基于anaconda的tensorflow安装

Anaconda环境安装

这一部分比较简单，直接进入Anaconda官网根据自己的喜好下载符合自身电脑配置的版本。（这个方法是万无一失的，但好像只能下载最新版本的Anaconda环境，且下载速度极不稳定，大多数情况下很慢）
链接：Anaconda官方下载

为了解决上述问题，可寻找清华源下载链接采用迅雷下载的方式进行下载。（下载速度极快，且各种历史版本任君挑选）
链接: 清华源link.

此处多加说明一点：Anaconda最新版本中Spyder编辑器为4.x版本，这些版本目前尚未完备，在运行时会出现QSocket线程问题，因此推荐使用Anaconda3.x版本。
在Anaconda安装过程中有一步关于环境变量的配置需要勾选，免去安装后手动设置环境变量的麻烦，这点在诸多巨巨的博客中都已提到。

Tensorflow安装

Tensorflow目前主要分为1.x版本与2.x版本，每个版本的差异均较大，但一直是向简化方向进行构建，这点毋庸置疑。（由于不同版本的Tensorflow函数功能名称以及框架不尽相同，因此带来了Github源代码参差不齐的问题，在采用Tensorflow框架进行机器学习问题解决时在这一方面明显不如Pytorch来的方便）。下面主要分为两块进行讲解：

1.其实很多前辈都说要在安装Tensorflow或者Pytorch时先新建专用环境，这样在使用特定库时只需在命令行进入该特定环境即可随意挥霍，同时在对该库丧失信心后即可连同环境一起删除，极其干净。
采用在Windows命令行输入conda create --name env_name python=2.x（或者python=3.x）的方式进行环境创建，Anaconda会自己把环境配置补齐。

但我觉得对于大部分人来说没有太高的技巧，技术小白在安装Anaconda后只是简单地熟悉Jupyter、Anaconda Prompt等Anaconda内置模块，最主要的还是其中的Spyder编辑器，很少有小白在Windows命令行或者Prompt命令行亦或是Powershell进行Python程序的执行甚至编写，因此在设置新的环境以及在命令行进行程序执行方面仅作了解即可。
2.在安装好Anaconda后，由于已添加环境变量，可直接在windows命令行进行pip命令安装Tensorflow，此处注意Tensorflow版本分为CPU版本与GPU版本，CPU版本较为简单，直接pip install tensorflow+版本号即可，

此处相当智能，在你输入一个版本号之后，如果无法安装，命令行会自动提示可安装版本，根据提示pip即可。

本篇着重介绍GPU版本的安装。
（在运行pip命令或conda命令前需要先将下载源更换为清华源，下载速度更快更稳定，在命令行输入几行简单代码即可）
若是conda命令：

conda config --add channels https://pypi.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://pypi.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes

若是pip命令：
在user目录中创建pip文件夹，例如C:/user/Dell/pip，建立文件pip.ini用记事本打开，输入以下内容：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
[install]（可以不要）
trusted-host=mirror.aliyun.com（可以不要）

搞定收工。（暂时）

基于CUDA、CUDNN的GPU版本Tensorflow安装

这里有两种方式进行完整安装：

1.先安装GPU版本的Tensorflow，之后根据提示下载相应的CUDA以及CUDNN插件。
GPU版本Tensorflow的安装在windows命令行中的命令与CPU版本差异不大，如下：
pip install tensorflow_gpu==1.14.0（这里采用1.x版本有两点原因：一是前面推荐安装的Anaconda非最新版本，为较为稳定的之前的版本，所以仅支持tensorflow1.x。二是1.x的版本在Github上源代码较多，便于小白理解学习，若是2.x版本则几乎不可直接套用Github代码）
在采用pip命令download完成之后，可直接在Spyder编辑器中进行如下操作：

import tensorflow as tf

仅此一行即可。之后在Spyder右下角窗口根据错误提示安装CUDA9.0版本或CUDA10.0版本。

会出现类似于
ImportError: Could not find 'cudart64_100.dll'（对应CUDA10.x）或者

ImportError: Could not find 'cudart64_90.dll'（对应CUDA9.x）的错误

（本人安装的是CUDA10.0版本，现在最新的是11.0版本，但毕竟是新版本，可能还需要试错，这里建议CUDA10.0版本即可，完全可以保证GPU运行速度）。这里可以直接在NVIDIA官网进行下载，也可以寻找清华源的安装包。
CUDA10.0链接

建议CUDA安装在C盘，也就是系统盘，这样做原因有二：一是在其他盘经过本人测试会出现安装错误，二是安装在C盘会最大限度地提升GPU速度
在安装CUDA后，再次在Spyder编辑器中运行该行代码：

import tensorflow as tf

接下来在右下角的运行结果界面还会出现关于CUDNN的出错提示，这里如果前面安装的是CUDA10.0版本及以上，错误提示中会显示安装CUDNN7.x版本，即ImportError: Could not find 'cudnn64_7.dll'
这时需要在NVIDIA官网中查看具体安装什么版本的CUDNN。
CUDNN链接
（在下载CUDA时仅需要进入官网点击需要下载的版本即可，而CUDNN的下载必须注册登录NVIDIA官网，这个不麻烦，但可能有点卡，慢慢等待即可，之后就可以重新进入页面搜索CUDNN下载寻找适配的版本即可，这里推荐在寻找好特定版本后在网上找清华源的下载源，速度会快很多，心情也舒畅。）
因为在安装CUDA以及CUDNN时默认路径均为系统盘，不要更改，直接选用默认设置即可，对后续文件迁移也有好处。

2.后续dll文件问题
在CUDA与CUDNN均安装完成后，继续在Spyder编辑器中运行该行代码：

import tensorflow as tf

如果此时右下角运行窗口没有出现报错，那么一个基于CUDA与CUDNN的Tensorflow库就已经安装完成了，可以随意玩耍。
但本人遇到了dll文件的问题，报错提示出现OSError。

OSError: [WinError 126] 找不到指定的模块

这是因为缺少相关dll文件，dll文件大部分都是基于C++的动态链接库。在这里可以自行查找所需dll文件，但这里建议可以直接下载一个常用dll库文件压缩包，免去各种dll文件缺失的问题。

在正确安装dll文件后再次运行下述代码，（在Tensoflow官网可以找到）。
Tensorflow简单教程
可以发现除了无报错还运行了一个基于tensorflow的小demo，都是对该库中简单函数的应用。

import tensorflow as tf
print(tf.add(1, 2))
print(tf.add([1, 2], [3, 4]))
print(tf.square(5))
print(tf.reduce_sum([1, 2, 3]))
print(tf.square(2) + tf.square(3))
x = tf.matmul([[1]], [[2, 3]])
print(x)
print(x.shape)
print(x.dtype)

以上就完成了基于CUDA与CUDNN的TensorflowGPU版本的安装。
在之后使用Tensorflow库时直接就是GPU版本，无需其他操作，但仅对具有复杂张量运算的网络有优势，简单网络中CPU与GPU相比性能相似甚至更高。

以上仅个人观点，如有错误还望巨巨指正，不胜感激。
同时如有侵权请及时与本人联系，将及时处理。