前言
前几天，我们刚下发了毕业设计的题目，我选的题目为基于TensorFlow的深度学习与研究，这将会是一个系列文章，截止2020-07我会将所有相关内容用更加通俗易懂的方式发布在公众平台上，我们一块学习，让我们嗨起来~。
工欲善其事，必先利其器。今天这篇文章，我们就先学习如何在Windows、Linux上搭建开发环境。
1 Windows下环境搭建
1. 安装Python环境
进入官网，根据个人电脑系统选择合适的发行版本进行安装，以下是两点提示：
- 选择Python3.x版本
- 下载好之后进行安装的时候，记住勾选Add Python 3.x to PATH可选项。
官网地址：
https://www.python.org/downloads/windows/
按照上述步骤安装好之后，我们通过命令行检测一下是否安装成功。
打开命令行工具，输入如下命令：
python --version
若能显示出版本号，则证明安装正确。（：因为我之前已经安装了Anaconda，所以后面也会显示Anaconda的相关信息，小伙伴们在自己的电脑上只要看到Python版本信息就好了哦，不用跟我一样哒~
2. Anaconda下载
haha，首先介绍下Anaconda，Anaconda是Python的一个科学计算发行版，内置了上千个Python经常会用到的库，包括Scikit-learn、Numpy、Scipy、Pandas等。
因为Anaconda是一个国外网站，所以我推荐大家通过镜像去进行安装。当然，如果你想通过官网下载，也没有是问题滴~进入官网，选择合适的发行版本进行安装即可~
官网地址:
https://www.anaconda.com/distribution/#download-section
ok，我们重点来说如何通过镜像去安装，这里我们采用清华的镜像。
地址：
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
这里建议小伙伴们安装3-4.2版本，因为这个版本对于我们初学者比较友好，简单介绍下Anaconda3-4.2.0-Windows-x86.exe文件名含义：
- 3-是Python版本3.x
- Windows-x86是32位系统
- Windows-x86_64是64位系统
大家记住自行根据电脑实际情况进行安装，不必跟我一样~
下载好之后，双击进行安装，由于安装方式比较简单（：会给你女朋友装QQ、微信就会装这个，所以这里不再赘述。等安装好之后，按下Windows键，找到如下图所示选项：在以后的开发中，我们将主要使用其中的Anaconda Prompt命令行工具和基于Web的Jupyter Notebook 。
3. 在Anaconda中安装Tensorflow
国外网络有时太慢，可以通过配置把下载源改为国内的，通过conda config命令生成配置文件，这里使用清华的镜像源。
地址如下：
https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
First of all，打开Anaconda Prompt窗口，执行命令：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
In addition，执行命令：
conda config --set show_channel_urls yes
last but not least，在用户目录底下找到.condarc文件，用编辑软件打开.condarc文件，删除第三行 -defaults，保存文件。
修改好镜像源之后，我们可以安装TensorFlow了：
- 安装普通版TensorFlow命令为:
conda install tensorflow
- 安装GPU版TensorFlow命令为:
conda install tensorflow -gpu
为便于学习，建议大家安装普通版即可，在安装的过程中：大家按照图中提示，选择y即可。
4.测试TensorFlow是否安装成功
打开Jupyter，新建Python3文件，我们看图说话：
打开之后，我们新建一个py文件，写一段测试代码跑一跑。
哎呦，好开心，一把就跑通了~真厉害o(*￣▽￣*)ブ 赶紧喝两口RIO，慰劳一下自己贴心的我把跑测试的代码贴到下面，有没有想要夸我的冲动
import tensorflow as tf hello = tf.constant('Hello, TensorFlow!') sess = tf.Session() print(sess.run(hello))
2 Linux下环境搭建
目前，TensorFlow社区推荐的安装和运行环境是Ubuntu，它同时也支持Mac和Windows上的安装部署。
因为在深度学习的计算过程中，大量操作是向量和矩阵的计算，而GPU在向量和矩阵计算速度方面比CPU有一个数量级的提升，并且深度学习在GPU上的运算效率更高，所以推荐在配有GPU的机器上运行TensorFlow程序。
你说巧不巧，我在腾讯刚好有一台Linux服务器，刚好借用它老人家来写写教程（：我真爱学习O(∩_∩)O，夸我
1.Python3环境安装
CentOS系统本身默认安装有Python2.x，版本x根据不同版本系统有所不同，可通过 python --V 或 python --version 查看系统自带的Python版本。
有一些系统命令时需要用到Python2，不能卸载。
- 安装依赖包
- 首先安装gcc编译器，gcc有些系统版本已经默认安装，通过如下命令查看：
gcc --version
- 没安装的先安装gcc：
yum -y install gcc
- 安装其它依赖包，（注：不要缺少，否则有可能安装python出错，python3.7.0以下的版本可不装 libffi-devel ）
yum -y install zlib-devel bzip2-devel openssl-devel ncurses-devel sqlite-devel readline-devel tk-devel gdbm-devel db4-devel libpcap-devel xz-devel libffi-devel
- 下载python3.7.0源码，根据需求下载
- 在https://www.python.org/ftp/python/中选择自己需要的python源码包，我下载的是python3.7.0
- 下载
wget https://www.python.org/ftp/python/3.7.0/Python-3.7.0.tgz
- 解压Python-3.7.0.tgz
tar -zxvf Python-3.7.0.tgz
- 建立一个空文件夹，用于存放python3程序
mkdir /usr/local/python3
- 执行配置文件，编译，编译安装
cd Python-3.7.0 ./configure --prefix=/usr/local/python3 make && make install
- 安装完成没有提示错误便安装成功了
- 建立软连接
ln -s /usr/local/python3/bin/python3.7 /usr/bin/python3 ln -s /usr/local/python3/bin/pip3.7 /usr/bin/pip3
- 测试一下python3是否可以用，见证一下Linux下Python版本的Hello World!
2.CentOS中安装TensorFlow
注意用yum安装，不要卸载之前的python2，否则系统会出问题。安装完毕后会有如下命令：/usr/bin/python3，注意不要做软连接python3到python，原因还是centos要使用python2作为默认工具。这里不用理会，因为下面的virtualenv会自动对应python3.
下面这些不看本文也可以，把TensorFlow官网安装文档中的apt-get换成yum就行。
- 安装需要的东西
sudo yum -y install epel-release sudo yum -y install gcc gcc-c++ python3-pip python-devel atlas atlas-devel gcc-gfortran openssl-devel libffi-devel
注意：这里的python3-pip对应了python3
- 安装virtualenv
use pip or pip3 as you prefer for python or python3
pip3 install --upgrade virtualenv virtualenv --system-site-packages ~/venvs/tensorflow
- 启动virtualenv
source ~/venvs/tensorflow/bin/activate
注意：每次都需要启动这个虚拟环境来跑TensorFlow
- 在virtualenv中安装TensorFlow
pip3 install --upgrade tensorflow
安装好之后，我们写一段测试代码跑一跑：
ok，若能看到版本信息，就证明安装成功。
3 一点说明
到此为止，对于Windows和Linux两种平台下TensorFlow的安装就到此over。
可能有的小伙伴会问：我在书上看到还要安装GPU啊啥的，对的，小伙伴提的问题很好，证明你仔细看书了，这里我做如下解释：
深度学习中大量的操作是向量和矩阵的运算，而GPU在向量和矩阵计算速度方面比CPU有一个数量级的提升，并且深度学习在GPU上的运算效率更高，但是，听好了，我说但是，我们的项目用CPU跑就足够了~
