一、简介

此篇教程记录笔者搭建深度学习环境的详细过程+研究MNIST
MNIST问题看作深度学习的“Hello World”

硬件：
笔记本电脑，GPU为NVIDIA GTX1060
软件：
Windows10+Anaconda+tensorflow_gpu-2.1.0+CUDA10.1+cuDNN7.6+Keras2.3.1/Pytorch+Jupyter Notebook/Pycharm+MNIST

二、环境安装

2.1 Anaconda的安装

2.1.1Anaconda下载安装

Anaconda是深度学习必备的一款软件，可方便我们同时创建多个虚拟环境。
官网下载网址：https://www.anaconda.com/products/distribution#Downloads

根据个人情况下载，笔者下的是Windows python3.9。点击安装。
下载安装参考教程：https://blog.csdn.net/fan18317517352/article/details/123035625

2.1.2配置Anaconda源

通常anaconda的默认源在境外，下载速度会非常慢甚至导致网络错误下载包失败，打开Anaconda Powershell Prompt使用以下方法将清华镜像添加到anaconda。

#配置国内清华源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ 
#显示源地址
conda config --set show_channel_urls yes

示例：

2.1.3 Anaconda相关命令

笔者只列出常用的几个，其它命令可自行百度了解。

#创建虚拟环境
#创建一个名为env_name，python版本为3.7的虚拟环境
conda create -n env_name python=3.7

示例：

#进入虚拟环境
conda activate env_name
#退出当前环境
conda deactivate env_name
#删除环境
conda remove -n 环境名 --all

2.2安装CUDA和cuDNN

• CUDA。用于GPU的一组驱动程序，它让GPU能够运行底层编程语言来进行并行计算。
• cuDNN。用于深度学习的高度优化的原语库。使用cuDNN并在GPU上运行时，通常可以将模型的训练速度提高50%到100%

2.2.1写在前面

tensorflow分为CPU和支持GPU版本。只有NIVIDIA显卡支持tensorflow gpu版本，并且显卡的算力不能太低的，要求其Compute Capability须不低于3.5。笔者的显卡是1060。
官网列出支持的GPU:https://developer.nvidia.com/cuda-gpus
笔者截图显示部分支持的显卡，具体情况可参考上面的网址。

提醒：只有先确定安装的tensorflow版本，相应的Python，Keras，CUDA和cuDNN安装版本即可确定。否则版本不匹配，会报错。
tensorflow官网推荐:https://tensorflow.google.cn/install/source_windows

tensorflow和keras版本对应：

笔者准备安装tensorflow_gpu-2.1.0，故需要安装Python3.7，CUDA10.1，cuDNN7.6，keras2.3.1。

2.2.2下载安装CUDA和cuDNN

CUDA官网下载：https://developer.nvidia.com/cuda-toolkit-archive

cuDNN官网下载:https://developer.nvidia.cn/rdp/cudnn-archive
cuDNN需要注册账号才能下载。

B站安装教程：https://www.bilibili.com/video/BV1ov41137Z8?p=4
B站看到的视频，很详细。仅在此列出安装建议。

2.2.2.1安装tips

1、安装cuda_10.1.105_418.96_win10.exe文件时，以管理员身份运行。笔者默认路径安装。

2、CUDA选择自定义安装。组件的新版本如果比当前的版本低，建议就不要勾选。

3、CUDA安装位置。
ps：图1是视频里的，图2是笔者自己的安装路径。
图1：

图2：

4、测试CUDA是否成功安装。

5、安装cuDNN
将下载的压缩包解压

复制这三个文件

粘贴至此。
至此cuDNN已安好。

2.3安装tensorflow_gpu

2.3.1创建虚拟环境

#创建一个名为tf5，python版本为3.7的虚拟环境
conda create -n tf5 python=3.7

列出现存的虚拟环境
conda env list

#激活虚拟环境
conda activate tf5

2.3.2安装tensorflow_gpu-2.1.0

#安装tensorflow_gpu-2.1.0，安装源为豆瓣
pip install tensorflow_gpu==2.1.0 -i https://pypi.douban.com/simple --trusted-host pypi.douban.com

2.3.3pycharm测试是否成功安装tensorflow_gpu-2.1.0

1、建一个空文件夹，用pycharm打开。

2、解释器修改为我们刚建立的anaconda虚拟环境tf5中的python.exe。

3、测试是否安装成功

#网上找的测试代码
import tensorflow as tf
import os
#os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
a = tf.constant(1.)
b = tf.constant(2.)
print(a+b)
print(tf.__version__)
print('GPU:', tf.config.list_physical_devices('GPU'))
print(tf.test.is_gpu_available())

运行测试代码，发现报错。

复制报错代码，在网上搜索，发现是protobuf版本过高。
网上教程：https://blog.csdn.net/weixin_44834086/article/details/125090000

#进入虚拟环境
#卸载高版本的protobuf
pip uninstall protobuf

#安装低版本protobuf
pip install protobuf==3.19.0

此时再运行测试代码即可成功运行。

2.4安装Keras

#进入虚拟环境，安装keras
pip install keras==2.3.1

2.5安装Jupyter Notebook

2.5.1安装

• Jupyter笔记本：运行深度学习实验的首选方法
• notebook是Jupyter Notebook应用生成的文件，可以在浏览器中编辑。
• 笔记本还可以将冗长的实验代码拆分为可独立执行的短代码，这使得开发具有交互性，而且后面的代码出现问题，你也不必运行前面的所有代码。

#进入虚拟环境，安装jupyter notebook
pip install jupyter notebook
#将虚拟环境添加到jupyter中，其中“new”为虚拟环境在jupyter中显示的名称，与虚拟环境名称可不一致，可自行设置
python -m ipykernel install  --name= new

2.5.2运行jupyter notebook

1、anaconda自带jupyter notebook，点Launch。

2、打开的网页中选择我们创建的虚拟环境tf5。

下面为成功显示：

三、深度学习实例–MNIST数据集

• 用的代码示例为《Python 深度学习》，在P21。