2019独角兽企业重金招聘Python工程师标准>>> 
为方便日常的深度学习模型开发与测试，在自己笔记本上搭建一个深度学习的基础环境，便于学习AI使用。本人使用的笔记本配置是CPU为8代i5，显卡为GTX1060，内存为8G，基本上可满足日常的AI研究与学习。下面将介绍基础环境的搭建配置过程：
1、安装Ubuntu 18.04
（1）安装操作系统
从Ubuntu官网上下载最新的Ubuntu 18.04 LTS版本的IOS文件，然后使用Image Writer等工具，将IOS文件写入到U盘里面。
重启电脑，在BIOS里面设置第一启动顺序为U盘，保存启动，进入到Ubuntu操作系统的安装界面，按照操作指引一步一步进行安装，安装过程比较简单，在此就不再赘述。
注意：由于本人笔记本上的内存并不大（只有8G），为了满足后续的模型训练需要，在安装操作系统时，将交换区设置得大一些，例如8G或16G，以防模型训练时读取大量样本导致内存溢出。当然，能加内存条那就更好，土豪请随意。
（2）安装显卡驱动
安装Ubuntu后默认安装的是开源版本的显卡驱动，为了后续能够在使用tensorflow-gpu时能更好地发挥GPU的性能，推荐安装NVIDIA官方版本的驱动。
在Ubuntu里面，打开“软件和更新”，点击里面的“附加驱动”标签页，选择使用NVIDIA driver，然后点击“应用更改”进行官方驱动的安装，安装后重启电脑即可。
重启电脑后，只要在电脑的设备信息里面看到“图形”是显示了GTX 1060，则说明NVIDIA官方显卡驱动安装成功了。
【注意】在安装NVIDIA的官方驱动时，最初是在官网上下载Cuda、Cudnn安装文件手动进行安装，安装成功了，但却无法加载驱动。后来通过在Ubuntu的“软件和更新”安装官方驱动，才顺利解决，而且安装也方便。
2、安装Anaconda
由于后续在使用tensorflow建模时主要使用Python语言，因此，在这里选用了当前非常流行的Python发行版本：Anaconda。Anaconda集成了大量的科学计算包，能根据需要自动下载安装软件包和相应的依赖包（p.s.这也是比pip先进之处，pip无法管理依赖包的问题）。另外，使用Anaconda还能创建虚拟环境，这样就能很方便地在同个电脑上使用Python 2.x、Python 3.x，tensorflow-cpu、tensorflow-gpu，相互之间不受影响，非常方便。
（1）下载
从Anaconda官网（https://www.continuum.io/downloads）上下载安装包，选择Linux系统，安装基于Python 3.6版本
（2）安装
对下载的文件授予可执行权限，然后进行安装
bash Anaconda3-5.2.0-Linux-x86_64.sh当询问是否把Anaconda的bin添加到用户的环境变量中，选择yes
（3）创建虚拟环境
使用conda create命令创建虚拟环境到指定路径，并指定Python版本，同时可以将需要一起安装的包也一起指定。下面创建一个名为tensorflow的虚拟环境，指定使用Python 3.6版本，并在虚拟环境中安装numpy、scipy、matplotlib、jupyter等软件包，命令如下：
conda create –n tensorflow python=3.6 numpy scipy matplotlib jupyter其中-n指定虚拟环境的名称
默认安装的路径位于anaconda安装目录下的envs文件夹里面，也可以使用—prefix参数来重新指定虚拟环境路径
如果要创建第二个虚拟环境，只需使用不同的名称即可，如果创建一个名为tensorflow2，指定使用Python 2.7版本，则命令如下：
conda create –n tensorflow2 python=2.7如果要查看有哪些虚拟环境，则执行以下命令：
conda info -envis【注意】如果在创建conda虚拟环境时没有指定python的版本，则默认是使用anaconda安装目录下bin中的python版本。为了实现虚拟环境的隔离，必须指定python版本
（4）配置conda国内镜像源
为了提升conda的安装软件包时的下载速度，建议对conda配置国内的镜像源（清华大学conda镜像源），配置方式如下：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes如果要切回默认源，则执行
conda config –remove-key channels【注意】网上很多配置conda国内镜像源的教程都只写着只配置清华大学conda的free镜像（https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/），但该源的很多软件包并不是最新版本，为了能更新最新版本，再指定一个清华大学conda的main镜像（https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/），这样就能安装、更新最新版本的软件了。
（5）激活虚拟环境
创建好conda虚拟环境后，在使用之前必须先进行激活。下面激活刚创建的tensorflow虚拟环境，命令如下：
conda source activate tensorflow如果要注销退出当前的虚拟环境，则执行命令：
conda source deactivate tensorflow非常方便
3、安装tensorflow-gpu
为了提升AI模型的训练效率，安装使用tensorflow-gpu进行模型训练。
激活进入刚才创建的tensorflow的conda虚拟环境
conda source activate tensorflow然后使用以下命令安装tensorflow-gpu
conda install tensorflow-gpuconda将会检测tensorflow-gpu的最新版本以及相关的依赖包，包括调用NVIDIA显卡所需要的Cuda、Cudnn等依赖环境，都会自动按顺序进行安装，非常方便吧。
如果需要升级tensorflow-gpu的版本，则执行以下命令进行更新
conda upgrade tensorflow-gpu注意：并不是所有软件包都能直接安装，有一些需要指定安装源，例如做AI中经常会用到的OpenCV便是无法直接安装的，需要指定安装源，命令如下：
conda install --channel https://conda.anaconda.org/menpo opencv3
4、安装PyCharm
PyCharm是一个优秀的Python开发IDE环境，特别是还提供了社区版可以免费使用，业界良心啊！
（1）安装PyCharm
在Ubuntu里面安装PyCharm非常简单，在Ubuntu软件商城里面搜索“pycharm”，然后选择社区版“PyCharm CE”进行安装即可，非常方便。
（2）在PyCharm中使用conda虚拟环境
为了能够在PyCharm中使用我们自己创建的conda虚拟环境，需要进行下配置。在Pycharm的Files>>settings>>Project Interpreter>>Add local 里面添加刚才创建的conda虚拟环境的目录下所在的Python 3.6程序，应用之后就可以使用我们自己使用的虚拟环境了，如下图所示：
至此，“AI实战”的基础环境搭建就已全部配置完成了。
后面将陆续推出更多AI实战内容，敬请留意。
推荐相关阅读
- 【AI实战】快速掌握TensorFlow（一）：基本操作
- 【AI实战】快速掌握TensorFlow（二）：计算图、会话
- 【AI实战】快速掌握TensorFlow（三）：激励函数
- 【AI实战】快速掌握TensorFlow（四）：损失函数
- 【AI实战】搭建基础环境
- 【AI实战】训练第一个模型
- 【AI实战】编写人脸识别程序
- 【AI实战】动手训练目标检测模型（SSD篇）
- 【AI实战】动手训练目标检测模型（YOLO篇）
- 【精华整理】CNN进化史
- 大话卷积神经网络（CNN）
- 大话循环神经网络（RNN）
- 大话深度残差网络（DRN）
- 大话深度信念网络（DBN）
- 大话CNN经典模型：LeNet
- 大话CNN经典模型：AlexNet
- 大话CNN经典模型：VGGNet
- 大话CNN经典模型：GoogLeNet
- 大话目标检测经典模型：RCNN、Fast RCNN、Faster RCNN
- 大话目标检测经典模型：Mask R-CNN
- 27种深度学习经典模型
- 浅说“迁移学习”
- 什么是“强化学习”
- AlphaGo算法原理浅析
- 大数据究竟有多少个V
- Apache Hadoop 2.8 完全分布式集群搭建超详细教程
- Apache Hive 2.1.1 安装配置超详细教程
- Apache HBase 1.2.6 完全分布式集群搭建超详细教程
- 离线安装Cloudera Manager 5和CDH5（最新版5.13.0）超详细教程
欢迎关注本人的微信公众号“大数据与人工智能Lab”（BigdataAILab），获取更多信息
