旧记录-1

Posted 2021-03-10 qjuse

深度学习tensorflow环境搭建说明

1 深度学习环境

深度学习作为传统神经网络的拓展，随着数据量和计算力的增加，其在计算机视觉、语音语义识别等领域，应用日益广泛。目前，主流的深度学习开源平台有Tensorflow、Caffe、PyTorch、Keras、Thenno等，下图显示了2018年Github上不同DL平台受欢迎的程度：

 

 

 

 

对比五种主流的开源平台：

开源框架	编程语言	特点
Tensorflow	Python/C++	灵活性、可延展性好，功能齐全，支持异构设备分布式计算
Caffe	C++/Python	专注CNN模型，高性能，精于CV领域
pyTorch	Lua	支持大量机器学习算法，构建模型简单，高度模块化
Theano	python	集成Numpy，计算稳定性好，可动态地生成C/CUDA代码
Keros	python	由Theano派生的python软件包

基于平台本身的特性，目前选择Tensorflow框架作为深度学习的切入点。

2 Tensorflow环境搭建

搭建Tensorflow环境，需要先安装python和相关工具包。为避免各工具包间的版本冲突，推荐使用Anaconda进行python安装和相关工具包的管理。特别在windows环境下，可以使用Anaconda的图形化管理界面，很方便的安装、卸载工具包。

目前最新版本是Anaconda5.3，基于python3.7。我在搭建时选用的是python3.6版本。建议先选定python版本，再根据python版本选择Anaconda版本。

Anaconda下载地址https://www.anaconda.com/download/

 

2.1本地windows环境下的安装

在windows环境下，安装好Anaconda，进入其导航页面，如图所示：

 

 

 

 

Anaconda 自带了Ipython和spyder。目前采用spyder开发python程序，其界面功能模仿matlab，提供变量查看功能。

 

点击导航页上的Environments，查看Python工具包的安装情况。以下是搭建Tensorflow环境，需要准备的一些基本工具包。

Numpy	数组处理	Scickit_learn	ML框架
Scipy	数值计算	CUDA	GPU加速
Pandas	数据分析	Tensorflow-gpu	DL 框架

 

 

 

 

逐一检查Anaconda是否以安装以上软件包。不出意外，我们只需要安装tensorflow工具包，这里选择tensorflow-gpu进行安装，安装该包时会自动安装版本匹配的CUDA。所有软件包安装完成后，启动spyder，界面如图所示。并在右下角控制台内输入：import tensorflow as tf，如果没有报错则说明tensorflow安装完成。

或者在左侧编写一个python文件，运行以下Tensorflow 测试程序，运行通过说明Tensorflow环境搭建完成。

import tensorflow as tf

import numpy as np

# 使用 NumPy 生成假数据(phony data), 总共 100 个点.

x_data = np.float32(np.random.rand(2, 100)) # 随机输入

y_data = np.dot([0.100, 0.200], x_data) + 0.300

# 构造一个线性模型

b = tf.Variable(tf.zeros([1]))

W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))

y = tf.matmul(W, x_data) + b

# 最小化方差

loss = tf.reduce_mean(tf.square(y - y_data))

optimizer = tf.train.GradientDescentOptimizer(0.5)

train = optimizer.minimize(loss)

# 初始化变量

init = tf.initialize_all_variables()

# 启动图 (graph)

sess = tf.Session()

sess.run(init)

# 拟合平面

for step in range(0, 201):

    sess.run(train)

    if step % 20 == 0:

        print (step, sess.run(W), sess.run(b))

# 得到最佳拟合结果 W: [[0.100  0.200]], b: [0.300]

 

2.2服务器linux环境上的安装

目前，搭建服务器上的Tensorflow环境的目的，主要还是解决本地计算能力不够的问题。所以一般是在本地先写好代码，然后丢到服务器上跑。同本地搭建一样，采用Anaconda安装python，但需要使用命令行进行软件工具包的管理。

Step1：下载Anaconda的linux版本，并安装。

 

 

如果不能通过命令行下载，可以先手动下载后，在安装。

Step2: 检查Anaconda已安装的包，不出意外，我们只缺少tensorflow包。

 

Step3: 搜索可用的tensorflow包，选择带gpu的较新版本进行安装。

 

Step4: 安装tensorflow包。

 

Setp5: 查看python版本，或者查看已安装列表，确定tenshorflow安装完成

   Setp6：在命令行中输入python命令，进入python环境，测试import tensorflow as tf。

 

如果没有报错说明tensorflow安装完成。