利用Anaconda3搭建深度学习环境：Windows10+tensorflow-gpu1.12.0+CUDA9.0+CUDnn7.0.5/7.3.0

一、前期下载准备：

1. Anaconda3-5.2.0-Windows-x86_64 (版本5.2.0 对应python3.6)   

   清华大学镜像链接 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

2. pycharm-community-2019.2.3（我用的是这个版本，也可以换成其他版本）

3.下载CUDA9.0: 进入官网下载（这个TensorFlow版本可以匹配CUDA9.0也可以匹配其他版本，具体版本可以网上查一下）

官网直接下载的是最新版本的cuda,下载历史版本和下载选项如下。 

注：查询电脑已安装显卡驱动可以安装的最高CUDA版本方法如下图

4.下载CUDnn ，由于我安装cudnn7.05时会报不匹配的错  所以这里直接安装cudnn7.3.0

具体下载安装方式见 https://blog.csdn.net/weixin_42026571/article/details/102599575

5.下载TensorFlow-gpu对应的.whl文件  :

https://pypi.tuna.tsinghua.edu.cn/simple/tensorflow-gpu/

6.下载测试文件（yolov3）： keras-yolo3-master     （这一步也可以不弄）

链接：https://pan.baidu.com/s/1nsJfrLcpdv4CUx5BZh_gLA 
提取码：xvv3 

二、安装

1.Anaconda3  和 Pycharm

依次双击下载文件  Anaconda3-5.2.0-Windows-x86_64.exe    pycharm-community-2019.2.3.exe   全部默认安装

2.安装CUDA和CUDnn

cuda:双击安装程序  选择 精简安装 其他默认

cudnn:https://blog.csdn.net/weixin_42026571/article/details/102599575

3.创建一个新的环境

打开看以直接看到已存在的环境（下图为已创建好新环境的图）

base(root) 为原来的基础环境，现在建立一个专门的tensorflow环境  名字命名为tfenv

(1)  打开cmd或者 Anaconda Prompt  检测Anaconda环境是否安装成功：

conda --version

(2)  创建新环境tfenv:conda create --name tfenv python=3.6

conda create --name tfenv python=3.6

(3) 查看安装好的环境(当前环境为 base)：

conda info --envs

（4）激活tfenv环境(激活状态下，安装的包均在tfenv中)：

activate tfenv

4.安装TensorFlow

(1) 进入cmd  激活tfenv环境      cd到 下载的tensorflow_gpu-1.12.0-cp36-cp36m-win_amd64.whl 的目录

(如  将文件放在桌面)

   然后 执行：

pip install -i https://mirrors.aliyun.com/pypi/simple/  tensorflow_gpu-1.12.0-cp36-cp36m-win_amd64.whl

命令：-i https://mirrors.aliyun.com/pypi/simple/ 为将pip下载源临时修改为 阿里云  ，后续安装其他包也会使用此命令

5.安装keras和其他包

（1）先安装mingw 和 libpython  

pip install -i https://mirrors.aliyun.com/pypi/simple/ mingw libpython

（2）安装keras(tensorflow-gpu1.12.0 对应keras==2.2.4)

pip install -i https://mirrors.aliyun.com/pypi/simple/ keras==2.2.4

  (3)   安装 pillow

pip install -i https://mirrors.aliyun.com/pypi/simple/ pillow

（4）安装 matplotlib

pip install -i https://mirrors.aliyun.com/pypi/simple/ matplotlib

6.测试

测试1：进入cmd   激活tfenv   依次输入

python
import tensorflow as tf
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

测试2（利用Pycharm,配置已有环境并跑yolov3模型）

点击file 打开下载解压好的keras-yolo3-master文件夹

为文件夹配置环境：file->settings

点击 Show All    再点击+号（我这里是已经配置好的，所以有两个）

按选择下图选项   即完成已经建好的环境（tfenv）对项目（文件夹keras-yolo3-master）的配置

在Pycharm 终端  或者 在cmd下激活tfenv，进入到keras-yolo3-master文件    输入：

python yolo_video.py --image

等待一会  需要输入检测的图片的名字  如输入1.jpg

结果：

至此大功告成   如果运行的时候缺少什么模块   可以自行激活tfnev环境pip安装或者到中安装

如要进行自己训练+识别  参考博客：https://blog.csdn.net/u012746060/article/details/81183006