Anaconda3+PyCharm+Cuda10.1+Cudnn7.6+tensorflow2.2安裝與配置教程

前言：
由于電腦發生故障，重裝了一下系統，所以最近需要重新搭建深度學習環境，剛好趁此機會，記錄一下我的安裝的和配置程序，給剛入門深度學習的小伙伴們一個參考，

一、安裝Anaconda3

首先去Anaconda官網下載Anaconda3，我安裝的版本是Anaconda3 2020.02

具體安裝步驟，可以參考我之前的記錄：

Anaconda3+tensorflow2.0.0+PyCharm安裝與環境搭建

二、安裝PyCharm

首先去PyCharm官網下載PyCharm社區版，我安裝的版本是pycharm-community-2020.1.3

按照提示直接安裝即可，這個步驟就不贅述了！

三、安裝TensorFlow2.2

首先說明一點，對于版本TensorFlow <= 2.0.0，安裝TensorFlow是區分cpu和gpu的，到TF2.0.0版本之后，cpu和gpu合并了，也就是說采用命令pip install tensorflow默認安裝的是最穩定的TF2版本，同時支持cpu和gpu，

3.1 創建虛擬環境

由于不同的深度學習專案可能需要配置不同的版本，所以這里推薦使用conda建立虛擬環境，讓專案間的環境隔離，互不干擾，

1）首先，從開始選單找到并打開Anaconda Prompt，

2）然后，輸入以下命令，新建一個虛擬環境

conda create -n tf2.2 python==3.7

3）等創建完畢后，進入虛擬環境

conda activate tf2.2

3.2 安裝TensorFlow2.2

沒有換源的情況直接下載速度會非常慢，所以這里使用國內源下載：

pip install -i https://pypi.douban.com/simple tensorflow==2.2.0

下載完成后，可以看到如下資訊：

一般情況下，這就意味著安裝成功了！

3.3 檢查是否安裝成功

1）打開PyCharm，新建一個工程 First_Project

2）配置虛擬環境

3）選擇合適的解釋器，然后點擊OK

4）進入剛才新建的工程First_Project，新建一個python腳本mian.py，輸入：

import tensorflow as tf
print(tf.__version__)

點擊運行，出現以下結果表示安裝成功！

輸出的2.2.0即表示已安裝的TensorFlow版本，紅色警告是因為還沒有安裝Cuda和Cudnn，不能支持gpu訓練，接下面就來講解如何配置gpu，

注：如果報錯提示numpy有問題，多半是因為不兼容，這時需要卸載numpy，再重新安裝對應版本的numnpy1.19.3

四、安裝nvidia驅動

首先，在設備管理器中查看電腦是否已經安裝驅動，如果安裝了就跳過這一步

如果沒有安裝，就需要去英偉達官網下載對應對應版本的驅動，我的顯卡是RTX 2070，所以我選擇對應版本的：

驅動安裝的教程網上比較多，這里就不做展開了，

五、安裝Cuda10.1

查看TensorFlow官網得知，TensorFlow2.2支持Cuda10.1以及Cudnn7.6.x，如下圖所示：

5.1.查看電腦已裝的cuda版本

Win+R—輸入cmd—輸入：nvcc --version
檢查看到，我這臺機器上的cuda是8.0版本的，比較老了，所以下面我要先進行卸載，

如果之前沒有裝過cuda，則掉過這一步，

5.2 安裝Cuda

根據版本要求，選擇 Cuda10.1下載下來，然后點擊exe運行，選擇自定義安裝：

選擇下一步，然后等待安裝完成，安裝完成后，在C:\Program Files目錄下可以看到這兩個檔案：

六、安裝Cudnn7.6

首先下載 Cudnn7.6，然后進行解壓，解壓后如下：

然后，將解壓后的檔案全部復制粘貼至C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1目錄下，如下圖所示：

完成之后，可再用nvcc --version查看cuda是否安裝成功：

七、檢查安裝與配置是否成功

在剛才新建的工程First_Project中，復制一個簡單的深度學習demo至main檔案中，代碼如下：

代碼來源：TF2.0深度學習實戰（一）：分類問題之手寫數字識別：

import tensorflow as tf  # 匯入TF庫
from tensorflow.keras import layers, optimizers, datasets, Sequential, metrics  # 匯入TF子庫

# 1.資料集準備
(x, y), (x_val, y_val) = datasets.mnist.load_data()  # 加載資料集，回傳的是兩個元組，分別表示訓練集和測驗集
x = tf.convert_to_tensor(x, dtype=tf.float32)/255.  # 轉換為張量，并縮放到0~1
y = tf.convert_to_tensor(y, dtype=tf.int32)  # 轉換為張量（標簽）
print(x.shape, y.shape)

train_dataset = tf.data.Dataset.from_tensor_slices((x, y))  # 構建資料集物件
train_dataset = train_dataset.batch(32).repeat(10)  # 設定批量訓練的batch為32，要將訓練集重復訓練10遍

# 2.網路搭建
network = Sequential([
    layers.Dense(256, activation='relu'),  # 第一層
    layers.Dense(128, activation='relu'),  # 第二層
    layers.Dense(10)  # 輸出層
])
network.build(input_shape=(None, 28*28))  # 輸入
# network.summary()

# 3.模型訓練（計算梯度，迭代更新網路引數）
optimizer = optimizers.SGD(lr=0.01)  # 宣告采用批量隨機梯度下降方法，學習率=0.01
acc_meter = metrics.Accuracy()  # 創建準確度測量器
for step, (x, y) in enumerate(train_dataset):  # 一次輸入batch組資料進行訓練
    with tf.GradientTape() as tape:  # 構建梯度記錄環境
        x = tf.reshape(x, (-1, 28*28))  # 將輸入拉直，[b,28,28]->[b,784]
        out = network(x)  # 輸出[b, 10]
        y_onehot = tf.one_hot(y, depth=10)  # one-hot編碼
        loss = tf.square(out - y_onehot)
        loss = tf.reduce_sum(loss)/32  # 定義均方差損失函式，注意此處的32對應為batch的大小
        grads = tape.gradient(loss, network.trainable_variables)  # 計算網路中各個引數的梯度
        optimizer.apply_gradients(zip(grads, network.trainable_variables))  # 更新網路引數
        acc_meter.update_state(tf.argmax(out, axis=1), y)  # 比較預測值與標簽，并計算精確度
    if step % 200 == 0:  # 每200個step，列印一次結果
        print('Step', step, ': Loss is: ', float(loss), ' Accuracy: ', acc_meter.result().numpy())
        acc_meter.reset_states()  # 每一個step后準確度清零

點擊運行，開始訓練，可得到如下結果：

第一行紅色的字體，表明這次成功的加載了動態庫，可以使用GPU進行訓練了，

如果你想進一步確定GPU的使用狀態，可以在cmd命令列輸入：nvidia-smi 進行查看，如下圖所示：

最后，如果你在學習AI之路上，有任何問題，可以加入群聊，我們一起討論~