2018/10/9 9:08:07

因为研究工作，迫切需要搭建一个深度学习的分析平台。初始实验平台就在自己的笔记本上搭建，系统为Windows 10旗舰。

常用的深度学习环境为Keras和Tensorflow，其中Keras可以理解为一个集成了常见深度学习模型与关键函数、参数的模型库，而其依赖的各种张量（Tensor）运算则需要底层的计算库支持，这里我们推荐使用Tensorflow。

只不过有些不同的是，Tensorflow在windows系统上不支持python2.7,仅支持python3.5版本，因此要么安装python3.5，要么则安装带有python3.5环境的Anacoda环境。

---

一、Tensorflow环境安装

虽然Tensorflow的安装其实并不复杂，但是其运行还是需要许多底层软件包，比如numpy，比如scipy等。为了方便，我们可以直接利用Anaconda这个集成的python计算环境来配置Tensorflow环境（本步骤仅仅是配置Tensorflow环境，还没有安装实体Tensorflow！）

由于自己之前习惯使用python-2.7，因此安装的Anaconda自然也是适应2.7的。幸好现在有了虚拟环境，我们只需要利用Anaconda的虚拟环境命令即可配置。我们可以在powershell/cmd中直接输入命令，首先更新conda到最新版本：

随后，创建需要的虚拟环境：

conda create --name tensorflow python=3.5

从而实现创建、下载上述tensorflow虚拟环境。（注意，这里自己通过修改环境变量中默认python的方式将python3.6作为了默认python，其实结果使用2.7也是可以的。）

接下来我们试着activate tensorflow这个python3.5环境，很有可能你会发现cmd下是成功的，可以进入到(tensorflow)环境，而powershell下则不行。原因在于两个：

1. powershell默认不支持conda虚拟环境的创建；

2. powershell默认没有脚本运行权限；

对于上述两个问题，我们的解决方法是：

安装对应的软件包，使得powershell可以支持conda虚拟环境：

具体命令为：

conda install -n root -c pscondaenvs pscondaenvs

修改powershell的脚本执行权限，为了安全与方便，我们仅修改当前用户权限即可：

Set-ExecutionPolicy RemoteSigned -Scope CurrentUser

另外，如果细心的同学可能发现，这里我安装了Anaconda3到了原本Anaconda2的envs目录下，以作为一个独特的虚拟环境使用。

如此便实现了在一个pycharm里可以同时使用两个版本的Anaconda2/3了。（需要在项目解释器中选择python3虚拟环境下即可）

---

二、Tensorflow安装

网上有很多Tensorflow的安装教程或笔记，然而都是给出自己实验成功的Python+CUDE+CuDNN+Tensorflow的个例，比如写明实验成功的版本号，然而学习者看来就会云里雾里，因为教程笔记都有时效性，各种软件版本不断更新，已有的组合兼容性早已不再适用。因此，本文努力给出一种明确各种软件兼容性的方法，如此后来者自然可以查找最新的兼容信息，根据自己的GPU以及Tensorflow版本确定相应的软件版本。

一般来说，可以从python3.5.x环境中直接使用pip管理器安装最新的Tensorflow，然而这样对于CPU版本的实验平台还好说，但是如果对于GPU版本而言，则比较难确定对应的CUDE和CuDNN版本。

这里请大家参考官方网站：https://tensorflow.google.cn/install/gpu

其中明确说了，当前最新的Tensorflow-GPU要求应当安装CUDE-8.0以及CuDNN-7.2以上版本，既然如此，CUDE与CuDNN之间的兼容性就不需要再费尽心思考虑了。

点击页面的蓝色链接，安装相应版本即可。

两点注意

1. 当CUDE与CuDNN安装完成后，需要修改环境变量以及将CuDNN的文件加入到对应的CUDE目录下，分别是：

将CUDE目录路径加入到环境变量PATH中

2. 将CuDNN解压缩后三个文件（bin\cudnn64_7.dll,include\cudnn.h以及lib\x64\cudnn.lib分别拷贝到CUDE目录下对应的bin\include\lib+x64下即可），我这里的是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0

然后可以在cmd/powershell中激活虚拟环境tensorflow，然后进入到python环境中（此时肯定是python3.5.x），运行命令

安装CPU版：pip install tensorflow

安装GPU版：pip install tensorflow-gpu

安装完成后，在python环境下，尝试导入模块，如果成功即说明安装成功：

import tensorflow as tf

查看运行结果，如果按照官网上匹配了对的CUDE与CuDNN版本，那么一般会少很多杂乱无章的"缺少DLL模块之类的错误"。

这里还使用了简单的代码验证：

import tensorflow as tf

sess = tf.Session()

a = tf.constant(10)

b = tf.constant(20)

sess.run(a+b)

祝贺！Tensorflow已经在你的机器上成功安家了！

---

三、Keras安装

最后，我们的目标是安装深度学习算法模型库Keras，因此只需要同样在tensorflow虚拟环境中，运行

pip install keras

即可，完成后在python环境下导入keras模块即可验证。

---

四、小结

深度学习框架一般基于底层的python与基本算法平台Anaconda，然后以Tensorflow作为后端进行张量基本运算，而使用Kears作为模型调用库。需要注意的是：

1.推荐在Anaconda中搭建实验分析环境，可以免去自己安装诸多软件包的麻烦；

2.安装Tensorflow仔细阅读官方安装的版本要求，下载对应的CUDE与CuDNN版本（由于我的显卡是1050Ti，因此基本上不需要考虑CUDE和CuDNN的兼容性，如果是其他显卡，需要考虑对应的CUDE和Tensorflow版本）；

好了，明天开始实际的模型实验，加油！