适用对象：在做机器学习/数据科学相关事情，不用online Jupyter，坚持在本地搭建环境的人..
在过去的一段时间，我一直在研究数据科学包括深度学习的相关内容。然而需要学习的知识似乎并不总是像你期望的那样顺利。
目前这个领域最常见的编程语言和事实上的标准是Python和R。
与任何其他编程语言和工具一样，总是需要学习和熟悉的众多工具和框架，以便充分利用它们。
你可以花费和浪费无数时间来学习如何安装和配置各种数据科学包，如Numpy，Matplotlib，TensorFlow等，试图解决各种包依赖关系。
如果你遇到Anaconda，它会成为你最好的朋友，因为它会帮你减轻入门的挫败感。
Anaconda发行版附带1000多个数据包，包括 conda和虚拟环境管理器。
在这篇文章中，我们将探讨如何使用Anaconda安装Jupyter Notebook并开始使用Tensorflow和Keras来开始深度学习。Jupyter Notebook非常有助于您熟悉数据科学项目中想要实现的任何内容。并帮你再AI时代脱颖而出（可以参考《分享你的Jupyter Notebook，在AI时代脱颖而出》）。
一个小问题
虽然大家都觉得Anaconda很好，但是，一个个小问题：
目前官网最新的Anaconda是集成Python 3.7的环境，注意是
Python 3.7。而Python 3.7和当前最新的TensorFlow 稳定版是不兼容的！
所以这里我将以今天新鲜出炉的经验分享于你，
介绍如何在集成Python 3.7的Anaconda安装Python 3.6和TensorFlow-GPU。
电脑配置（供参考）
这里是我的电脑配置，供参考。
当然这只是一个入门级的配置。
- Windows 10 Pro (Version 1803)
- Intel(R) Core(TM) i7-8700 CPU @ 3.20 GHz （6核心/12超线程）
- 16 GB Memory
- 1 TB Hard Disk
- NVIDIA GeForce GTX 1070
下面进入正题，建议按照这个顺序来安装是比较合理的。
一、创建Python 3.6环境
右键管理员启动anaconda Prompt
创建python36这个环境：
conda create --name python36 python=3.6
进入python36这个环境
conda activate python36
如果有需要回到 Python 3.7
如下：
conda deactivate
二、安装 tensorflow-gpu
确认已经安装显卡驱动
如果没装，请先到NVIDIA官网下载（本文是针对NVIDIA显卡，如果是Intel或者AMD显卡，请先哭一会...）
开始装TensorFlow-gpu
先确保是在python36这个环境下：
conda activate python36
开始安装：
conda install tensorflow-gpu
需要装很多文件的，如果网速慢的话，估计需要几十分钟到几小时的。请耐心，这个没法，获取去找一个更好的源（已经超出本文范围..）
检查TensorFlow是否已安装好
在python36里，进入python，然后输入：
import tensorflow as tf
hello = tf.constant('Hello , Tensorflow! ')
sess = tf.Session()
print(sess.run(hello))
预期输出
b'Hello , Tensorflow! '
如果OK就对啦，当然，你可以能回到如下问题：
遇到mkl_intel_thread.dll无法找到的问题
解决办法（这也是Anaconda官方推荐的方案）：
在conda prompt：
conda update python
再一次，需要装很多文件的，如果网速慢的话，估计需要几十分钟。
设置环境变量的值（可以在conda prompt设置，但下次就无效了；如需永久，在电脑环境变量设置）
set CONDA_DLL_SEARCH_MODIFICATION_ENABLE = 1
Disable GPU的Log信息
可能会有一堆的Warning，例如
2019-03-07 17:25:51.878252: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2
2019-03-07 17:25:52.221768: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1432] Found device 0 with properties:
name: GeForce GTX 1070 major: 6 minor: 1 memoryClockRate(GHz): 1.683
pciBusID: 0000:01:00.0
totalMemory: 8.00GiB freeMemory: 6.64GiB
2019-03-07 17:25:52.227274: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1511] Adding visible gpu devices: 0
2019-03-07 17:25:52.655576: I tensorflow/core/common_runtime/gpu/gpu_device.cc:982] Device interconnect StreamExecutor with strength 1 edge matrix:
2019-03-07 17:25:52.658983: I tensorflow/core/common_runtime/gpu/gpu_device.cc:988] 0
2019-03-07 17:25:52.660728: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1001] 0: N
2019-03-07 17:25:52.662681: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 6396 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1070, pci bus id: 0000:01:00.0, compute capability: 6.1)
解决办法：
在Python Code前设置log等级：
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
查看TensorFlow和Keras版本：
import tensorflow as tf
from tensorflow.keras import layers
print(tf.VERSION)
print(tf.keras.__version__)
输出
1.12.0
2.1.6-tf
三、配置Jupyter Notebook
进入python36：
conda activate python36
需要先安装ipykernel
命令如下：
conda install ipykernel
python -m ipykernel install --user --name python36 --display-name "Python (Python 3.6)"
输出：
Installed kernelspec python36 in C:\Users\***\AppData\Roaming\jupyter\kernels\python36
修改Jupyter的根目录
Jupyter个根目录默认在当前用户的Home路径。
这里示例将其改为D:\Jupyter路径
找到Jupyter Notebook的启动快捷方式，默认路径在：
C:\Users\******\AppData\Roaming\Microsoft\Windows\Start Menu\Programs\Anaconda3 (64-bit)
找到它的属性 -> 快捷方式，默认为（这里我是将Anaconda3安装在了D盘的根目录的）：
D:\Anaconda3\python.exe D:\Anaconda3\cwp.py D:\Anaconda3 D:\Anaconda3\python.exe D:\Anaconda3\Scripts\jupyter-notebook-script.py %USERPROFILE%
把里面的%USERPROFILE% 替换为 D:\Jupyter，即可。
以后再通过Jupyter Notebook的快捷方式启动，根目录就在D:\Jupyter了。
四、配置PyCharm
虽说有了Jupyter Notebook，已经可以很方便的调试和查看Code，但是对于大一点的程序，还是直接在PyCharm里面编写比较方便。
- 在PyCharm中新建Project
- 在“Project Interpreter”中选择“Existing interpreter”
- 选择Python36这个路径下的python.exe作为interpreter
当然，除了PyCharm还有很多其他Python IDE是很推荐的，可以看这篇《推荐AI必备语言Python的几款IDE》。
在PyCharm中测试一下
创建一个.py文件，还是用TensorFlow的例子，当然这次高级一点，来比较一下CPU和GPU的时间差异：
import tensorflow as tf
import timeit
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# See https://www.tensorflow.org/tutorials/using_gpu#allowing_gpu_memory_growth
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
with tf.device('/cpu:0'):
random_image_cpu = tf.random_normal((100, 1000, 100, 3))
net_cpu = tf.layers.conv2d(random_image_cpu, 32, 7)
net_cpu = tf.reduce_sum(net_cpu)
with tf.device('/gpu:0'):
random_image_gpu = tf.random_normal((100, 1000, 100, 3))
net_gpu = tf.layers.conv2d(random_image_gpu, 32, 7)
net_gpu = tf.reduce_sum(net_gpu)
sess = tf.Session(config=config)
# Test execution once to detect errors early.
try:
sess.run(tf.global_variables_initializer())
except tf.errors.InvalidArgumentError:
print(
'如果出了这个Error表示GPU配置不成功！\n\n')
raise
def cpu():
sess.run(net_cpu)
def gpu():
sess.run(net_gpu)
# Runs the op several times.
print('Time (s) to convolve 32x7x7x3 filter over random 100x1000x100x3 images '
'(batch x height x width x channel). Sum of ten runs.')
print('CPU (s):')
cpu_time = timeit.timeit('cpu()', number=10, setup="from __main__ import cpu")
print(cpu_time)
print('GPU (s):')
gpu_time = timeit.timeit('gpu()', number=10, setup="from __main__ import gpu")
print(gpu_time)
print('GPU speedup over CPU: {}x'.format(int(cpu_time / gpu_time)))
sess.close()
输出：
Time (s) to convolve 32x7x7x3 filter over random 100x1000x100x3 images (batch x height x width x channel). Sum of ten runs.
CPU (s):
25.24234085335886
GPU (s):
1.5711942943447745
GPU speedup over CPU: 16x
不错~ 这个GPU和6个i7的CPU相比快了16倍！！
总结
为了安装使用TensorFlow-GPU，Anaconda提供简单、快速的安装方式。非常推荐！
最后，工具是前提，配置好了之后还是要更多的专注在算法、模型和原理上。
- 推荐机器学习和深度学习的书单 《人工智能2018 深度学习最佳书单》
- Kaggle比赛入门：如何在Kaggle排行榜取得好成绩——Kaggle新人参加Digit Recognition的经历
网友评论