分类专栏： 配置环境
版权
第一步：安装显卡驱动

从 Nvidia 官网下载合适的显卡驱动，并安装。
第二步：安装 Anaconda

从清华开源镜像站或者官网下载 的安装包，然后安装。 https://www.anaconda.com/distribution/

1.cd到anaconda安装包目录下，安装anaconda：

bash Anaconda3-5.0.1-Linux-x86_64.sh

2.按enter浏览完协议以后，输入yes同意协议（注意再选择安装路径的时候，按enter即可安装在默认目录下，不要再输入yes~，否则就安装在yes目录下了~ T_T）

3.运行conda指令，此时可能提示找不到conda指令，使用指令（xxx为自己的用户名）：

    echo 'export PATH="/home/xxx/anaconda3/bin:$PATH"'>>~/.bashrc
    source ~/.bashrc

即可使用conda指令。
 
第三步：创建隔离环境

打开终端（命令行），输入以下内容，创建一个名为 py3.7的隔离环境。

conda create -n py3.7 python=3.7

第四步：安装 TensorFlow-GPU

打开终端（命令行），激活上一步创建的隔离环境：

conda activate py3.6

接着，输入以下内容，就将 TensorFlow-GPU 安装好了。

conda install tensorflow-gpu

安装一些机器学习常用的包（可选操作）：

conda install numpy, scipy, matplotlib, pandas,scikit-learn,scikit-image

到此，TensorFlow-GPU 深度学习环境就算配置好了。我们没有手动安装 CUDA 和 cuDNN，这是因为 Conda 在安装 TensorFlow 时会自动在隔离环境中安装合适版本的 CUDA 及 cuDNN。
第五步：测试一下代码

    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]

conda可以理解为一个工具，也是一个可执行命令，其核心功能是包管理和环境管理。包管理与pip的使用方法类似，环境管理则是允许用户方便滴安装不同版本的python环境并在不同环境之间快速地切换。

conda的设计理念

conda将几乎所有的工具、第三方包都当作package进行管理，甚至包括python 和conda自身。Anaconda是一个打包的集合，里面预装好了conda、某个版本的python、各种packages等。

1.安装Anaconda。

打开命令行输入conda -V检验是否安装及当前conda的版本。

2.conda常用的命令

1）查看安装了哪些包

conda list

2)查看当前存在哪些虚拟环境

conda env list 
conda info -e

3)检查更新当前conda

conda update conda

3.Python创建虚拟环境

conda create -n your_env_name python=x.x

anaconda命令创建python版本为x.x，名字为your_env_name的虚拟环境。your_env_name文件可以在Anaconda安装目录envs文件下找到。

4.激活或者切换虚拟环境

打开命令行，输入python --version检查当前 python 版本。

Linux:  source activate your_env_nam
Windows: activate your_env_name

5.对虚拟环境中安装额外的包

conda install -n your_env_name [package]

6.关闭虚拟环境(即从当前环境退出返回使用PATH环境中的默认python版本)

deactivate env_name
或者`activate root`切回root环境
Linux下：source deactivate 

7.删除虚拟环境

conda remove -n your_env_name --all

8.删除环境钟的某个包

conda remove --name $your_env_name  $package_name 

8、设置国内镜像

http://Anaconda.org的服务器在国外，安装多个packages时，conda下载的速度经常很慢。清华TUNA镜像源有Anaconda仓库的镜像，将其加入conda的配置即可：

# 添加Anaconda的TUNA镜像

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

# TUNA的help中镜像地址加有引号，需要去掉

# 设置搜索时显示通道地址

conda config --set show_channel_urls yes

9、恢复默认镜像

conda config --remove-key channels

keras安装

#p#分页标题#e#

继续安装keras（如果你是只安装这个记得要激活你要安装的环境；记得加以下镜像）

conda install mingw libpython
conda install theano
conda install keras=2.0.

返回列表
CNN图像语义分割详解大全（网络收集转载）