|
Element我用的平台是Ubuntu 18.04.3 LTS，安装Anaconda3-2019.10-Linux-x86_64.sh 时跟原作用的指令不起作用，建议先用我的以下指令我已修改，不行可以试试原作的。
为方便日常的深度学习模型开发与测试，本人在自己笔记本上搭建一个深度学习的基础环境，便于学习AI使用。本人使用的笔记本配置是CPU为8代i5，显卡为GTX1060，内存为8G，基本上可满足日常的AI研究与学习。下面将介绍基础环境的搭建配置过程：
1、安装Ubuntu 18.04
（1）安装操作系统
从Ubuntu官网上下载最新的Ubuntu 18.04 LTS版本的IOS文件，然后使用Image Writer等工具，将IOS文件写入到U盘里面。
重启电脑，在BIOS里面设置第一启动顺序为U盘，保存启动，进入到Ubuntu操作系统的安装界面，按照操作指引一步一步进行安装，安装过程比较简单，在此就不再赘述。
注意：由于本人笔记本上的内存并不大（只有8G），为了满足后续的模型训练需要，在安装操作系统时，将交换区设置得大一些，例如8G或16G，以防模型训练时读取大量样本导致内存溢出。当然，能加内存条那就更好，土豪请随意。
（2）安装显卡驱动
安装Ubuntu后默认安装的是开源版本的显卡驱动，为了后续能够在使用tensorflow-gpu时能更好地发挥GPU的性能，推荐安装NVIDIA官方版本的驱动。
在Ubuntu里面，打开“软件和更新”，点击里面的“附加驱动”标签页，选择使用NVIDIA driver，然后点击“应用更改”进行官方驱动的安装，安装后重启电脑即可。
重启电脑后，只要在电脑的设备信息里面看到“图形”是显示了GTX 1060，则说明NVIDIA官方显卡驱动安装成功了。
【注意】在安装NVIDIA的官方驱动时，最初是在官网上下载Cuda、Cudnn安装文件手动进行安装，安装成功了，但却无法加载驱动。后来通过在Ubuntu的“软件和更新”安装官方驱动，才顺利解决，而且安装也方便。
2、安装Anaconda
由于后续在使用tensorflow建模时主要使用Python语言，因此，在这里选用了当前非常流行的Python发行版本：Anaconda。Anaconda集成了大量的科学计算包，能根据需要自动下载安装软件包和相应的依赖包（p.s.这也是比pip先进之处，pip无法管理依赖包的问题）。另外，使用Anaconda还能创建虚拟环境，这样就能很方便地在同个电脑上使用Python 2.x、Python 3.x，tensorflow-cpu、tensorflow-gpu，相互之间不受影响，非常方便。
（1）下载从Anaconda官网（https://www./distribution/）上下载安装包，选择Linux系统，安装基于Python 3.6版本 （2）安装对下载的文件授予可执行权限，然后进行安装 bash Anaconda3-5.2.0-Linux-x86_64.sh （Anaconda3-2019.10-Linux-x86_64.sh已经无法解压安装不知道为什么，新电脑改装Anaconda3-2020.02-Linux-x86_64.sh） 当询问是否把Anaconda的bin添加到用户的环境变量中，选择yes 初始化conda环境，再重启当前shell
conda init 如果出现conda 找不到命令的情况，给linux配置下环境变量 1）修改.bashrc文件,这种方法更为安全，它可以把使用这些环境变量的权限控制到用户级别,这里是针对某一个特定的用户，如果需要给某个用户权限，使用这些环境变量，只需要修改其个人用户主目录下的.bashrc文件就可以了。
sudo nano /root/.bashrc
最后面加上：export PATH="/Users/用户名/anaconda3/bin:$PATH"
例如：
export PATH=/home/element/anaconda3/bin:$PATH
source /root/.bashrc
bash Anaconda3-5.2.0-Linux-x86_64.sh
2)修改/etc/profile文件
推荐使用这种方法，因为所有用户的shell都有权使用这些环境变量，缺点是可能会给系统带来安全性问题。 这里是针对所有的用户的,所有的shell;
sudo nano /etc/profile
export PATH="/Users/用户名/anaconda3/bin:$PATH"
source命令使修改立刻生效：
source /etc/profile
再关闭终端重开就可以了
更多操作参考：http://www.360doc.com/showweb/0/0/879075930.aspx
（3）配置conda国内镜像源为了提升conda的安装软件包时的下载速度，建议对conda配置国内的镜像源（清华大学conda镜像源），配置方式如下： conda config --add channels https://mirrors.tuna./anaconda/pkgs/free/conda config --add channels https://mirrors.tuna./anaconda/pkgs/main/conda config --set show_channel_urls yes 如果要切回默认源，则执行 conda config –remove -key channels 【注意】网上很多配置conda国内镜像源的教程都只写着只配置清华大学conda的free镜像（https://mirrors.tuna./anaconda/pkgs/free/），但该源的很多软件包并不是最新版本，为了能更新最新版本，再指定一个清华大学conda的main镜像（https://mirrors.tuna./anaconda/pkgs/main/），这样就能安装、更新最新版本的软件了。
（4）创建虚拟环境
使用conda create命令创建虚拟环境到指定路径，并指定Python版本，同时可以将需要一起安装的包也一起指定。下面创建一个名为tensorflow的虚拟环境，指定使用Python 3.6版本，并在虚拟环境中安装numpy、scipy、matplotlib、jupyter等软件包，命令如下：
conda create --name tensorflow python=3.6 numpy scipy matplotlib jupyter 其中-n指定虚拟环境的名称
默认安装的路径位于anaconda安装目录下的envs文件夹里面，也可以使用—prefix参数来重新指定虚拟环境路径 如果要创建第二个虚拟环境，只需使用不同的名称即可，如果创建一个名为tensorflow2，指定使用Python 2.7版本，则命令如下： conda create --name tensorflow2 python=2.7 如果要查看有哪些虚拟环境，则执行以下命令： conda info -e
移除环境的话，则执行以下命令：
conda remove -n tensorflow2 --all 【注意】如果在创建conda虚拟环境时没有指定python的版本，则默认是使用anaconda安装目录下bin中的python版本。为了实现虚拟环境的隔离，必须指定python版本
（5）激活虚拟环境
创建好conda虚拟环境后，在使用之前必须先进行激活。下面激活刚创建的tensorflow虚拟环境，命令如下：
conda activate tensorflow 如果要注销退出当前的虚拟环境，则执行命令： conda deactivate tensorflow 非常方便，具体的更多anaconda 介绍、安装、配置查看以下连接 http://www.360doc.com/showweb/0/0/878754878.aspx3、安装tensorflow-gpu
为了提升AI模型的训练效率，安装使用tensorflow-gpu进行模型训练。
激活进入刚才创建的tensorflow的conda虚拟环境
conda activate tensorflow 然后使用以下命令安装tensorflow-gpu conda install tensorflow-gpu conda将会检测tensorflow-gpu的最新版本以及相关的依赖包，包括调用NVIDIA显卡所需要的Cuda、Cudnn等依赖环境，都会自动按顺序进行安装，非常方便吧。
如果需要升级tensorflow-gpu的版本，则执行以下命令进行更新 conda upgrade tensorflow-gpu 注意：并不是所有软件包都能直接安装，有一些需要指定安装源，例如做AI中经常会用到的OpenCV便是无法直接安装的，需要指定安装源，命令如下： conda install --channel https://conda./menpo opencv3 4、安装PyCharm
PyCharm是一个优秀的Python开发IDE环境，特别是还提供了社区版可以免费使用，业界良心啊！
（1）安装PyCharm
在Ubuntu里面安装PyCharm非常简单，在Ubuntu软件商城里面搜索“pycharm”，然后选择社区版“PyCharm CE”进行安装即可，非常方便。
（2）在PyCharm中使用conda虚拟环境
为了能够在PyCharm中使用我们自己创建的conda虚拟环境，需要进行下配置。在Pycharm的Files>>settings>>Project Interpreter>>Add local 里面添加刚才创建的conda虚拟环境的目录下所在的Python 3.6程序，应用之后就可以使用我们自己使用的虚拟环境了，如下图所示：
至此，“AI实战”的基础环境搭建就已全部配置完成了。
|
