【深度学习】在linux和windows下anaconda+pycharm+tensorflow+cuda的配置

在linux和windows下anaconda+pycharm+tensorflow+cuda的配置

在linux和windows下anaconda+pycharm+tensorflow+cuda的配置

第一次在csdn上写博客，纯粹是为了想自己以后可以来看看之前踩得坑，也方便以后遇到同样的问题的时候能够有经验解决

Window10

首先是在Linux下，刚开始之所以会遇到这个问题是在跑Github上的一个代码，是需要用到tensorflow框架，之后配好环境后代码是能够跑通的，但是计算速度非常慢，使用nvidia-smi查看之后发现并没有用到GPU，应该还是在用cpu在跑，但是代码里也都对GPU进行了调用，所以就很奇怪，寻思之前就对cuda什么的这些不了解，就趁着这次机会可以好好解决一下这个问题。

1.Anaconda+pycharm

2. cuda和cudnn的安装

3. 与tensorflow的关系；

4. tensorflow与tensorflow-gpu

1、Anaconda+pycharm

Anaconda 是一个基于 Python 的数据处理和科学计算平台，它已经内置了许多非常有用的第三方库，装上Anaconda，就相当于把 Python 和一些如 Numpy、Pandas、Scrip、Matplotlib 等常用的库自动安装好了，使得安装比常规 Python 安装要容易。如果选择安装Python的话，那么还需要 pip install 一个一个安装各种库，安装起来比较痛苦，还需要考虑兼容性，非如此的话，就要去Python官网（https://www.python.org/downloads/windows/）选择对应的版本下载安装,可以选择默认安装或者自定义安装,为了避免配置环境和安装pip的麻烦，建议勾选添加环境变量和安装pip选项

此外，anaconda安装成功后可以很方便的创建虚拟环境，对于不同的projects是会需要不同版本的python解释器，这时候利用anaconda就可以很方便的对于不同的环境进行管理。

anaconda和pycharm的安装和配置可详见这篇博客：https://zhuanlan.zhihu.com/p/36389880

对于我而言，因为在之前安装的过程中并没有勾选环境变量，所

以需要在安装完anaconda后添加环境变量，也就是首先找到anaconda的安装路径，然后找到一个scripts文件，点击后将路径复制



然后，右键“我的电脑”>选择“属性”>高级系统设置>环境变量



这时候直接在cmd里输入python就会是anaconda里base的python版本，conda也不是内部命令。



这时候就大功告成了，可以使用conda来创建虚拟环境，对各个projects的管理也方便和很多。常用的conda的命令

2、cuda和cudnn的安装

用GPU计算肯定离不开显卡，显卡的好坏决定了你的运算速度。首先查看你的显卡，gpu算力需要5.0以上的显卡才能进行GPU的计算，可参考下面的博客：https://blog.csdn.net/huixingshao/article/details/82215703 然后就是安装CUDA和cuDNN。

可查看自己电脑的显卡支持的最高版本的cuda，从控制面板里搜nvidia控制面板，在系统信息里可以看到显卡驱动和支持的cuda版本，显卡驱动个cuda版本的对应关系：https://blog.csdn.net/zl535320706/article/details/83474849





之后cuda和cudnn的安装和配置可按照这篇博客进行。

https://blog.csdn.net/Coppa/article/details/90573236

注：cuda安装完成后如果测试代码可能会有问题，重启一下电脑可能会解决。

验证是否安装成功可以直接在cmd里用nvcc --version查看cuda的版本。

3、与tensorflow的关系

众所周知，tensorflow是一个深度学习的框架，我们在跑github上的代码的时候经常会在readme文件里告知此项目需要的tensorflow版本，所以这也是需要创建虚拟环境的好处，可以很容易对不同的项目使用不同的环境，但是一旦用到tensorflow-gpu版本的话就需要使用cuda来进行加速，但是我们在之前已经安装好了cuda的版本，不同的cuda版本是有对应的tensorflow-gpu版本的，具体可参考：https://blog.csdn.net/qq_27825451/article/details/89082978

这里需要注意的是，如果是使用pip install tensorflow-gpu 这时候的tensorflow-gpu是和在电脑里装的cuda和cudnn对应的，所以安装的版本要注意，这时候就会产生一个问题，我们不同的项目是需要使用不同的tensorflow版本的，那我们每次还需要再重新安装cuda吗？其实是不用的，使用pip进行安装时是只会安装install之后的包，但是如果使用的是conda install进行安装，则还会安装除了这个包外其他可能会用到的依赖项，所以如果conda install tensorflow-gpu时就会看到



是默认已经安装了cuda和cudnn的，而且版本是已经适配好的，所以在使用conda进行安装的时候其实是并没有看外部电脑系统里带的cuda版本，所以，这样就可以使用虚拟环境随意使用不同的cuda和tensorflow版本。但是也有一个问题，比如我的系统cuda是9.0，我在使用pip install tensorflow-gpu1.6的时候是可以安装并且跑成功的，但是当我使用conda install tensorflow-gpu1.6的时候就无法进行安装，当调整为1.10版本的时候就可以了，这是目前无法理解的问题，可能是系统自带的cuda还是会影响tensorflow的版本，亦或者是python的版本问题，之后还需要进行解决。

4、tensorflow与tensorflow-gpu

有一个例子说的很好

GPU的工作大部分就是这样，计算量大，而且要重复很多很多次。就像你有个工作需要算几亿次一百以内加减乘除一样，最好的办法就是雇上几十个小学生一起算，一人算一部分

CPU就像老教授，积分微分都会算，就是工资高，一个老教授资顶二十个小学生，你要是富士康你雇哪个

CPU和GPU因为最初用来处理的任务就不同，所以设计上有不小的区别，而某些任务和GPU最初用来解决的问题比较相似，所以用GPU来算了

GPU的运算速度取决于雇了多少小学生，CPU的运算速度取决于请了多么厉害的教授。教授处理复杂任务的能力是碾压小学生的，但是对于没那么复杂的任务，还是顶不住人多。

当然现在的GPU也能做一些稍微复杂的工作了，相当于升级成初中生高中生的水平。但还需要CPU来把数据喂到嘴边才能开始干活，究竟还是靠CPU来管的。

gpu版安装麻烦，需要涉及到cuda(显卡驱动）和cdnn 以及tensorflow-gpu的配置很麻烦，即使安装成功后，调用一大堆问题，只有解决了这些问题才是真的安装好了，并不是有了这个东西就算安装好了。

网上说的tensorflow-gpu的安装会覆盖tensorflow（cpu版），即使tensorflow存在，也是被覆盖了。

我在自己尝试的时候使用conda安装gpu会把cpu版本的也装上，但是在使用的时候是可以直接指定gpu进行使用的。

Linux

linux下基本和windows是一致的。需要注意的点如下。

1、环境变量

linux下的环境变量可以直接编辑./bashrc文件。

命令：ls -a 找到文件 .bashrc；

gedit~./bashrc 打开文件后直接在文件的最末尾加上要添加的环境变量，export PATH=路径:$PATH，之后还需要source回到跟目录即可

2、想到再写吧