说在前面

  • 毕设是目标检测、图像识别分类、深度学习、CNN框架等，推荐使用Vs Code(代码编辑器) + miniconda(python包管理工具) + Tensorflow2.2 GPU(深度学习开源框架) 环境。

1.miniconda安装

  • miniconda 是 conda 的轻便版本，只有几百MB，功能和conda一样，所以推荐安装miniconda，下载参考https://blog.csdn.net/XiangpingZhang/article/details/104324606 并根据教程更改使用清华镜像源，方便后面下载python包更快。

  • 输入命令conda create --name TF_GPU python=3.7创建属于自己的环境，‘TF_GPU’是环境的名字，自己可以更改，python 版本推荐使用Python3.7 ！！！（因为要和tensorflow版本对应）

  • 之后输入命令conda activate TF_GPU可以从base 环境进入创建的TF_GPU环境，如下图所示：

    image-20210315121646937

2. 安装Tensorflow GPU2.2 版本

  • Tensorflow 推荐安装GPU2.2， 可以实现GPU加速，运行更快，版本不要变，因为要和后面下载的CUDA 和CUDNN进行严格对应，如果不对应就失败！！！

  • 下载的时候一定要进入刚刚创建的环境tf_GPU里下载，以后所有的python包都在这个环境中下载。

  • 执行命令pip install tensorflow-gpu==2.2.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

    -i 是使用的清华源。

  • 安装完之后可以使用命令pip list查看已经安装的包。

3. 安装CUDA和CUDNN

  • CUDA和CUDNN要和tensorflow 版本对应，具体对应表详见：https://blog.csdn.net/sunmingyang1987/article/details/102872658。

  • 我们就使用Tensorflow2.2 + CUDA10.1 + cudnn7.6.5 （再次提醒，版本号一定不要变！！！）

  • 如果前面安装miniconda的时候已经换过镜像源了，就可以直接运行命令：conda install cudatoolkit=10.1 和conda install cudnn=7.6.5完成安装。

  • 如果前面没有更换清华镜像源，则执行以下命令：conda install cudatoolkit=10.1 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/linux-64/

    conda install cudnn=7.6.5 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/linux-64/

4.测试

  • 至此所有我们需要安装的东西都安装完了，下面为确保成功，进行简单测试：进入tf_GPU环境，输入python进入python提示符<<<

  • 输入import tensorflow as tf

  • 然后输入tf.test.is_gpu_available(),如果显示为True，则证明以上全部安装正确，该深度学习环境可以使用。如下图所示：在这里可以看到我们使用的GPU型号等信息，如果显示False则证明安装失败，就查看是那部分没有加载出来（一般都是CUDNN和CUDA没有匹配，所以按照上面版本号安装应该没问题）

    image-20210315123539244

    image-20210315123618184

5.与Vs Code 结合

  • Vs Code 安装大家可自行百度，网上有很多，包括安装python解释器，如何安装python调试环境等等，这里就说一下如何在Vs Code 中导入我们建立的TF_GPU环境。很简单只需要点击左下角，他会弹出中间的框（如2所示），这里有我们电脑上所有的python环境，只需要找到我们创建的tf_GPU就可以，其次，在下方命令行也可以直接进入tf_GPU环境，非常方便，所以推荐使用Vs Code。

    image-20210315124502530

结尾