TensorFlow环境搭建

前言

前几天，我们刚下发了毕业设计的题目，我选的题目为基于TensorFlow的深度学习与研究，这将会是一个系列文章，截止2020-07我会将所有相关内容用更加通俗易懂的方式发布在公众平台上，我们一块学习，让我们嗨起来~。

工欲善其事，必先利其器。今天这篇文章，我们就先学习如何在Windows、Linux上搭建开发环境。

Windows下环境搭建

1. 安装Python环境

进入官网，根据个人电脑系统选择合适的发行版本进行安装，以下是两点提示：

• 选择Python3.x版本

• 下载好之后进行安装的时候，记住勾选Add Python 3.x to PATH可选项。

官网地址：

https://www.python.org/downloads/windows/

按照上述步骤安装好之后，我们通过命令行检测一下是否安装成功。

打开命令行工具，输入如下命令：

python --version

若能显示出版本号，则证明安装正确。（：因为我之前已经安装了Anaconda，所以后面也会显示Anaconda的相关信息，小伙伴们在自己的电脑上只要看到Python版本信息就好了哦，不用跟我一样哒~

2. Anaconda下载

haha，首先介绍下Anaconda，Anaconda是Python的一个科学计算发行版，内置了上千个Python经常会用到的库，包括Scikit-learn、Numpy、Scipy、Pandas等。

因为Anaconda是一个国外网站，所以我推荐大家通过镜像去进行安装。当然，如果你想通过官网下载，也没有是问题滴~进入官网，选择合适的发行版本进行安装即可~

官网地址:

https://www.anaconda.com/distribution/#download-section

ok，我们重点来说如何通过镜像去安装，这里我们采用清华的镜像。

地址：

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

这里建议小伙伴们安装3-4.2版本，因为这个版本对于我们初学者比较友好，简单介绍下Anaconda3-4.2.0-Windows-x86.exe文件名含义：

• 3-是Python版本3.x
• Windows-x86是32位系统
• Windows-x86_64是64位系统

大家记住自行根据电脑实际情况进行安装，不必跟我一样~

下载好之后，双击进行安装，由于安装方式比较简单（：会给你女朋友装QQ、微信就会装这个?，所以这里不再赘述。等安装好之后，按下Windows键，找到如下图所示选项：在以后的开发中，我们将主要使用其中的Anaconda Prompt命令行工具和基于Web的Jupyter Notebook 。

3. 在Anaconda中安装Tensorflow

国外网络有时太慢，可以通过配置把下载源改为国内的，通过conda config命令生成配置文件，这里使用清华的镜像源。

地址如下：

https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

First of all，打开Anaconda Prompt窗口，执行命令：

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

In addition，执行命令：

conda config --set show_channel_urls yes 

last but not least，在用户目录底下找到.condarc文件，用编辑软件打开.condarc文件，删除第三行 -defaults，保存文件。

修改好镜像源之后，我们可以安装TensorFlow了：

• 安装普通版TensorFlow命令为:

conda install tensorflow

• 安装GPU版TensorFlow命令为:

conda install tensorflow -gpu

为便于学习，建议大家安装普通版即可，在安装的过程中：大家按照图中提示，选择y即可。

4.测试TensorFlow是否安装成功

打开Jupyter，新建Python3文件，我们看图说话：

打开之后，我们新建一个py文件，写一段测试代码跑一跑。

哎呦，好开心，一把就跑通了~真厉害o(*￣▽￣*)ブ 赶紧喝两口RIO?，慰劳一下自己?贴心的我把跑测试的代码贴到下面，有没有想要夸我的冲动?

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

Linux下环境搭建

目前，TensorFlow社区推荐的安装和运行环境是Ubuntu，它同时也支持Mac和Windows上的安装部署。

因为在深度学习的计算过程中，大量操作是向量和矩阵的计算，而GPU在向量和矩阵计算速度方面比CPU有一个数量级的提升，并且深度学习在GPU上的运算效率更高，所以推荐在配有GPU的机器上运行TensorFlow程序。

你说巧不巧，我在腾讯刚好有一台Linux服务器，刚好借用它老人家来写写教程（：我真爱学习O(∩_∩)O，夸我?

1.Python3环境安装

CentOS系统本身默认安装有Python2.x，版本x根据不同版本系统有所不同，可通过 python --V 或 python --version 查看系统自带的Python版本。

有一些系统命令时需要用到Python2，不能卸载。

• 安装依赖包
  • 首先安装gcc编译器，gcc有些系统版本已经默认安装，通过如下命令查看：

gcc --version

没安装的先安装gcc：

yum -y install gcc

yum -y install zlib-devel bzip2-devel openssl-devel ncurses-devel sqlite-devel readline-devel tk-devel gdbm-devel db4-devel libpcap-devel xz-devel libffi-devel

• 下载python3.7.0源码，根据需求下载
  • 在https://www.python.org/ftp/python/中选择自己需要的python源码包，我下载的是python3.7.0
  • 下载

wget https://www.python.org/ftp/python/3.7.0/Python-3.7.0.tgz

tar -zxvf Python-3.7.0.tgz

mkdir /usr/local/python3

cd Python-3.7.0
./configure --prefix=/usr/local/python3
make && make install

安装完成没有提示错误便安装成功了

• 建立软连接

ln -s /usr/local/python3/bin/python3.7 /usr/bin/python3
ln -s /usr/local/python3/bin/pip3.7 /usr/bin/pip3

2.CentOS中安装TensorFlow

注意用yum安装，不要卸载之前的python2，否则系统会出问题。安装完毕后会有如下命令：/usr/bin/python3，注意不要做软连接python3到python，原因还是centos要使用python2作为默认工具。这里不用理会，因为下面的virtualenv会自动对应python3.

下面这些不看本文也可以，把TensorFlow官网安装文档中的apt-get换成yum就行。

• 安装需要的东西

sudo yum -y install epel-release
sudo yum -y install gcc gcc-c++ python3-pip python-devel atlas atlas-devel gcc-gfortran openssl-devel libffi-devel

注意：这里的python3-pip对应了python3

• 安装virtualenv

use pip or pip3 as you prefer for python or python3

pip3 install --upgrade virtualenv
virtualenv --system-site-packages ~/venvs/tensorflow

• 启动virtualenv

source ~/venvs/tensorflow/bin/activate

注意：每次都需要启动这个虚拟环境来跑TensorFlow

• 在virtualenv中安装TensorFlow

pip3 install --upgrade tensorflow

安装好之后，我们写一段测试代码跑一跑：

ok，若能看到版本信息，就证明安装成功。

一点说明

到此为止，对于Windows和Linux两种平台下TensorFlow的安装就到此over。

可能有的小伙伴会问：我在书上看到还要安装GPU啊啥的，对的，小伙伴提的问题很好，证明你仔细看书了，这里我做如下解释：

深度学习中大量的操作是向量和矩阵的运算，而GPU在向量和矩阵计算速度方面比CPU有一个数量级的提升，并且深度学习在GPU上的运算效率更高，但是，听好了，我说但是，我们的项目用CPU跑就足够了~

声明

更多内容请移步我的公众号平台hahaCoder或者个人网站http://www.shipudong.com进行查看。