windows 10 + GTX1650 环境下基于TensorFlow的深度学习环境配置

因论文需要，简单的记录一个深度学习环境的配置过程
说明：与广为应用的基于Anaconda的深度学习环境配置方法不同的是，本文直接基于Python基础环境+Pycharm进行环境的配置，不安装，不安装，不安装Anaconda (几年前安装过Anaconda，其实觉得不怎么好用，倒不如直接基于基础环境进行)，记得好几年前自己第一次接触不怎么懂(小小小白)，然后瞎摸索还是蛮花费时间的。

首先，基础软硬件配置环境为：windows 10+GTX1650

1. python环境的安装

下载Python安装包直接安装，不再赘述，本文安装的版本为 Python 3.7.9
传送门

2. CUDA与CUDNN安装

这两个工具软件的作用嘛，就是调用英伟达的显卡那些东西啦。
此处安装过程需要注意与自己的电脑的显卡型号进行适配。
其中显卡最高可支持的cuda版本在控制面板查看，如下图所示。

本文参考的这篇博客给出的版本适配信息，安装的是CUDA 10.1，CUDNN 7.6 相关的教程还是很多的传送门
涉及到一个版本版本间的匹配问题，先这里说一下

cuda 10.1 
cudnn 7.6 
tensorflow   2.1.0/2.2.0/2.3.0

#关于cuda 10.1 pytorch
# CUDA 10.1
pip install torch==1.8.1+cu101 torchvision==0.9.1+cu101 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html

Torch 、torchvision 、Python 的一个版本匹配参考

3. pycharm安装

在官方网站上下载pycharm安装包，本文安装的专业版本，使用教育邮箱进行的认证，好用。此处其实不建议进行汉化，因为后期找教程的时候基本还是英文的教程。

传送门
以上安装完毕就可以进行深度学习环境配置啦。

4. TensorFlow环境配置

本文各项深度学习所用的库文件均在pycharm中进行安装，而不是在cmd命令行窗口进行安装，主要便于后期各个项目之间的切换，比较大家都会参考github上的代码的，所以个人认为这种方式还是比较方便的。

总的意思就是说，为每一个工程项目匹配一个环境，下面给出一个演示吧。

1. 在pycharm中创建一个项目
   从图中可以看到基础python环境的位置base interpreter
   Fil->new project
   
2. 添加(修改下载的镜像的源)
   因为pyhton的很多库的服务器都在境外，因为众所周知的原因，速度很慢，而且常常会安装失败，给人造成了很多的困扰。

File->setting->点击红色框框的+号

进去点击 那个红色框图内的manage … 进入镜像文件编辑页面

进行镜像源的修改(笔)、添加(+)、删除(-)

pycharm 2022.1 添加（更换）镜像位置如下图所示：

几个相关的镜像源如下：豆瓣、中科大、清华、官方。
个人感觉里面最快的豆瓣，不过肯能有的镜像有缺失，最后还得是官方去下载，不过大部分都有。

https://pypi.douban.com/simple/
https://pypi.mirrors.ustc.edu.cn/simple/
https://pypi.tuna.tsinghua.edu.cn/simple/
https://pypi.python.org/simple

之后遍通过这个窗口进行环境配置安装啦！
直接搜索，即可看到如下图所示的页面，记得specify vession。
本文安装的是tensorflow 2.2.3 ，其他的库也是这样安装啦。

通过pycharm主页面下的python packages此处进行添加也是极为方便的。

这时候可以测试一下自己的tensorflow是否安装成功。
新建一个Python脚本，插入测试代码，检验是否能够成功运行。

后面就可以开心的复现github上的代码啦。

import tensorflow as tf 
sess = tf.Session() 
a = tf.constant(1) 
b = tf.constant(2) 
print(sess.run(a+b))