anaconda3，python3.7，pycharm安装配置

"　　默认（pycharm已经安装；window10版本64位）

首先，通俗讲解一下三者关系:

pycharm是用来提高代码高亮的（高亮就是关键字的颜色）以及格式化的

anaconda是提供python运行环境，还有一些常用的python计算库

tensorflow目前我了解到是深度学习的框架

首先安装anaconda，这个有官网，但是我试了几次登不进去，于是换用清华开源镜像网站（能进官网进官网）

https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

里面版本很多，就找windows的64位的

完成下载之后，双击下载文件，启动安装程序。

注意：
1. 如果在安装过程中遇到任何问题，那么暂时地关闭杀毒软件，并在安装程序完成之后再打开。
2. 如果在安装时选择了“为所有用户安装”，则卸载Anaconda然后重新安装，只为“我这个用户”安装。

选择“Next”。
阅读许可证协议条款，然后勾选“I Agree”并进行下一步。
除非是以管理员身份为所有用户安装，否则仅勾选“Just Me”并点击“Next”。
在“Choose Install Location”界面中选择安装Anaconda的目标路径，然后点击“Next”。

注意：
1. 目标路径中不能含有空格，同时不能是“unicode”编码。
2. 除非被要求以管理员权限安装，否则不要以管理员身份安装。

在“Advanced Installation Options”中不要勾选“Add Anaconda to my PATH environment variable.”（“添加Anaconda至我的环境变量。”）。因为如果勾选，则将会影响其他程序的使用。如果使用Anaconda，则通过打开Anaconda Navigator或者在开始菜单中的“Anaconda Prompt”（类似macOS中的“终端”）中进行使用。

除非你打算使用多个版本的Anaconda或者多个版本的Python，否则便勾选“Register Anaconda as my default Python 3.6”。

然后点击“Install”开始安装。如果想要查看安装细节，则可以点击“Show Details”。
点击“Next”。
进入“Thanks for installing Anaconda!”界面则意味着安装成功，点击“Finish”完成安装。

注意：如果你不想了解“Anaconda云”和“Anaconda支持”，则可以不勾选“Learn more about Anaconda Cloud”和“Learn more about Anaconda Support”。

验证安装结果。可选以下任意方法：
1. “开始 → Anaconda3（64-bit）→ Anaconda Navigator”，若可以成功启动Anaconda Navigator则说明安装成功。
2. “开始 → Anaconda3（64-bit）→ 右键点击Anaconda Prompt → 以管理员身份运行”，在Anaconda Prompt中输入conda list，可以查看已经安装的包名和版本号。若结果可以正常显示，则说明安装成

打开 “开始——>输入Anaconda Prompt——>黑框中输入”

输入” conda env list “查看我的的虚拟环境

第一次打开是只有第一个的，我们输入“conda create -n xxx python=3.x”

例如：“conda create -n tensorflow python=3.7”

建立了一个名为“tensorflow”的python版本为3。7.*的虚拟环境

再输入 “activate tensorflow”进如我们新建的环境中

安装CPU的TensorFlow命令：
conda install tensorflow

安装GPU版本的TensorFlow命令：
conda install tensorflow-gpu

最后一步，在pycharm中配置anaconda环境

打开

找到setting，进去后找到project interpreter，点击最右边的齿轮，选择add

点击apply——>ok

测试是否成功

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
//保存pb
with tf.compat.v1.Session(graph=tf.Graph()) as sess:
    x = tf.compat.v1.placeholder(tf.int32, name='x')
    y = tf.compat.v1.placeholder(tf.int32, name='y')
    b = tf.Variable(1, name='b')
    xy = tf.multiply(x, y)
    # 这里的输出需要加上name属性
    op = tf.add(xy, b, name='op_to_store')
    sess.run(tf.compat.v1.global_variables_initializer())
    # convert_variables_to_constants 需要指定output_node_names，list()，可以多个
    constant_graph = tf.compat.v1.graph_util.convert_variables_to_constants(sess, sess.graph_def, ['op_to_store'])
    # 测试 OP
    feed_dict = {x: 10, y: 3}
    print(sess.run(op, feed_dict))
    # 写入序列化的 PB 文件
    with tf.compat.v1.gfile.FastGFile('model.pb', mode='wb') as f:
        f.write(constant_graph.SerializeToString())

//加载pb并运行
# tf.compat.v1.disable_eager_execution()
# sess = tf.compat.v1.Session()
# with tf.compat.v1.gfile.GFile('model.pb', 'rb') as f:
#     graph_def = tf.compat.v1.GraphDef()
#     graph_def.ParseFromString(f.read())
#     sess.graph.as_default()
#     tf.import_graph_def(graph_def, name='') # 导入计算图
# # 需要有一个初始化的过程
# sess.run(tf.compat.v1.global_variables_initializer())
# # 需要先复原变量
# print(sess.run('b:0'))
# # 1
# # 输入
# input_x = sess.graph.get_tensor_by_name('x:0')
# input_y = sess.graph.get_tensor_by_name('y:0')
# op = sess.graph.get_tensor_by_name('op_to_store:0')
# ret = sess.run(op,  feed_dict={input_x: 5, input_y: 5})
# print(ret)

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。