharm中,我们可以创建不同的项目(Project),并且为其搭配我们在Anaconda中提前搭配好可以兼容的环境(env),以及每个环境中的python编辑器(Interpreter)。在Pycharm窗口界面,我们可以很清晰地看到项目中各个文件(file)的Python代码,以及代码运行的结果。而且Pycharm支持语法高亮等功能,更容易帮助我们发现代码中的错误。
CUDA:是一种由NVIDIA推出的通用的并行计算架构,该架构使GPU能够解决复杂的计算问题。通俗一点来讲,当我们使用GPU进行计算时,CUDA是必不可少的
cuDNN:NVIDIACUDA®深度神经网络库(cuDNN)是GPU加速的用于深度神经网络的原语库。cuDNN为标准例程提供了高度优化的实现,例如向前和向后卷积,池化,规范化和激活层。目前,全球的深度学习研究人员和框架开发人员都依赖cuDNN来实现高性能GPU加速。它使他们可以专注于训练神经网络和开发软件应用程序,而不必花时间在底层GPU性能调整上。
Tensorflow: 是AI开发项目的工具箱,是一个基于数据流编程(dataflow programming)的符号数学系统,被广泛应用于各类机器学习(machine learning)算法的编程实现。