各位老铁们，大家好，今天由我来为大家分享高效构建深度学习开发环境指南，以及的相关问题知识，希望对大家有所帮助。如果可以帮助到大家，还望关注收藏下本站，您的支持是我们最大的动力，谢谢大家了哈，下面我们开始吧！
第2 章《在云虚拟机中安装Anaconda5.2》；第4 章《在云虚拟机中安装Nvidia驱动》；第5章《在云虚拟机中安装CUDA9.0》；第6 章《在云虚拟机中安装cuDNN7.1》；第七章《在云虚拟机中安装TensorFlow、Keras》
2.软件下载
百度云盘下载链接：3335 9pan.baidu.com/s/1nGUYr3AHyDJrKzcUctprVg 提取码： 1b66
本文作者在链接中上传了搭建深度学习环境所需的4个文件，如下：
.Net Framework库由Microsoft 制作，用于运行Windows 操作系统4.6 版中的所有软件。 CUDA是Nvidia公司推出的并行计算平台。版本是9.0。前提是电脑拥有Nvidia独立显卡。
做深度学习实验时，建议最低配置也需要6GB显存版本的Nvidia GTX1060。
本文作者使用CUDA9.0来检查他的计算机是否可以使用CUDA9.0。请查看本文作者的另一篇文章《Windows系统查看CUDA版本号》，链接：https://www.jianshu.com/p/d3b9419a0f89 Nvidia出品，用于深入学习加速计算的cuDNN库，版本7.3。 TensorFlow是Google出品并提供给开发者的深度学习开发框架。
它有2个版本，cpu版本和gpu版本。本文要安装的是gpu版本，因为gpu版本比cpu版本快50倍。在本文中，笔者仅演示如何安装软件，以便读者能够以最快的速度使用深度学习的GPU加速。
要了解如何从官网下载这些软件，请阅读本文作者的另一篇文章：《深度学习环境搭建-CUDA9.0、cudnn7.3、tensorflow_gpu1.10的下载》，链接：https://www.jianshu.com/p/c73668544925
3.安装.Net Framework4.6
选择下图中红色箭头标记的exe可执行文件，双击开始安装。
图片.png
双击后显示Extracting files。
图片.png
因为本文作者已经安装成功，所以显示如下图。
需要安装的读者在安装过程中无需进行选择。只需点击下一步，按照软件的默认设置进行安装即可。
image.png
4.安装CUDA9.0
撰写本文时，CUDA10.0已经上市，但还没有相应的Tensorflow_gpu版本。
因为兼容CUDA9.0的Tensorflow_gpu最新版本在网上很容易获取，即通过pip install tensorflow_gpu安装的版本是兼容CUDA9.0的。
选择下图中红色箭头标记的exe可执行文件，双击开始安装。
图片.png
默认安装位置不要修改，直接点击确定，如下图红色箭头所示。
图片.png
如下图所示，正在解压安装文件的内容，等待即可。
图片.png
上图完成后，会自动弹出NVIDIA安装程序，如下图所示。
在检查系统兼容性的步骤中，请拨打等待即可。
图片.png
本文作者的显卡是Nvidia RTX2070。如下图所示，安装程序显示未找到兼容的显卡设备。
由于CUDA9.0发布早于RTX2070，所以按理说没有找到仍然可以正常使用，而是安装后发现的。
本文的读者可以直接跳到“许可协议”步骤，这意味着安装程序已经找到了兼容的显卡设备。
单击下图中的红色箭头标记，继续下一步。
图片.png
许可协议不用仔细阅读后点击下图中红色箭头即可进行下一步。
图片.png
选择安装模式精简，点击下图中红色箭头标记，进入下一步。
图片.png
检查下图中上方的红框标记，然后NEXT按钮会亮起。
点击下图中下方红色箭头标记处的NEXT按钮，继续下一步。
图片.png
安装界面显示Preparing for installation，表示正在准备安装。
图片.png
安装过程中的一些截图如下所示。
图片.png
安装完成后，安装程序界面如下图所示。
点击下图中下方红色箭头标记处的下一步。
图片.png
结束界面中的两个可选选项不用勾选。
点击下图中下方红色箭头标记处的关闭，完成CUDA9.0的安装。
image.png
5.安装cudnn7.3
使用解压软件将压缩文件cudnn-9.0-windows10-x64-v7.3.1.20.zip解压到自然文件夹中。
具体操作图如下所示：
图片.png
解压后，如下图所示，cuda9.0下载文件夹中多了一个文件夹cuda。
图片.png
进入文件夹cuda，如下图所示。
文件夹cuda中有3 个文件夹：bin、include、lib和1 个文件NVIDIA_SLA_cuDNN_Support.txtimage.png
选择文件夹cuda中的所有文件夹和文件，然后选择复制。
具体操作图如下图所示。
图片.png
读者需要在自己的电脑上找到CUDA的安装路径。如果按照作者的提示进行上一章安装CUDA9.0，路径应该与本文作者相同。
本文作者的CUDA安装路径：C:Program FilesNVIDIA GPUComputing ToolkitCUDAv9.0，如下图所示：
图片.png
将cuda文件夹中复制的3个文件夹和1个文件复制到路径C:Program FilesNVIDIA GPU Compute ToolkitCUDAv9.0
具体操作图如下图所示。
注意，如果下图中的粘贴按钮不可用，请重新复制cuda文件夹的3个文件夹和1个文件
图片.png
如果读者操作正确，粘贴的路径C:Program FilesNVIDIA GPUComputing ToolkitCUDAv9.0的内容将如下图所示。
从下图可以看出，文件NVIDIA_SLA_cuDNN_Support.txt已经成功复制到该路径下。
bin、include、lib这3个文件夹以及路径C:Program FilesNVIDIA GPUComputing ToolkitCUDAv9.0中的文件夹都做成合并。
image.png
6.安装tensorflow_gpu1.10
6.1 运行pip install命令安装本地WHL文件
使用WHL 文件安装python中的库、使用的WHL文件，如下所示。
图片.png
在资源管理器的路径下输入cmd，如下图所示，然后回车，进入cmd工具。
图片.png
读者需要观察此时cmd所在的路径是否为WHL文件所在的路径，如下图所示。
图片.png
在cmd中输入命令：pip installtensorflow_gpu-1.10.0-cp36-cp36m-win_amd64.whl，然后按Enter键运行命令。
下图中，红色箭头标记上方表示cmd中运行的命令。
下图中，红色箭头标记下方表示成功安装。
image.png
6.2 运行pip install命令安装msgpack库
考虑到有些读者可能没有安装运行tensorflow所需的msgpack库。
在cmd中输入命令：pip install msgpack，然后回车运行该命令。
图片.png
至此，所有需要安装的软件和库就已经完成了。接下来只需测试运行环境是否可以使用即可。
7.测试运行环境
7.1 新建文本文件
在文件夹中创建一个新的文本文件。具体操作图如下所示：
image.png
7.2 编辑代码
打开上一节中的文本文件并将以下代码复制到其中。
导入张量流astf
你好=tf.constant("你好，张量流！")
会话=tf.Session()
print(session.run(hello))的具体操作图如下所示：
图片.png
复制完成后，保存并退出。
7.3 重命名文件
首先读者需要能够更改代码文件的后缀名，点击查看，位置如下图红色箭头所示。
【高效构建深度学习开发环境指南】相关文章：
2.米颠拜石
3.王羲之临池学书
8.郑板桥轶事十则
用户评论
终于动手研究深度学习了！
有10位网友表示赞同！
想知道搭建环境需要哪些软件？
有14位网友表示赞同！
之前一直没搭建过深度学习环境，感觉有点茫然。
有5位网友表示赞同！
推荐什么平台好用的深度学习环境呢？
有10位网友表示赞同！
搭建深度学习环境这么难吗？
有15位网友表示赞同！
看别人说搭建环境要花很久时间，我是不是要准备充足的精神？
有20位网友表示赞同！
希望这篇文章能够详细讲解每个步骤。
有13位网友表示赞同！
自己动手搭建环境更有成就感吧！
有8位网友表示赞同！
看了标题感觉这篇文章应该很全面。
有5位网友表示赞同！
深度学习环境搭建真是绕了一个弯才发现这么多知识点啊。
有14位网友表示赞同！
不知道适合我目前配置的深度学习环境是哪种？
有10位网友表示赞同！
希望这个教程可以帮我解决搭建过程中遇到的问题!
有12位网友表示赞同！
这篇文章会不会讲到一些常见的错误和解决方案？
有19位网友表示赞同！
最近要学习深度学习，搭建环境可是首要任务。
有16位网友表示赞同！
终于有机会好好了解一下深度学习的环境搭建！
有17位网友表示赞同！
感觉这篇教程应该可以快速上手！
有15位网友表示赞同！
深度学习越来越流行了，搭建环境的重要性就更大了。
有11位网友表示赞同！
之前一直用别人的环境，现在想自己搭建一把。
有9位网友表示赞同！
这篇文章会不会附带一些代码示例？
有18位网友表示赞同！
希望文章能够详细介绍不同平台的差异性。
有19位网友表示赞同！