Tensorflow筆記（一）

Anaconda環境安裝

這一部分比較簡單，直接進入Anaconda官網根據自己的喜好下載符合自身電腦配置的版本，（這個方法是萬無一失的，但好像只能下載最新版本的Anaconda環境，且下載速度極不穩定，大多數情況下很慢）
鏈接：Anaconda官方下載

為了解決上述問題，可尋找清華源下載鏈接采用迅雷下載的方式進行下載，（下載速度極快，且各種歷史版本任君挑選）
鏈接: 清華源link.

此處多加說明一點：Anaconda最新版本中Spyder編輯器為4.x版本，這些版本目前尚未完備，在運行時會出現QSocket執行緒問題，因此推薦使用Anaconda3.x版本，
在Anaconda安裝程序中有一步關于環境變數的配置需要勾選，免去安裝后手動設定環境變數的麻煩，這點在諸多巨巨的博客中都已提到，

Tensorflow安裝

Tensorflow目前主要分為1.x版本與2.x版本，每個版本的差異均較大，但一直是向簡化方向進行構建，這點毋庸置疑，（由于不同版本的Tensorflow函式功能名稱以及框架不盡相同，因此帶來了Github源代碼參差不齊的問題，在采用Tensorflow框架進行機器學習問題解決時在這一方面明顯不如Pytorch來的方便），下面主要分為兩塊進行講解：

1.其實很多前輩都說要在安裝Tensorflow或者Pytorch時先新建專用環境，這樣在使用特定庫時只需在命令列進入該特定環境即可隨意揮霍，同時在對該庫喪失信心后即可連同環境一起洗掉，極其干凈，
采用在Windows命令列輸入conda create --name env_name python=2.x（或者python=3.x）的方式進行環境創建，Anaconda會自己把環境配置補齊，

但我覺得對于大部分人來說沒有太高的技巧，技術小白在安裝Anaconda后只是簡單地熟悉Jupyter、Anaconda Prompt等Anaconda內置模塊，最主要的還是其中的Spyder編輯器，很少有小白在Windows命令列或者Prompt命令列亦或是Powershell進行Python程式的執行甚至撰寫，因此在設定新的環境以及在命令列進行程式執行方面僅作了解即可，
2.在安裝好Anaconda后，由于已添加環境變數，可直接在windows命令列進行pip命令安裝Tensorflow，此處注意Tensorflow版本分為CPU版本與GPU版本，CPU版本較為簡單，直接pip install tensorflow+版本號即可，

此處相當智能，在你輸入一個版本號之后，如果無法安裝，命令列會自動提示可安裝版本，根據提示pip即可，

本篇著重介紹GPU版本的安裝，
（在運行pip命令或conda命令前需要先將下載源更換為清華源，下載速度更快更穩定，在命令列輸入幾行簡單代碼即可）
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目錄中創建pip檔案夾，例如C:/user/Dell/pip，建立檔案pip.ini用記事本打開，輸入以下內容：

[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，（暫時）

基于CUDA、CUDNN的GPU版本Tensorflow安裝

這里有兩種方式進行完整安裝：

1.先安裝GPU版本的Tensorflow，之后根據提示下載相應的CUDA以及CUDNN插件，
GPU版本Tensorflow的安裝在windows命令列中的命令與CPU版本差異不大，如下：
pip install tensorflow_gpu==1.14.0（這里采用1.x版本有兩點原因：一是前面推薦安裝的Anaconda非最新版本，為較為穩定的之前的版本，所以僅支持tensorflow1.x，二是1.x的版本在Github上源代碼較多，便于小白理解學習，若是2.x版本則幾乎不可直接套用Github代碼）
在采用pip命令download完成之后，可直接在Spyder編輯器中進行如下操作：

import tensorflow as tf

僅此一行即可，之后在Spyder右下角視窗根據錯誤提示安裝CUDA9.0版本或CUDA10.0版本，

會出現類似于
ImportError: Could not find 'cudart64_100.dll'（對應CUDA10.x）或者

ImportError: Could not find 'cudart64_90.dll'（對應CUDA9.x）的錯誤

（本人安裝的是CUDA10.0版本，現在最新的是11.0版本，但畢竟是新版本，可能還需要試錯，這里建議CUDA10.0版本即可，完全可以保證GPU運行速度），這里可以直接在NVIDIA官網進行下載，也可以尋找清華源的安裝包，
CUDA10.0鏈接

建議CUDA安裝在C盤，也就是系統盤，這樣做原因有二：一是在其他盤經過本人測驗會出現安裝錯誤，二是安裝在C盤會最大限度地提升GPU速度
在安裝CUDA后，再次在Spyder編輯器中運行該行代碼：

import tensorflow as tf

接下來在右下角的運行結果界面還會出現關于CUDNN的出錯提示，這里如果前面安裝的是CUDA10.0版本及以上，錯誤提示中會顯示安裝CUDNN7.x版本，即ImportError: Could not find 'cudnn64_7.dll'
這時需要在NVIDIA官網中查看具體安裝什么版本的CUDNN，
CUDNN鏈接
（在下載CUDA時僅需要進入官網點擊需要下載的版本即可，而CUDNN的下載必須注冊登錄NVIDIA官網，這個不麻煩，但可能有點卡，慢慢等待即可，之后就可以重新進入頁面搜索CUDNN下載尋找適配的版本即可，這里推薦在尋找好特定版本后在網上找清華源的下載源，速度會快很多，心情也舒暢，）
因為在安裝CUDA以及CUDNN時默認路徑均為系統盤，不要更改，直接選用默認設定即可，對后續檔案遷移也有好處，

2.后續dll檔案問題
在CUDA與CUDNN均安裝完成后，繼續在Spyder編輯器中運行該行代碼：

import tensorflow as tf

如果此時右下角運行視窗沒有出現報錯，那么一個基于CUDA與CUDNN的Tensorflow庫就已經安裝完成了，可以隨意玩耍，
但本人遇到了dll檔案的問題，報錯提示出現OSError，

OSError: [WinError 126] 找不到指定的模塊

這是因為缺少相關dll檔案，dll檔案大部分都是基于C++的元件，在這里可以自行查找所需dll檔案，但這里建議可以直接下載一個常用dll庫檔案壓縮包，免去各種dll檔案缺失的問題，

在正確安裝dll檔案后再次運行下述代碼，（在Tensoflow官網可以找到），
Tensorflow簡單教程
可以發現除了無報錯還運行了一個基于tensorflow的小demo，都是對該庫中簡單函式的應用，

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與CUDNN的TensorflowGPU版本的安裝，
在之后使用Tensorflow庫時直接就是GPU版本，無需其他操作，但僅對具有復雜張量運算的網路有優勢，簡單網路中CPU與GPU相比性能相似甚至更高，

以上僅個人觀點，如有錯誤還望巨巨指正，不勝感激，
同時如有侵權請及時與本人聯系，將及時處理，