翻译 如何在利用conda的一行代码配置 tensorflow gpu 环境

如何利用 conda 在配置tensorflow gpu的训练环境

原文： https://towardsdatascience.com/tensorflow-gpu-installation-made-easy-use-conda-instead-of-pip-52e5249374bc

想在电脑上安装Tensorflow并运行那些开发GPU潜能的深度学习算法吗？那么你找对地方了。在本文中，我将解释传统方法和新的优化方法以及为什么我们应该转储pip并使用conda。

传统方案

要为GPU安装Tensorflow，我必须按照以下步骤操作（步骤适用于Windows）：

1. 首先找出GPU是否与Tensorflow GPU兼容！ （从这里）
2. 从这里下载并安装Cuda Toolkit。
3. 通过注册Nvidia开发人员网站下载cuDNN
4. 通过将cuDNN的内容解压缩到步骤2中安装的Toolkit路径来安装cuDNN。将一些文件在CUDA Toolkit目录中替换。如果CUDA_HOME存在，则需要检查路径变量。如果没有，请手动添加。
5. 如果工具箱路径可用，请检查路径变量。
6. 然后最后安装Anaconda或Miniconda
7. 使用安装了Python和Pip包创建环境。
8. 最后’pip install tensorflow-gpu’。
9. 测试您的安装。

看上去很容易吗？为什么不继续尝试呢。请记住，我没有为上述任何步骤提供视觉效果，因为这些只是为了您的知识并解释我们在此过程中遇到的问题。

这个过程成功的可能为1％！为什么？由于版本编号

不同版本的Tensorflow支持不同的cuDNN和CUDA Verisons（在此表中CUDA有一个整数值，但是当你下载它时实际上是一个浮点数，这使得编号和兼容性更加困难）。另外cuDNN和conda也不是conda的一部分。

新的方案

安装 miniconda 或者 anaconda， 然后在终端输入以下代码

conda create --name tf_gpu tensorflow-gpu

这么简单吗？对！
此命令将创建一个以’tf_gpu’命名的环境，并将安装tensorflow-gpu所需的所有软件包，包括cuda和cuDNN兼容的版本。

并且它不会干扰您当前的环境所有准备好的设置。
如果您在查看命令时遇到困难，我会将此命令分解为三个命令。

conda create --name tf_gpu
activate tf_gpu
conda install tensorflow-gpu

注意：这也适用于Ubuntu用户。

测试Tensorflow安装

要测试tensorflow安装，请按照下列步骤操作：

1. 在终端使用’activate tf_env’打开终端并激活环境。
2. 使用’python’转到python控制台
3. 输入以下代码

import tensorflow as tf
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))