tensorflow安装

同样在anaconda下创建一个tensorflow环境

首先，打开anaconda navigator,然后创建一个环境来放tensorflow。 先点击下面的create，然后创建一个新环境。

选择你的python版本，这里我选择的是Python3.6。你也可以根据你的需要和习惯来选择你自己的python版本。 环境名字你可以自己命名，但是尽量写自己能看懂的…由于我已经创建了一个叫tensorflow的环境，为了演示，我这里创建一个叫Pytorch_envs的环境。

创建过程通

然后就会自动开始下载一些相关的包，等待其下载完成。

之后，打开anaconda prompt。先激活环境： activate tensorflow（这里打开的是我已经创建好的tensorflow环境，前面只做过程讲解）

完成到这一步代表这个tensorflow环境框架搭建完成

配置了cuda，安装tensorflow-gpu版本的，可以输入命令：

pip install --ignore-installed --upgrade tensorflow-gpu 

输入命令：pip show tensorflow-gpu，可以查看tensorflow的版本信息

安装完tensorflow后命令行打开python交互式环境：import tensorflow as tf 成功，便说明成功安装了tensorflow

测试tensorflow-gpu是否安装成功

打开Anaconda，选择tensorflow环境

第一次打开需要安装Spyder，直接点下方的install即可。

安装完成，打开spyder

测试代码

import tensorflow as tf
a = tf.constant(1.)
b = tf.constant(2.)
print(a+b)
print(tf.__version__)
print(tf.test.gpu_device_name())
print('GPU:',tf.config.list_physical_devices(device_type='GPU'))
print('CPU:',tf.config.list_physical_devices(device_type='CPU'))
print(tf.test.is_gpu_available())

程序正常运行，输出结果

简单测试一下cpu和gpu运行速度的差别

import tensorflow as tf
import timeit
#指定在cpu上运行
def cpu_run():
    with tf.device('/cpu:0'):
        cpu_a = tf.random.normal([10000, 1000])
        cpu_b = tf.random.normal([1000, 2000])
        cpu_c = tf.matmul(cpu_a, cpu_b)
        # print( "cpu_a: ", cpu_a.device)
        # print( "cpu_b: ", cpu_b.device)
        # print("cpu_c:", cpu_c.device)
    return cpu_c
​
#指定在gpu上运行
​
def gpu_run():
    with tf.device( '/gpu:0'):
        gpu_a = tf.random. normal([ 10000,1000])
        gpu_b = tf.random. normal([ 1000, 2000])
        gpu_c = tf.matmul(gpu_a, gpu_b)
        # print( "gpu_a: ", gpu_a.device)
        # print("gpu_b: ", gpu_b.device)
        # print("gpu_c: ", gpu_c.device)
    return gpu_c
​
cpu_time = timeit.timeit(cpu_run, number = 10)
gpu_time = timeit.timeit(gpu_run, number = 10)
print('cpu:',cpu_time, 'gpu:',gpu_time)

运行速度差距很明显

前面anaconda的安装在我的另一篇文章中有详细过程

安装Anaconda