tensorflow环境配置(激活tensorflow)

如何搭建AI开发环境

这里以win10系统安装gpu版tensorflow（cuda8.0+cudnn6.0）为例，为大家介绍AI开发环境的搭建。

一.首先查看自己电脑显卡所支持的cuda版本[1]

1.win10系统可以直接在桌面点击右键，然后选择NVIDIA控制面板，进入如下界面。然后选择帮助菜单栏，在弹出的选项中再点击系统信息。

图1-1

2.然后选择组件，可以看到NVCUDA.DLL后面的版本号即为需要下载的cuda版本，从下图可以看到爪机支持的是CUDA8.0。

图1-2

二.nvidia官网下载cuda8.0

在网站https://developer.nvidia.com/cuda-toolkit-archive下载CUDAToolkit8.0GA2

图2-1

三.cuDNN6.0下载

下载地址为https://developer.nvidia.com/cudnn，下载前要先注册账号（免费滴）。

官网的推荐中，CUDA8.0对应cuDNNv7.2.1，但是tensorflow1.4实测报错要求cudnn6.0,所以还是下载6.0吧（如果确实要用cuDNNv7，可考虑编译tensorflow源码）。

图3-1第一步点击”DownloadcuDNN”

图3-2第二步点击”ArchivedcuDNNReleases”

图3-3第三步点击”DownloadcuDNNv6.0”

四.安装cuda环境

1.建议用管理员权限运行下载的cuda.exe的文件，打开后会首先进行系统检查

下面继续，同意后记得选择自定义安装：

图4-1

2.这里我选择的是安装前两个，第三个驱动不需要，当然你们也可以尝试装一下

图4-2

3.安装位置建议选择默认位置

图4-3

4.然后多次点击下一步直到出现如下界面

图4-4

5.安装完成成后需要去配置环境变量：

对我的电脑右键依次选择属性，高级系统设置，环境变量，打开如下界面。

图4-5

6.然后重复新建以下变量：

CUDA_PATH=C:\ProgramFiles\NVIDIAGPUComputingToolkit\CUDA\v8.0CUDA_PATH_V7_5=C:\ProgramFiles\NVIDIAGPUComputingToolkit\CUDA\v8.0CUDA_SDK_PATH=C:\ProgramData\NVIDIACorporation\CUDASamples\v8.0CUDA_LIB_PATH=%CUDA_PATH%\lib\x64CUDA_BIN_PATH=%CUDA_PATH%\binCUDA_SDK_BIN_PATH=%CUDA_SDK_PATH%\bin\win64CUDA_SDK_LIB_PATH=%CUDA_SDK_PATH%\common\lib\x64

图4-6

7.依次填入后，找到path变量如图，然后双击打开：

图4-7

8.依次点击新建将%CUDA_LIB_PATH%；%CUDA_BIN_PATH%；%CUDA_SDK_BIN_PATH%；%CUDA_SDK_LIB_PATH%；依次填入，填入后效果如下图所示。全部安装好后一定要记得重启

图4-8

9.配置好之后可以去验证一下是否已经装好了cuda，在cmd窗口输入nvcc-V（这里我输成了小写v，所以报了个错，注意是大写V）

小写v报错画面：

图4-9

大写V正确画面（这里写的是version，其实可以直接写大写的V就行了）：

图4-10

显示版本，表明cuda8.0安装成功了。

五.安装cuDNN

将下载的cudnn解压，可以看到里面有三个文件夹：

图5-1

将这三个文件夹解压到：

C:\ProgramFiles\NVIDIAGPUComputingToolkit\CUDA\v8.0

(注意按照你自己实际的安装位置来决定解压位置)

图5-2

六.开始安装tensorflow-gpu1.4.0

建议大家先安装一下Ananconda，他可以搭建虚拟环境，很好用，Anconda的安装不再详细去写，网上很多，也很简单，自己尝试一下。

安装完成后打开cmd窗口：

1.创建conda环境，输入：condacreate-ngpupython=3.6（我的环境命名是gpu)

图6-1

2.激活进入你的conda环境：activatetensorflow-gpu

3.出现的一些报错（你们不一定有）：

nomodlenamed'six'解决方法：输入pipinstallsix

nomodlenamed'pakging'解决方法：输入pipinstallpakging

nomodlenamedsetuptools.wheel解决方法：pipinstall--upgradesetuptools

或者pipinstallsetuptools

4.所有报错解决后就可以pipinstalltensorflow-gpu==1.4.0

图6-2

安装完成了~

七.测试

最后可以开始测试了，各位只需要选择你们创建的conda环境下的python.exe解释器来运行即可，根据自己的编辑器去进行操作。

当然也可以直接在这个环境下输入cmd命令：python

然后来进行个小测试吧：

依次输入下面内容

importtensorflowastf

hello=tf.constant('Hello,TensorFlow!')

sess=tf.Session()

print(sess.run(hello))

然后run起来

图7-1

红色部分为tensorflow输出的log，主要是提醒（warning）。

八．安装cuda时的常见错误

可能出现的情况一：

图8-1

上图表明情况正常，说明安装的驱动比要求的新一点，直接点继续

情况二（图片来自网络）：

图8-2

这种情况可能就是你的cuda版本跟系统不兼容了，考虑换个cuda版本，根据我在上面给出的查看显卡支持的cuda型号的方法去选择。

九.附录：

[1]https://blog.csdn.net/Candy_GL/article/details/79435151

跑模型需要什么电脑配置

跑模型的电脑配置要求取决于模型的复杂度、数据量和训练时间等因素。一般来说，跑模型需要一台高性能的计算机，包括独立显卡、大容量内存和高速处理器等硬件设备，并且需要安装相应的机器学习框架和软件工具，如TensorFlow、PyTorch和scikit-learn等。

tf启动真的会慢么

部分情况下启动慢，但不一定因为在一些较旧的设备上，当使用一些较重的模型或数据时，TensorFlow启动可能确实需要一定的时间，这可能是因为高计算量所致。但是，如果电脑的配置足够高，并且模型或数据较小，那么启动时间一般就不会太久。此外，在某些情况下，启动慢也可能与代码编写问题有关，需要优化。因此，_tf启动慢与否_并非一成不变，需要具体情况具体分析。如果启动时间确实成为剧烈影响你的工作效率，可以考虑对代码和设备进行优化，例如缓存计算结果、升级硬件等，以提高运行效率。

Python里面有什么好用且有趣的模块

python第三方模块众多，下面我介绍一些比较实用而又有趣的模块，主要分为爬虫、数据处理、可视化、机器学习、神经网络、股票财经、游戏这7个方面，主要内容如下：

1.爬虫：相信大部分人都用python爬过数据，目前来说，比较流行的框架是scrapy，对爬取数据来说，简单方便了不少，只需要自己添加少量的代码，框架便可启动开始爬取，当然，还有简单地爬虫包，像requests+BeautifulSoup，对于爬取简单网页来说，也足够了：

2.数据处理：numpy,scipy,pandas这些包对于处理数据来说非常方便，线性代数、科学计算等，利用numpy处理起来非常方便，pandas提供的DataFrame类可以方便的处理各种类型的文件，像excel,csv等，是分析数据的利器：

3.可视化：这里的包其实也挺多的，除了我们常用的matplotlib外，还有seaborn,pyecharts等，可以绘制出各种各样类型的图形，除了常见的线图、饼图和柱状图外，还可以绘制出地图、词云图、地理坐标系图等，美观大方，所需的代码量还少，更容易上手：

4.机器学习：说起python机器学习，大部分人都应该scikit-learn这个包，常见的机器学习算法，像回归、分类、聚类、降维、模型选择等，这里都有现成的代码可供利用，对于这机器学习方面感兴趣的人来说，这是一个入门机器学习的好包：

5.神经网络：说起神经网络，大部分人都应该会想起深度学习，对应的就会想到谷歌目前非常流行的深度学习框架—tensorflow，tesndorflow可被用于语音识别和图像识别等众多领域，其发展前景光明，对于这方面感兴趣的科研人员来说，是一个很不错的工具，当然，还有基于tensorflow的theano,keras等，都是学习神经网络的不错选择：

6.股票财经：对于股票和财经比较感兴趣的朋友来说，python也提供了现成的库来获取和分析股票财经数据—tushare，tushare是一个免费、开源的python财经数据接口包，可以快速的获取到国内大部分股票数据，对于金融分析人员来说，可以说是一个利器，降低了许多任务量：

7.游戏：python专门为游戏开发提供了一个平台—pygame，对于想快速开发小型游戏的用户来说，是一个很不错的选择，简单易学、容易上手，脱离了低级语言的束缚，使用起来也挺方便的：

目前就介绍这7个方面和对应的包，比较流行也比较实用、有趣，感兴趣的朋友，可以了解一下，希望以上分享的内容能对你有所帮助吧。

python一般用来做什么

谢谢邀请:python作为现在一门非常火的语言,它的运用场景非常的广泛,其实很多开发语言都可以用在不同的领域做开发.python并不为特定目的而产生。不过它就是一个通用的脚本语言,也被称做胶水语言,胶水是指，python借助C语言接口，几乎可以驱动所有已知的软件，模块。只要我们用到的，通常你都能找到一个开源的库。安装后就可以驱动它。无论是数据库，网络，互联网，图形，游戏，科学计算，GUI，OA，自动控制，甚至宇航员都在用。

我们现在就只说python,python可以用来做:

1.系统编程;2.图形处理;3.数学处理;4.文本处理;5.数据库编程;6.网络编程;7.Web编程;8.多媒体应用;9.pymo引擎;10.黑客编程;11.用Python写简单爬虫;12:人工智能.

看到这么多运用场景是不是觉得非常厉害..但是python通常不作为工程语言出现。就是正规的软件生产不使用它。主要用java,c#,xml,c。至于为什么，这是软件工程的需要。python不具有完整的语法检查。

但这也不影响python现在的地位,很多人加入python大军,因为入门快，简单,学习成本相对低,他有很丰富的支持库可以被直接调用以高效地完成不同需求的工作.

要知道,google最早的搜索引擎就是python写的.

希望我的回答能帮助到你.我是bang-bang,特长软件开发.

mxnet和pytorch哪个好

mxnet比pytorch更好，因为MXNet是亚马逊（Amazon）选择的深度学习库，并且也许是最优秀的库之一。

它拥有类似于Theano和TensorFlow的数据流图，为多GPU配置提供了良好的配置，有着类似于Lasagne和Blocks更高级别的模型构建块，并且可以在你可以想象的任何硬件上运行（包括手机）。

对Python的支持只是其冰山一角—MXNet同样提供了对R、Julia、C++、Scala、Matlab，和Javascript的接口。