TF(3): 安装部署_Windows

CUDA:

---

• CUDA（Compute Unified Device Architecture）: CUDA™是一种由显卡厂商NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。 此外，它还提供了硬件的直接访问接口，而不必像传统方式那样必须依赖图形的API接口来实现GPU的访问。

cuDNN

---

• cuDNN的全称为NVIDIA CUDA® Deep Neural Network library，是NVIDIA专门针对深度神经网络（Deep Neural Networks）中的基础操作而设计基于GPU的加速库。cuDNN为深度神经网络中的标准流程提供了高度优化的实现方式，例如convolution、pooling、normalization以及activation layers的前向以及后向过程
• cuDNN只是NVIDIA深度神经网络软件开发包中的其中一种加速库。( https://developer.nvidia.com/deep-learning-software )
• 基本上所有的深度学习框架都支持cuDNN这一加速工具，例如：Caffe、Caffe2、TensorFlow、Torch、Pytorch、Theano等。

Anaconda

---

• Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。  因为包含了大量的科学包，Anaconda 的下载文件比较大（约 531 MB），如果只需要某些包，或者需要节省带宽或存储空间，也可以使用Miniconda这个较小的发行版（仅包含conda和 Python）
• NumPy: NumPy 是一个 Python 包。 它代表 “Numeric Python”。 它是一个由多维数组对象和用于处理数组的例程集合组成的库。NumPy 是开源的。
• Scipy：是一个高级的科学计算库，它和Numpy联系很密切，Scipy一般都是操控Numpy数组来进行科学计算，所以可以说是基于Numpy之上了。
• Six : 它是一个专门用来兼容 Python 2 和 Python 3 的库。它解决了诸如 urllib 的部分方法不兼容， str 和 bytes 类型不兼容等“知名”问题。
• Matplotlib：是Python中最常用的可视化工具之一，可以非常方便地创建海量类型地2D图表和一些基本的3D图表。Matplotlib最早是为了可视化癫痫病人的脑皮层电图相关的信号而研发，因为在函数的设计上参考了MATLAB，所以叫做Matplotlib。

安装环境

---

如果要安装GPU版本（有N卡，即NVIDIA显卡），需要以下额外环境：

1. 有支持CUDA计算能力3.0或更高版本的NVIDIAGPU卡。
2. 下载安装CUDA Toolkit 8.0，并确保其路径添加到PATH环境变量里；
3. 下载安装cuDNN v6或v6.1，并确保其路径添加到PATH环境变量里；
4. CUDA8.0相关的NVIDIA驱动。

本人机器环境： Win10 X64 专业版； NVIDIA GeForce 940MX

• 
• CUDA Toolkit安装成功后会自动和系统的编译器进行绑定。如下图：
• 
• 通过在命令窗中执行 nvcc -V 初步判断是否安装成功：
• 
• 安装成功后(默认安装)系统会增加如下环境变量：
• 
• 对于cuDnn库，解压下载的安装包，将这三个文件夹下的文件拷到CUDA对应的文件夹下面即可。
• 

安装Anaconda

---

tensorflow是基于python脚本语言的，是一种高级应用，它必须依赖于底层的应用发挥作用。因此需要安装python,当然还需要安装numpy、scipy、six、matplotlib等几十个扩展包。如果一个个安装，十分耗费时间，不过现在有了集成环境anaconda，安装就方便了。python的大部分扩展包,都集成在anaconda里面了，因此只需要装这一个东西就行了。

• 先到官网下载（https://www.anaconda.com/download/）
• 安装完成后，查看版本： conda –version
• 
• 检测目前安装了哪些环境：conda info --envs
• 
• 检查目前有哪些版本的python可以安装：conda search --full -name python
• 
• 安装不同版本的python：conda create --name tensorflow python=3.5.2
• 
• 
• 按照提示，激活：conda activate tensorflow
• 
• 它前面的括号代表当前环境为tensorflow，看到这里，你已经将准备工作做好了。
• 你可以退出当前环境：deactivate tensorflow
• 确保名叫tensorflow的环境已经被成功添加：conda info --envs
• 
• 检查新环境中的python版本：python --version
• 

安装TensorFlow

---

1. 按照官网的指示：另一种尝试：pip install tensorflow
   • 安装CPU版本输入: pip install --ignore-installed --upgrade tensorflow
   • 安装GPU版本输入: pip install --ignore-installed --upgrade tensorflow-gpu
2. 安装成功后如下图：试运行验证环境示意代码：
   • 
3. 

安装TensorFlow环境下的Spyder插件

---

1. 进入Anaconda Navigator（开始菜单->Anaconda 3->Anaconda Navigator），注意，现在的Application栏是root，也就是Anaconda的根，此时的环境是Python3.6.
2. 切换到TensorFlow下面，然后再安装Spyder，你还可以选择安装qtconsole，notebook，或者orange。
   • 
3. 安装Spyder后打开，写下我们第一个Hello （Spyder是Python(x,y)的作者为它开发的一个简单的集成开发环境。和其他的Python开发环境相比，它最大的优点就是模仿MATLAB的“工作空间”的功能，可以很方便地观察和修改数组的值。）查看执行结果

   • import tensorflow as tf
      
     hello = tf.constant('Hello,TensorFlow!')
     sess = tf.session()
     print(sess.run(hello))

配置PyCharm

---

• 下载PyCharm，https://www.jetbrains.com/pycharm/download/#section=windows
• 打开 --> 文件 -->setting
• 
• 如上代码，执行效果：
• 

Tensorboard的启用

---

tensorboard是TensorFlow的一个可视化工具，能够监控TensorFlow运行过程中的计算图，各种指标随着时间的变化趋势以及训练中使用到的图像等信息使用tensorboard包括两个步骤：

1. 在python程序中将想要可视化的结果，包括中间结果，例如准确率变化等，以及计算图模型使用tf.Summary.FileWriter()写入到文件系统。
2. 运行tensorboard –path-to-log命令读取之前输出的log，并显示在web服务器上，这时可通过浏览器访问。

示意代码如下：

1. 输出日志文件
   • 
2. 生成文件如下：
   • 
3. 找到tensorboard.exe所在文件夹，复制路径，然后在CMD下进入此路径。命令： .\tensorboard.exe --logdir=c:\MLSrc\log_1
   • 
4. 在浏览器中输入以下网址就可以启动tensorboard了
   • 

参考资料：

---

• http://wiki.jikexueyuan.com/project/tensorflow-zh/
• https://blog.csdn.net/lxy_2011/article/details/79181990
• https://blog.csdn.net/Eppley/article/details/79297503
• https://blog.csdn.net/lucifer_zzq/article/details/76675239
• https://blog.csdn.net/weixin_36368407/article/details/54177380
• https://blog.csdn.net/shuzfan/article/details/76602710
• https://blog.csdn.net/jinyuan7708/article/details/79428189