下载Anaconda

从清华源下载 Anaconda
下载地址，选择自己系统的新版下载。
下载完成后一路next 在这个位置需要添加环境变量，便于以后从cmd访问conda
选Add Anaconda to my PATH environment variable
安装结束后重启计算机

配置Anaconda

win+R键，然后输入cmd并回车 在命令行输入

更新conda源

conda config --set show_channel_urls yes
退出cmd，用记事本打开C:\Users\@@@.condarc@@@为你的用户名（这个文件默认是隐藏的），使用以下内容替换.condarc的内容：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

保存退出，再次打开cmd

pip install pip -U

更换清华源

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

创建开发环境

conda create -n tf2.0 python=3.6

进入创建的开发环境

conda activate tf2.0

安装tensorflow GPU版本

pip install tensorflow-gpu

测试tensorflow-gpu版本是否安装成功

pip install ipython ipython
在In[1]:中输入iimport tensorflow as tf回车，没有报错即为成功 在
In[2]:中输入 tf.__version__ 回车，显示2.*即为成功 在
In[3]:中输入tf.test.is_gpu_available()回车，输出TRUE即为成功

安装PyCharm运行tensorflow

百度自行下载PyCharm并破解

配置PyCharm与TensorFlow

打开pycahrm，进行新建项目的一些设置 出现如下界面
选择运行环境。选中Existing Interpreter，点击右边设置按钮，选择Add Local
img
点击Conda Enviroment，选择环境
img2
进入Anaconda安装路径，选择envs文件夹，里面有建立的环境，选择之前建立的tensorflow环境中的python.exe

test.py文件测试tensorflow

这是一个简单利用MNIST数据集构建网络运行的小程序，程序会自动从网上下载MNIST数据集并进行训练

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test,  y_test, verbose=2)