用Anaconda里面的conda命令创建虚拟环境并克隆环境或者复旧电脑实验环境包、安装不同版本的tensorflow或pytorch框架

用conda的虚拟环境可以安装不同版本的tensorflow或pytorch，没必要一直升降级，想用哪个换个环境就行。
创建环境的好处：1.灵活安装，再也不用担心装错了。2.可以切换不同版本的框架。

目录

在Anaconda Prompt中创建环境

1、创建新环境：

2、激活环境：

3、查看所有的环境：

4、查看该环境下的包：

5、更新指定环境下的所有包：

在Anaconda Prompt中删除环境（关闭所有编辑器）

克隆环境或者复现所有包

一、新建环境的同时克隆旧环境所有包

二、先新建环境，再克隆旧环境的包

用Anaconda里面的conda命令安装不同的深度学习框架

方式一：指定TensorFlow的版本，可以自动安装CUDA、cuDNN版本

方式二：手动选择安装TensorFlow、CUDA、cuDNN的版本

显示GPU当前的使用状态

---

在Anaconda Prompt中创建环境

1、创建新环境：

【conda create -n 起个环境名字 python=3.8】（python版本自己要啥写啥）

2、激活环境：

【conda activate 环境名字】（最前面的base会变成你的新环境名）

3、查看所有的环境：

【conda env list】或者【conda info --envs】（在软件安装目录\Anaconda3\envs里面）

4、查看该环境下的包：

【conda list】

5、更新指定环境下的所有包：

【conda update -n python34 --all】（也可以把--all换成指定包名）

---

在Anaconda Prompt中删除环境（关闭所有编辑器）

【conda remove -n 环境名字 --all】或者直接删除环境文件夹（可能会有残余）

---

克隆环境或者复现别人的实验环境包

一、新建环境的同时克隆旧环境所有包

用克隆环境的方法（此方法可以用来完全备份环境）

例一：创建BBB的环境并克隆AAA环境

        【conda create -n BBB --clone AAA】

        移植过来的环境会安装你原来环境里用包含pip/conda install等命令安装的包。

例二：激活你想克隆的旧环境AAA

        【conda activate AAA】

        【conda create -n BBB python=3.7 anaconda】

        此种方式可以指定python版本号并创建与AAA基本相同的环境，因为移植过来的环境只是安装了你原来环境里用conda install等命令直接安装的包，你用pip之类装的东西没有移植过来，需要你重新安装。

二、复现旧电脑环境包(复现网上别人现成的环境yaml文件包)

优势：适合安装指定的python版本，或者深度学习需要的不同版本环境；另外，使用conda env export会包含使用pip安装的包（看情况，没有就再pip进行导入导出）

1、先导出旧电脑环境的所有包或者网上别人现成的环境yaml文件包

        第一步、激活你想克隆的旧电脑环境：【conda activate 旧环境】
        第二步、导出旧电脑环境包到指定路径并可以自定义这个导出文件的名字：【conda env export > d:\environment.yaml 】（注意：如果当前路径已经有了 environment.yaml 文件，conda 会重写这个文件）

2、再导入新电脑配置环境（保证网络连接，自动下载该环境的包进行配置）

        第一步、打开Anaconda Prompt 程序

        第二步、导入命令：【conda env create -f d:\environment.yaml】

一步到位方式：直接用【conda env create -n 旧电脑环境 -f d:\environment.yaml】或者【conda env create -f environment.yaml -p /环境目录..../anaconda3/envs/指定环境名】

注意：如果在用的时候发现有些module还是未安装，可能是用pip安装在Anaconda的lib和site-package里的包。可能还要用导出pip的方法：
        pip导出安装的库到自定义文本名   zidingyi.txt：
                pip freeze > d:\zidingyi.txt
        pip导入zidingyi.txt中列出的库到新机：
                pip install -r d:\zidingyi.txt       

---

用Anaconda里面的conda命令安装不同的深度学习框架

方式一：指定TensorFlow的版本，可以自动安装CUDA、cuDNN版本

        1、创建独立的新环境：【conda create -n TF2.1 python=3.7】（版本号可自选）
        2、激活环境：【conda activate TF2.1】
        3、在新环境中安装tensorflow-gpu 2.1版本：【conda install tensorflow-gpu=2.1】（版本号可自选）
        4、点击y，会自动安装匹配的CUDA Toolkit、CUDNN
        5、验证是否安装成功，在当前环境下依次输入以下内容，如果出现gpu的相关内容，则成功。
            测试一：
                python
                import tensorflow as tf
                version = tf.__version__
                gpu_ok = tf.test.is_gpu_available()
                print("tf version:",version,"\nuse GPU",gpu_ok)
            测试二：
                python
                import tensorflow as tf
                tf.compat.v1.disable_eager_execution() 
                sess = tf.compat.v1.Session()        

方式二：手动选择安装TensorFlow、CUDA、cuDNN的版本

        1、创建独立的新环境：【conda create -n TF2.1 python=3.7】（版本号可自选）
        2、激活环境：【conda activate TF2.1】
        3、在新环境中安装TensorFlow、CUDA、cuDNN版本：
            1.安装英伟达的SDK 10.1版本：【conda install cudatoolkit=10.1】（版本号可自选）
            2.安装英伟达深度学习软件包7.6版本：【conda install cudnn=7.6】（版本号可自选）
            3.安装TensorFlow框架：【conda install tensorflow=2.1】（版本号可自选）

三者与python版本之间的对应关系https://tensorflow.google.cn/install/source单独的文件下载地址1、nvidia官网下的不同的版本的CUDA地址CUDA Toolkit Archive | NVIDIA Developer2、nvidia官网下的不同版本的cuDNN地址cuDNN Archive | NVIDIA Developer3、tensorflow官网下的不同版本与cudnn，CUDA的版本对应从源代码构建 | TensorFlow (google.cn)4、pytorch官网下的不同版本地址Previous PyTorch Versions | PyT...https://blog.csdn.net/weixin_49223002/article/details/120854473

---

显示GPU当前的使用状态

参考地址：https://www.jianshu.com/p/ceb3c020e06b
    1、进入cmd命令模式
    2、隔几秒刷新一下显存状态：nvidia-smi -l 秒数
        【nvidia-smi -l 5】
    注意：如果想让命令停止下来，需要手动执行Ctrl+C，或者kill掉进程
    3、将监控结果写入文件，并且指定写入文件的监控字段
        【nvidia-smi -l 1 --format=csv --filename=GPUreport.csv --query-gpu=timestamp,name,index,utilization.gpu,memory.total,memory.used,power.draw】