安装Anaconda及TensorFlow（CPU版）

最新推荐文章于 2024-06-11 14:16:22 发布

数羊到天明-

最新推荐文章于 2024-06-11 14:16:22 发布

阅读量2.3k

点赞数 3

文章标签： tensorflow Powered by 金山文档

本文链接：https://blog.csdn.net/weixin_52515393/article/details/129443503

版权

1、简单了解了一下GPU和CPU的区别

CPU是Central Process Unit，中央处理器，是个人计算机之中负责处理数据和计算的元件。你在计算机上执行的任何一个操作都需要经过CPU的处理和计算，才能展示给你结果，所以CPU越好，你的计算机的反应速度就越快。

而GPU是Graphic Process Unit，图形处理器，是专门进行图形数据处理和计算的处理器。在通识中，许多人可能会误解说，GPU是比CPU更“高档”、更“先进“的处理器，但实际上GPU并非CPU的替代品， GPU也不是”更高层次“的CPU。这两种处理器都执行计算机运行所需的相同的“计算过程”，但不同的是， CPU擅长处理复杂、连续的计算问题，例如操作系统、程序、键盘操作、鼠标操作等，而GPU 擅长处理简单、大量、重复、并行的计算问题，比如游戏中的3D图形渲染，他们之间不能互相代替。一个业内著名的比喻是：CPU是几个博士生，GPU是成千上万个小学生，我把它比喻成CPU是王兴，GPU是美团骑手。对于复杂问题，GPU不如CPU解决得好，甚至不能解决，而对于简单大量问题，CPU再牛，也敌不过GPU并行处理的效率和规模。所以现在的计算机，如果搭配了GPU的，都是CPU+GPU的组合，普通操作和程序运行由CPU执行，当需要GPU时，CPU会指定GPU来进行操作。
深度学习中所涉及到的运算是简单大量、还是复杂连续的呢？答案是简单大量。神经网络涉及的运算过程其实比很多机器学习算法都要容易（感谢反向传播），神经网络运算的难点主要在于巨量数据需求，因此GPU在处理深度学习算法时的运算速度有时甚至可以达到CPU的100倍以上。因此在深度学习中，如果有机会，那务必要使用GPU。

2、由下图可见，我的电脑不支持安装GPU（呜呜呜┭┮﹏┭┮），于是接下来TensorFlow选择安装CPU版本即可。

在自己的桌面上点击右键，如果你能够找到NVIDIA控制面板，则说明你这台电脑有适合PyTorch的GPU，你可以安装GPU版本，否则你的电脑就不能安装PyTorch的GPU版本。

3、Anaconda在上学期已经安装过，所以这里直接配置python环境。

Anaconda是一个开源的Python发行版本，用来管理python相关的包，使用anaconda可以很方便的切换不同的环境，使用不同的深度学习框架开发项目。

输入链接“https://www.anaconda.com/”登录Anaconda官网。

鼠标选中“Products”，点击“Indiviaual Edition”选项（Individual Edition是免费版的）。

选择Windows版本“64-Bit Graphical Installer双击“Anaconda3-2021.11-Windows-x86_64.exe”，进行安装。(510 MB)”进行安装。

接下来一路next并选择下载路径。

配置环境变量

在系统变量（一定要看清，是系统变量，不是用户变量）一栏中，找到“Path”（这个Path不同电脑的书写可能不一样，所以根据自己电脑上的来，我这里是Path，但其它的电脑可能在大小写上有区别）。

输入以下信息(Anaconda安装路径要根据自己当时安装Anaconda的路径来):

Anaconda安装路径

Anaconda安装路径\Scripts

Anaconda安装路径\Library\bin

检验是否成功：

（1）打开cmd。

（2）输入“conda --version”。

（3）输入“conda info”。

输入“activate”，回车，之后再输入“python”。显示版本即安装成功。

4、在anaconda Prompt中创建python环境并激活

5、升级pip

6、下载TensorFlow2.10版本

7、测试一个代码

import tensorflow as tf

# 下载或加载数据： MNIST 数据集

mnist = tf.keras.datasets.mnist

# 划分训练集、测试集

(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 将样本数据从整数转换为浮点数

x_train, x_test = x_train / 255.0, x_test / 255.0

# 通过堆叠层来构建 tf.keras.Sequential 模型。

model = tf.keras.models.Sequential([

tf.keras.layers.Flatten(input_shape=(28, 28)),

tf.keras.layers.Dense(128, activation='relu'),

tf.keras.layers.Dropout(0.2),

tf.keras.layers.Dense(10, activation='softmax')

])

# 输出模型的结构和参数

model.summary()

# 利用配置参数编译模型

model.compile(optimizer='adam',

loss='sparse_categorical_crossentropy',

metrics=['accuracy'])

# 训练模型

model.fit(x_train, y_train, epochs=5)

# 评估模型

model.evaluate(x_test, y_test)

8、运行结果如下所示，可见安装成功，小功告成！

9、TensorFlow学习

TensorFlow™是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现，其前身是谷歌的神经网络算法库DistBelief。

Tensorflow拥有多层级结构，可部署于各类服务器、PC终端和网页并支持GPU和TPU高性能数值计算，被广泛应用于谷歌内部的产品开发和各领域的科学研究。

TensorFlow由谷歌人工智能团队谷歌大脑（Google Brain）开发和维护，拥有包括TensorFlow Hub、TensorFlow Lite、TensorFlow Research Cloud在内的多个项目以及各类应用程序接口（ApplicationProgramming Interface, API）。自2015年11月9日起，TensorFlow依据阿帕奇授权协议（Apache 2.0 open source license）开放源代码。

分布式TensorFlow的核心组件（core runtime）包括：分发中心（distributed master）、执行器（dataflowexecutor/worker service）、内核应用（kernel implementation）和最底端的设备层（device layer）/网络层（networkinglayer）。

分发中心从输入的数据流图中剪取子图（subgraph），将其划分为操作片段并启动执行器。分发中心处理数据流图时会进行预设定的操作优化，包括公共子表达式消去（common subexpression elimination）、常量折叠（constantfolding）等。

执行器负责图操作（graph operation）在进程和设备中的运行、收发其它执行器的结果。分布式TensorFlow拥有参数器（parameter server）以汇总和更新其它执行器返回的模型参数。执行器在调度本地设备时会选择进行并行计算和GPU加速。

内核应用负责单一的图操作，包括数学计算、数组操作（array manipulation）、控制流（control flow）和状态管理操作（state management operations）。内核应用使用Eigen执行张量的并行计算、cuDNN库等执行GPU加速、gemmlowp执行低数值精度计算，此外用户可以在内核应用中注册注册额外的内核（fused kernels）以提升基础操作，例如激励函数和其梯度计算的运行效率。