机器学习系列-第0篇-开发工具与tensorflow环境搭建

   系列目录：

1. 机器学习系列-第0篇-开发工具与tensorflow环境搭建 
   
2. 机器学习系列-第1篇-感知机识别手写数字（mnist例子分析） 
   
3. 机器学习系列-第2篇-CNN识别手写数字（mnist例子分析）

   此系列文章是本人用作自己入门机器学习的笔记之用，同时希望锻炼自己的书写能力，很多东西自己看懂了未必理解深刻，能把自己学的东西用自己的方式表达出来，做到言简意赅且能让人看到是一件很难的事情。作为一个新人入门，我希望此系列相关的文章能写得足够让小白（我自己也是小白）看得明白，且能对着步骤一步步操作成功，并且理解每一步是怎么来。

    作为开篇，写的是学习环境的搭建，但在此之前是希望每个人对机器学习有基础的了解，知道它是什么，我自己在此之前是通过书籍，视频，论坛等途径了解和学习基础概率。我本人是服务端开发人员，有*年的编程经验， Python不会，大学学的是数学专业，但都已经给回了老师，所以就当我不懂高等数学吧。按照本文操作，或许也还会有很多不懂的地方，比如你不会安装操作系统， 可能第一步就卡住了，这些基础就得靠自己了，文章不能讲得太细。

一 电脑硬件

       我浏览了很多入门学习的文章，很少有说电脑硬件要怎样的配置，当然我也不是很懂，这里只能说我自己的选择电脑的过程，好与不好，自己判断。

       我的笔记本是thinkpad x230, 好几年前的产品了， 参数如下：

        

这个配置我是这么用的：WIN7作为宿主机， 装了vmware + centos 7来开发。这样的环境用来做除机器学习之外的开发， 勉强还行，但用来做机器学习，mnist的例子都很难运行起来，报 out of memory。 这极大打击了我的学习积极性，作为一个开发者，如果把时间都浪费在等待机器运行上，不值得。心情也烦躁。 所以我觉得买一台台式机专门用来学这个。

       该选择怎么的电脑配置呢？ 我也不知道，但心里想价格不要太高，预算3500左右，大概的配置是i7，16内存，1T硬盘，需要有独立显卡2G以上，不然没法体验GPU。 去谷哥和度娘看别人的一些意见，但不适合我。 然后我逛了好几天的淘宝，京东。上面凡是组装机都一堆的吃鸡配置（吃鸡不是的喜好，看到此文包括我肯定都是有更高追求的人），我总结看了一下，假设基本有7个套餐，基本选择第4第5个套餐就够开发用了，有钱的土豪或预算充足的另说，最终我选择了如下配置（内存16G）：

  我买的那店家服务还可以，收到的货也不错，名字这里不放出来，需要推荐的话，需要的可以加我Q：823960168。另外显示器我再京东上买了一个600多的24寸松人曲面，因为我觉得对屏幕要求不高，所以买了个便宜货，而且是我第一次知道的品牌名字，一套配置下来总价3400多，这个价钱应该算便宜。对于想学习的人，对自身的投资是需要的。然后我们就可以开工了。

二 系统选择

      这里系统选择纯是个人喜好，用自己熟悉的最好， 本来我是比较熟悉centos，所以我就安装了centos 7。但是安装 NVIDIA显卡驱动的时候，折腾了我好久都不行，所以我选择重装为ubuntu 16.04。另外还有一个原因是centos的操作界面和支持开发过程用到的工具类软件比较少。

三 软件安装

1 安装显卡驱动（CUDA）

1.1 下载和安装

在官网下载适合自己的驱动：https://developer.nvidia.com/cuda-toolkit-archive

这里 GTX 1050 TI 可以选择 CUDA Toolkit 9.0，CUDA Toolkit 9.1及以上都不支持GTX 1050 及以下的显卡（这些都是安装过程，摸索各种版本发现， 非常耗时）。

我的选择如下，并且第二张图 红色框部分已经告诉你如何安装了，下载好之后按步骤执行就ok

1.2 验证安装是否成功

安装成功之后，检查是否ok，执行 nvcc -V 和 nvidia-smi , 可以看到如下结果:

1.3 设置 cuda 环境变量

在用户的 .bashrc文件后面添加下面两行：

export PATH=$JAVA_HOME/bin:/usr/local/cuda/bin:$PATH 

export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

1.4 重启系统

安装完成之后， 最好重启一下系统， 可以看到显示的适配好了很多。然后再执行上面的命令再次验证。

1.5 如果需要重装怎么办？

如已经安装了显卡不支持的更高版本怎么办？ 先执行下面的3个命令，卸载了之后再重装:

(1)sudo apt-get --purge remove cuda

(2)sudo apt-get autoremove

(3)sudo apt-get clean

2 安装CUDNN (深度神经网络库 Deep Neural Network library)

2.1 下载和安装

官网下载地址（需要注册账号才能下载）：

https://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html#installcuda

这里因为安装了cuda 9.0， 所以只能选 cudnn 7.0.5版本， 选了7.1版本的话，在运行tensorflow的时候会提示版本不对。下载离线包之后，就把对于的 include和lib 复制到cuda的安装目录下的对应include和lib目录就可以了。上文链接里面告诉你执行了，这里截个图：

执行完之后，检查一下/usr/local/cuda/里面是否有cudnn相应的.so和.h

2.2 环境变量设置

在用户的 .bashrc文件后面添加下面两行：

export LPATH=/usr/lib/nvidia-384:$LPATH 

export LIBRARY_PATH=/usr/lib/nvidia-384:$LIBRARY_PATH

3 安装tensorflow前的相关依赖检查和安装

3.1 查看内核版本与GCC版本： cat /proc/version && gcc --version

可以看到我的gcc是5.4.0，与内核编译用的gcc版本是一致的（默认安装系统之后，如果你没升级过一般都是一致的）。

3.2 安装与系统kernel版本一致的 headers

 命令： sudo apt-get install linux-headers-4.13.0-38-generic

3.3 安装Java JDK版本 

下载地址：http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html

我选择了 1.8版本， 下载之后，解压放在了/usr/local/jdk1.8.0_161目录下：

然后设置 java 环境变量：

在用户的.bashrc文件末尾增加：export JAVA_HOME=/usr/local/jdk1.8.0_161

4 安装tensorflow

sudo apt-get install python3-pip python3-dev

sudo apt-get install tensorflow-gpu

如果以上安装失败了，可以先执行一下：sudo pip3 install --upgrade tfBinaryURL 再重试

验证tensorflow是否可用：

>>> import tensorflow as tf 

>>> hello=tf.constant("welcome, to, tensorflow, world") 

>>> sess = tf.Session()

>>> print(sess.run(hello))

可以看到，正确import了 tensorflow，并且已经用gpu运行例子了，说明tensorflow已经可用，至此可以正常开发了。

5 IDE开发工具

开发ide纯个人喜好，不用ide也可以直接在vi等文本编辑器写代码，但我推荐用idea ij。一个好的开发工具，调试方便好多。

下载地址：https://www.jetbrains.com/idea/ （用community版本就行）

解压之后运行 bin里面的idea.sh就行，我最终的开发环境：

四 总结

至此，已经能正常开发，以上过程如果还有问题，可以先自己google。解决不了可以找我。下一篇开始 写 mnist例子分析。

转载于:https://juejin.im/post/5adb58b5f265da0b84550103