anaconda matplotlib 输出动画_Windows10配置Anaconda+Python3.6+TensorFlow+PyCharm

最新推荐文章于 2023-08-30 12:22:02 发布

weixin_39646412

最新推荐文章于 2023-08-30 12:22:02 发布

阅读量274

点赞数

适用对象：在做机器学习/数据科学相关，Online Jupyter已经不适合，需要在本地搭建环境的朋友们..

过去的一段时间，我一直在研究深度学习相关。在这个领域目前最常见的语言和事实上的标准是Python。与任何其他编程语言和工具一样，总是需要学习和熟悉的众多工具和框架，以便充分利用它们。你可以花费和浪费无数时间来学习如何安装和配置各种数据科学包，如Numpy，Matplotlib，TensorFlow等，并解决各种包依赖关系。

这时，如果你遇到Anaconda，它应该会成为你最好的朋友——因为它会帮你减轻入门的挫败感。 Anaconda发行版附带1000多个数据包，包括 conda和虚拟环境管理器。

在这篇文章中，我们将探讨如何使用Anaconda安装Jupyter Notebook并开始使用Tensorflow和Keras来开始深度学习。Jupyter Notebook非常有助于您熟悉数据科学项目中想要实现的任何内容。并帮你再AI时代脱颖而出，可以参考下文：

凯恩博：分享你的Jupyter Notebook，在AI时代脱颖而出zhuanlan.zhihu.com

Anaconda的一个小问题

虽然Anaconda很好，但是目前它和TensorFlow配合上有一点小问题：

目前官网最新的Anaconda是集成Python 3.7的环境，注意是 Python 3.7。
而Python 3.7和当前最新的TensorFlow 稳定版是不兼容的！

所以这里我将以自己利用Anaconda安装TensorFlow的经验分享于你，介绍如何在集成Python 3.7的Anaconda安装Python 3.6和TensorFlow-GPU。

电脑配置（供参考）

这里是我的电脑配置，供参考。当然这只是一个入门级的配置。

Windows 10 Pro (Version 1803)
Intel(R) Core(TM) i7-8700 CPU @ 3.20 GHz （6核心/12超线程）
16 GB Memory
1 TB Hard Disk
NVIDIA GeForce GTX 1070

下面进入正题，建议按照这个顺序来安装是比较合理的。

一、创建Python 3.6环境

右键管理员启动anaconda Prompt

创建python36这个环境：

conda create --name python36 python=3.6

进入python36这个环境

conda activate python36

如果有需要回到 Python 3.7

如下：

conda deactivate

二、安装 tensorflow-gpu

确认已经安装显卡驱动

如果没装，请先到NVIDIA官网下载（本文是针对NVIDIA显卡，如果是Intel或者AMD显卡，请先哭一会...）

注意：我们并不需要单独安装CUDA Toolkit 或者cuDNN。因为在安装TensorFlow-GPU的时候，这两个libraries会被自动安装。

在安装TensorFlow-GPU之后，用conda list 查看，可以看到cudatoolit和cudnn的版本，我的如下：cudatoolkit 9.0、cudnn 7.3.1。感谢 @洛冰河的提醒。

开始装TensorFlow-gpu

先确保是在python36这个环境下：

conda activate python36

开始安装：

conda install tensorflow-gpu

需要装很多文件的，如果网速慢的话，估计需要几十分钟到几小时的。如果可以考虑更换到找一个更好的源（已经超出本文范围）。

检查TensorFlow是否已安装好

在python36里，进入python，然后输入：

import tensorflow as tf
hello = tf.constant('Hello , Tensorflow! ')
sess = tf.Session()
print(sess.run(hello))

预期输出

b'Hello , Tensorflow! '

如果OK就对啦，当然，你可以能回到如下问题：

遇到mkl_intel_thread.dll无法找到的问题

解决办法（这也是Anaconda官方推荐的方案）：

在conda prompt：

conda update python

再一次，需要装很多文件的，如果网速慢的话，估计需要几十分钟。

设置环境变量的值（可以在conda prompt设置，但下次就无效了；如需永久，在电脑环境变量设置） set CONDA_DLL_SEARCH_MODIFICATION_ENABLE = 1

Disable GPU的Log信息

可能会有一堆的Warning，例如

2019-03-07 17:25:51.878252: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2
2019-03-07 17:25:52.221768: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1432] Found device 0 with properties:
name: GeForce GTX 1070 major: 6 minor: 1 memoryClockRate(GHz): 1.683
pciBusID: 0000:01:00.0
totalMemory: 8.00GiB freeMemory: 6.64GiB
2019-03-07 17:25:52.227274: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1511] Adding visible gpu devices: 0
2019-03-07 17:25:52.655576: I tensorflow/core/common_runtime/gpu/gpu_device.cc:982] Device interconnect StreamExecutor with strength 1 edge matrix:
2019-03-07 17:25:52.658983: I tensorflow/core/common_runtime/gpu/gpu_device.cc:988]      0
2019-03-07 17:25:52.660728: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1001] 0:   N
2019-03-07 17:25:52.662681: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 6396 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1070, pci bus id: 0000:01:00.0, compute capability: 6.1)

解决办法：

在Python Code前设置log等级：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

查看`TensorFlow`和`Keras`版本：

import tensorflow as tf
from tensorflow.keras import layers

print(tf.VERSION)
print(tf.keras.__version__)

输出

1.12.0
2.1.6-tf

三、配置Jupyter Notebook

进入python36：

conda activate python36

需要先安装ipykernel

命令如下：

conda install ipykernel
python -m ipykernel install --user --name python36 --display-name "Python (Python 3.6)"

输出：

Installed kernelspec python36 in C:Users***AppDataRoamingjupyterkernelspython36

修改Jupyter的根目录

Jupyter个根目录默认在当前用户的Home路径。这里示例将其改为D:Jupyter路径找到Jupyter Notebook的启动快捷方式，默认路径在： C:Users******AppDataRoamingMicrosoftWindowsStart MenuProgramsAnaconda3 (64-bit)

找到它的属性 -> 快捷方式，默认为（这里我是将Anaconda3安装在了D盘的根目录的）：

D:Anaconda3python.exe D:Anaconda3cwp.py D:Anaconda3 D:Anaconda3python.exe D:Anaconda3Scriptsjupyter-notebook-script.py %USERPROFILE%

把里面的%USERPROFILE% 替换为 D:Jupyter，即可。

以后再通过Jupyter Notebook的快捷方式启动，根目录就在D:Jupyter了。

四、配置PyCharm

虽说有了Jupyter Notebook，已经可以很方便的调试和查看Code，但是对于大一点的程序，还是直接在PyCharm里面编写比较方便。

在PyCharm中新建Project
在“Project Interpreter”中选择“Existing interpreter”
选择Python36这个路径下的python.exe作为interpreter

当然，除了PyCharm还有很多其他Python IDE是很推荐的，可以看这篇《推荐AI必备语言Python的几款IDE》。

在PyCharm中测试

创建一个.py文件，还是用TensorFlow的例子，当然这次高级一点，来比较一下CPU和GPU的时间差异：

import tensorflow as tf
import timeit
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# See https://www.tensorflow.org/tutorials/using_gpu#allowing_gpu_memory_growth
config = tf.ConfigProto()
config.gpu_options.allow_growth = True

with tf.device('/cpu:0'):
    random_image_cpu = tf.random_normal((100, 1000, 100, 3))
    net_cpu = tf.layers.conv2d(random_image_cpu, 32, 7)
    net_cpu = tf.reduce_sum(net_cpu)

with tf.device('/gpu:0'):
    random_image_gpu = tf.random_normal((100, 1000, 100, 3))
    net_gpu = tf.layers.conv2d(random_image_gpu, 32, 7)
    net_gpu = tf.reduce_sum(net_gpu)

sess = tf.Session(config=config)

# Test execution once to detect errors early.
try:
    sess.run(tf.global_variables_initializer())
except tf.errors.InvalidArgumentError:
    print(
        '如果出了这个Error表示GPU配置不成功！nn')
    raise


def cpu():
    sess.run(net_cpu)


def gpu():
    sess.run(net_gpu)


# Runs the op several times.
print('Time (s) to convolve 32x7x7x3 filter over random 100x1000x100x3 images '
      '(batch x height x width x channel). Sum of ten runs.')
print('CPU (s):')
cpu_time = timeit.timeit('cpu()', number=10, setup="from __main__ import cpu")
print(cpu_time)
print('GPU (s):')
gpu_time = timeit.timeit('gpu()', number=10, setup="from __main__ import gpu")
print(gpu_time)
print('GPU speedup over CPU: {}x'.format(int(cpu_time / gpu_time)))

sess.close()

输出：

Time (s) to convolve 32x7x7x3 filter over random 100x1000x100x3 images (batch x height x width x channel). Sum of ten runs.
CPU (s):
25.24234085335886
GPU (s):
1.5711942943447745
GPU speedup over CPU: 16x

不错~ 这个任务GPU和6个i7的CPU相比快了16倍！！

总结

为了安装使用TensorFlow-GPU，Anaconda提供简单、快速的安装方式。非常推荐！

最后说一点，工具是前提，配置好了之后还是要更多的专注在算法、模型和原理上。

推荐机器学习和深度学习的书单

凯恩博：人工智能2018 深度学习最佳书单zhuanlan.zhihu.com

Kaggle比赛入门：

凯恩博：如何在Kaggle排行榜取得好成绩——Kaggle新人参加Digit Recognition的经历zhuanlan.zhihu.com

如果对PyTorch感兴趣的朋友，可以继续看这篇文章

凯恩博：PyTorch的初步尝试：安装和Tutorialzhuanlan.zhihu.com

对于TensorFlow 2.0 版本感兴趣的朋友可以看这篇 2.0的安装和填坑小结

凯恩博：TensorFlow 2.0 Alpha的初步尝试：安装及填坑小记zhuanlan.zhihu.com

欢迎点赞，欢迎留言交流~

weixin_39646412

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
anaconda matplotlib 输出动画_Windows10配置Anaconda+Python3.6+TensorFlow+PyCharm

适用对象：在做机器学习/数据科学相关，Online Jupyter已经不适合，需要在本地搭建环境的朋友们.. 过去的一段时间，我一直在研究深度学习相关。在这个领域目前最常见的语言和事实上的标准是Python。与任何其他编程语言和工具一样，总是需要学习和熟悉的众多工具和框架，以便充分利用它们。你可以花费和浪费无数时间来学习如何安装和配置各种数据科学包，如Numpy，Matplotlib，Tenso...
复制链接

扫一扫