Linux下Anaconda+Tensorflow+Pytorch+theano+keras安装

目录

引言

Anaconda安装步骤

创建自己的虚拟Python环境

安装TensorFlow

软件源安装TensorFlow

pip安装TensorFlow

离线安装TensorFlow

虚拟环境下安装Cython

Pytorch安装步骤

绪论

方法一

方法二

卸载pytorch

torchvision安装

theano安装步骤

keras安装步骤

---

引言

众所周知Python常用的版本有2.x和3.x，常常会引起版本问题。由于我在Linux系统中已经安装有Python3.x和对应的TensorFlow，现在遇到需要跑在Python2.x下的TensorFlow工程时，就很麻烦，因此可以用Anaconda来建立一个独立的小环境来另外安装Python2.x及其对应的TensorFlow来跑这个工程。

其实还有一种体积更小的版本叫做Miniconda，区别在于：

Miniconda是一个小的“引导”版本，只包括conda，Python和它们依赖的包。 超过720个科学软件包及其依赖项可以使用“conda install”命令从Continuum存储库单独安装。对于空间要求严格的用户，Miniconda是一个很好的选择。
Anaconda包括conda，conda-build，Python和超过150个自动安装的科学包及其依赖项。 与Miniconda一样，可以使用“conda install”命令单独安装超过250个额外的科学软件包。

conda和Anaconda的关系：

先解释下conda、anaconda这些概念的差别。conda可以理解为一个工具，也是一个可执行命令，其核心功能是包管理与环境管理。包管理与pip的使用类似，环境管理则允许用户方便地安装不同版本的python并可以快速切换。Anaconda则是一个打包的集合，里面预装好了conda、某个版本的python、众多packages、科学计算工具等等，所以也称为Python的一种发行版。

Anaconda安装步骤

1）官网下载安装文件

https://www.anaconda.com/download/

由于官网的下载速度十分缓慢，而且还不支持断点续传，经常下载失败。故而，去国内的镜像站点下载，

https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

2）打开终端，找到安装文件所在目录，拷贝到/home目录下，执行下列命令

bash Anaconda2-5.0.0.1-Linux-x86_64.sh #当然如果下载的是其他版本的Anaconda,替换掉安装包名即可

3）在安装过程中，首先会给你看许可申明，这里可以一直按回车，不用担心后面会漏掉什么命令。

然后会显示配置路径

Prefix=/home/xingyuan/anaconda3

选择yes就可以。

注意：在安装过程中问你是否将Anaconda安装路径加入到环境变量（.bashrc）中，输入yes.

安装完成，输入：sudo gedit ~/.bashrc

sudo gedit ~/.bashrc

检查末尾是否已经添加如下变量，没有则添加：

4)安装完之后，运行python，仍是ubuntu自带的python信息，需自己设置下环境变量.因为是对系统文件的修改，所以你如果不是管理员权限，第5）步是无法完成的，其实这一步可以选择性去做，不设置也没有关系。如果不设置，直接跳到第6）步。

5）在终端输入$sudo gedit /etc/profile,打开profile文件。在文件末尾添加一行：

export PATH=/home/zhangxingyuan/anaconda3/bin:$PATH

其中，将“/home/xingyuan/anaconda3/bin”替换为你实际的安装路径，保存。

6）如果在第三步中选择了no，输入conda info和conda --version都没有消息显示。此时可以将anaconda的bin目录手动加入PATH，根据版本不同，也可能是~/anaconda2/bin.

$echo 'export PATH="~/anaconda3/bin:$PATH"' >> ~/.bashrc

再更新bashrc以立即生效

source ~/.bashrc.

此时，执行conda info和conda --version都会有信息显示

关于Anaconda的常用命令

$ # 创建一个名为tensotflow的环境，指定Python版本是2.7（不用管是2.7.x，conda会为我们自动寻找2.7.x中的最新版本）
$ conda create --name tensotflow python=2.7  # 这里的--name可以简化为-n

$ source activate tensotflow  # 安装好后，使用activate激活某个环境
$ # 激活后，会发现terminal输入的地方多了tensotflow 的字样

$ # 此时，可以安装和操作一些包

$ source deactivate tensotflow   # 如果想返回普通环境，运行

$ conda remove --name tensotflow --all  # 删除一个已有的环境


$ # conda的包管理类似pip

$ conda install scipy  # conda安装scipy

$ conda list  # 查看已经安装的packages

$ conda list -n tensotflow   # 查看某个指定环境的已安装包

$ conda search numpy  # 查找package信息

$ conda install -n tensotflow numpy  # 安装某个指定环境的package
$ # 如果不用-n指定环境名称，则被安装在当前活跃环境，也可以通过-c指定通过某个channel安装

$ conda update -n tensorflow numpy  # 更新package

$ conda remove -n tensorflow numpy  # 删除package

创建自己的虚拟Python环境

1. 创建自己的虚拟python运行环境
1）conda create -n envname_of_yours python=version
2）将conda所在目录加入自己的环境变量中（修改.bashrc），并使之生效(在主目录下执行命令". .bashrc"或"source .bashrc")
2. 激活自己的虚拟python环境（source activate envname_of_yours，成功则提示符前部有虚拟环境名称)
3. 配置虚拟环境中的python包（pip install packege_name)
1）opencv-python（OpenCV python包，重量级计算机视觉工具包）
   验证是否成功代码如下：
   import cv2 as cv
   print(cv.__version__)
2) opencv-contrib-python（OpenCV扩展包）
3) scikit-image(轻量级图像处理和计算机视觉的算法集合)
4) sciket-learn(python开源机器学习框架，包括：分类，回归，聚类，数据降维，模型选择和数据预处理，源于基于Python的科学计算工具包SciPy，不支持深度学习)
5) keras（深度学习框架，后端采用tensorflow或theano）
6) matplotlib（基于Python的2D绘图库）
7) imutils（基本图像处理函数集，如平移、旋转、缩放、骨骼化、显示、轮廓、边缘检测等，比OpenCV简单）

安装TensorFlow

软件源安装TensorFlow

建立一个conda计算环境

1）创建conda环境，名称为tensorflow3.6（一般命名为tensorflow，不过为了知道python版本，我一般后面会加上python版本号）

conda create -n tensorflow3.6 python=3.6

此时anaconda会检查并提示你需要在虚拟环境安装一些包，输入y确认即可。执行完上述命令，安装完成，最终显示内容如下：

第一个命令用于进入（激活）名为tensorflow的环境，第二个命令用于退出该环境，注意这里我们只是命名该环境为tensorflow，真正的TensorFlow还没安装呢。

有的博客会写提醒如下：

# To activate this environment, use:
# > source activate tensorflow
#
# To deactivate an active environment, use:
# > source deactivate

其实输入source或者conda，都能激活tensorflow环境。

开始安装TensorFlow

首先进入tensorflow虚拟环境，进入后，所有的命令前都会自带一个（tensorflow3.6）表示你在这个环境下。

$ source activate tensorflow
(tensorflow) $ 

然后我们使用“anaconda search -t conda tensorflow”命令来查询conda有哪些TensorFlow的安装包。输入命令后会出现一大堆安装包版本，类似下面这样：

(tensorflow) $ anaconda search -t conda tensorflow 
Using Anaconda API: https://api.anaconda.org 

会有一个大表格该给你展现，根据你的需求来选择一个即可，比如我选择名为“jjh_ppc64le/tensorflow-gpu”的版本，那么使用命令来查看细节：

(tensorflow) $ anaconda show jjh_ppc64le/tensorflow-gpu 
Using Anaconda API: https://api.anaconda.org 
Name: tensorflow-gpu 
Summary: TensorFlow is a machine learning library 
Access: public 
Package Types: conda 
Versions:
	+ 1.1.0
	+ 1.2.1 
To install this package with conda run:
	conda install --channel https://conda.anaconda.org/jjh_ppc64le tensorflow-gpu 

其实上面就已经告诉你怎么安装了，使用最后一行命令即可。

$ conda install --channel https://conda.anaconda.org/jjh_ppc64le tensorflow-gpu

上面可以看到它其实给出了两个版本，如果想安装其中一个特定版本，可以指定：

$ conda install --channel https://conda.anaconda.org/jjh_ppc64le tensorflow-gpu=1.1.0

anaconda同样会为你检查你缺少哪些包，并询问你是否安装，输入y确认即可。

至此TensorFlow就安装完成了，如果想检查是否安装成功，可以进入python来import试一试：

pip安装TensorFlow

清华镜像： https://mirrors.tuna.tsinghua.edu.cn/help/tensorflow/

复制pip命令安装即可。

离线安装TensorFlow

1）先去下载tensorflow包

wget https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.0.0-cp36-cp36m-linux_x86_64.whl 

或者在浏览器输入链接：https://pypi.python.org/pypi/tensorflow，可以看到如下源。

2）安装

source activate tensorflow #激活tensorflow环境（每次使用都要输入）
cd /Downloads #切换到whl文件所在文件夹
pip install --ignore-installed --upgrade tensorflow-1.0.0-py3-none-linux_x86_64.whl #切记，不要用sudo pip，也不要用pip3，然后--ignore-installed --upgrade等参数也不能省略，否则会出错。

如果安装过程提示如下错误：

tensorflow-1.0.0-cp36-cp36m-linux_x86_64.whl is not a supported wheel on this platform.

则将whl文件重命名为tensorflow-1.0.0-py3-none-linux_x86_64.whl

mv tensorflow-1.0.0-cp36-cp36m-linux_x86_64.whl tensorflow-1.0.0-py3-none-linux_x86_64.whl        #重命名

3）测试成功

(tensorflow)$ python
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
sess.run(hello)

虚拟环境下安装Cython

sudo apt-get remove cython
sudo pip install -U cython

Pytorch安装步骤

绪论

创建虚拟环境

为pytorch创建一个虚拟环境，这是推荐的做法，这样在创建其他环境如tensorflow时，就不会互相冲突。在终端输入：

conda create -n pytorch3.6 python=3.6 #其他博客会写pytorch，我为了分辨python版本，写成了pytorch3.6

这就创建了一个名为pytorch3.6，python版本为3.6的虚拟环境。于是我们可以把Pytorch安装在这个环境下面。首先我们激活这个环境：source activate pytorch3.6

source activate pytorch3.6

激活后，会看到前面会显示（pytorch）：

方法一

在Pytorch官网上，根据自己的机器配置选择对应的安装命令。

官网上不太全，可以在如下网站下载：https://pytorch.org/get-started/previous-versions/

如果选择相应的配置，最下面就会提示安装输入的命令。

在终端输入：conda install pytorch torchvision -c pytorch

conda install pytorch torchvision -c pytorch

一路回车，会自动安装必须的组件，直至完毕。

由于安装的代码需要翻墙才可见，我这里展示一下： 
cuda8.0：

conda install pytorch torchvision cuda80 -c pytorch

cuda9.0:

conda install pytorch torchvision -c pytorch

cuda10.0:

conda install pytorch torchvision cuda100 -c pytorch

None(即CPU版)：

conda install pytorch-cpu torchvision-cpu -c pytorch

提示：

在安装pytorch时有时候会报错，其中出现”CondaHTTPError: HTTP None None for url…..”这类错误时基本是因为有些库需要外网才能下载，所以我们需要使用conda的清华镜像。在安装好conda后，运行

conda config

产生配置文件.condarc 。通过：

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

查看修改是否成功，输入：

cat ~/.condarc

显示内容如图： 

则修改成功。

方法二

使用conda安装指定版本

# 比如我们安装 v0.1.10
conda install pytorch=0.1.10 -c soumith

使用pip安装制定版本

pip install pytorch==0.1.10

卸载pytorch

使用conda卸载

conda uninstall pytorch
conda uninstall libtorch

使用pip卸载

pip uninstall torch

torchvision安装

利用以上命令，可同时安装PyTorch和torchvision，但PyTorch的版本为1.1，而所需PyTorch版本为0.4.1，因此不能采用以上命令进行配置，而是要分别安装PyTorch 0.4.1和torchvision。

安装pytorch 0.4.1

conda install pytorch=0.4.1 cuda90 -c pytorch

这里有个坑：

其中，-c pytorch参数指定了conda获取pytorch的channel,在此指定为conda自带的pytorch仓库。
因此，只需要将-c pytorch语句去掉，就可以使用清华镜像源快速安装pytorch了。

以上是cuda9.0版本的安装命令。

·安装torchvision

conda install torchvision

 

theano安装步骤

安装theano很简单，运行命令：

conda install theano

输入 y 继续，安装完成。

keras安装步骤

源码安装，直接从github上将源码克隆下来，这样可以安装最新版的keras。这里我将keras克隆到Anaconda安装目录的同级目录下。

参考博客：https://blog.csdn.net/qq_32329377/article/details/53008019

---

Anaconda参考博客：https://www.jianshu.com/p/d01aabf7bd65

Tensorflow中文社区：http://www.tensorfly.cn/tfdoc/get_started/os_setup.html

TensorFlow参考博客：https://blog.csdn.net/xxty1122/article/details/80443969

TensorFlow for more information: 

• TensorFlow Website
• TensorFlow Tutorials
• TensorFlow Model Zoo
• TensorFlow Twitter
• TensorFlow Blog
• TensorFlow Course at Stanford
• TensorFlow Roadmap
• TensorFlow White Papers
• TensorFlow YouTube Channel
• TensorFlow Visualization Toolkit

Pytorch参考博客：https://blog.csdn.net/hktxt/article/details/82111203

                              https://ptorch.com/news/37.html