Linux下深度学习开发环境的构建

笔者使用的是实验室配置的服务器，主要是ubuntu server系统下 深度学习开发环境的基本构建，这些事笔者在自己配置的过程中经历的困难，写的有错误的地方还望见谅

一.linux下pycharm的安装

• 下载Linux版本的pycharm，下载的community版本的，将其放到Downloads目录下

打开命令行 ，首先进入到Downloads下

cd ~/Downloads

然后将压缩包解压

tar -xvzf pycharm-community-2018.3.3.tar.gz -C ~

解压后的文件夹自动放在根目录下，可以在根目录看到

然后进入到这个解压后的文件夹下的bin文件夹，安装需要的pycharm.sh文件放在里面

cd ~/pycharm-community-2018.3.3/bin

下一步就是直接安装pycharm

sh pycharm.sh &

等待运行结束即可看到pycharm的主界面  安装即结束

二.anaconda的安装

其安装的方法与pycharm的方法大同小异

下载好对应版本的anaconda后，笔者推荐使用Python3.6版本下的，即Anaconda3-4.3.0-Linux-x86_64.sh，可以带清华镜像中找到  下图是常见的Python与anaconda的对应关系

bash Anaconda3-4.3.0-Linux-x86_64.sh

即可完成anaconda的安装

三.在anaconda中安装TensorFlow的虚拟环境

• 在系统上安装完成anaconda

通过anaconda创建虚拟环境

conda create -n tensorflow python=3.6 anaconda

会在envs中创建tensorflow文件夹

这里创建了一个叫做tensorflow的虚拟环境，名字是可以任意改变的，并在这个虚拟环境中安装了python3.6，同时安装所需的常用的模块，numpy，scipy等，节约很多时间。这里的Python3.6与anaconda没有关系，可以anaconda是3.6的，在虚拟环境中安装Python3.5下的环境

conda info --envs

即可看到我们创建的tensorflow的虚拟环境

• 查看cuda cudnn版本

cat /usr/local/cuda-9.0/version.txt
cat /usr/local/cuda-9.0/include/cudnn.h | grep CUDNN_MAJOR -A 2

• 查看当前虚拟环境cuda cudnn版本

conda list

• 激活虚拟环境

在Windows中使用

activate tensorflow

在Linux中使用

source activate tensorflow

注意两者的区别

• 更换清华源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

• 安装tensorflow 笔者的cuda为9  cudnn为7，对应着要安装1.5版本的tensorflow

conda install --channel https://conda.anaconda.org/anaconda tensorflow-gpu=1.5.0

pip3 install tensorflow-gpu==1.5 -i https://pypi.tuna.tsinghua.edu.cn/simple

笔者尝试了很多次用pip安装tensorflow 都宣告失败，所以建议使用conda的方式安装tensorflow

最后在虚拟环境下进入Python环境，

import tensorflow

如图，tensorflow即安装成功

四.在pycharm中虚拟环境及interpreter设置

打开左上角的File 选择setting

选中project interpreter，图为笔者已经配好的样式

选中右上角的小齿轮，点击Add

点击页面中的conda environment，同时选中 existing environment   勾中Make available to all projects

然后在你的anaconda下envs文件夹中，找到你自己创建的虚拟环境，在其中的bin文件夹中找到Python3.6这个文件（笔者创建的是python3.6下的TensorFlow），选中即可

如图，即完成interpreter的配置