anaconda环境tensorflow2.4.1+CUDA11.2+cndnn11.3安装全过程py3.8

全过程py3.8"/>

anaconda环境tensorflow2.4.1+CUDA11.2+cndnn11.3安装全过程py3.8

项目场景：

于2021.05。09安装相关内容，耗时几天，最终能成功运行mnist测试集。以下纪录安装的细节：

重点是安装好三大件，配置好环境变量。

博主「LoveMIss-Y」的jupyter notebook使用教程十分完善，建议使用。

安装流程其它答主已有讲解。在此为组合一下：
（博主「一直努力的喜羊羊」的作为参照，但安装这个安装出现了一些问题，故又到处收集其他博主的重新安装一遍）

1
首先安装答主林木森^~的内容。
注意：
anaconda去官网自行下载最新即可。
CUDA安装前确认自己的驱动版本。
cuDNN注册采用侵权邮箱即可。多等等，网页反应迟钝。

2
新建一个环境，安装tensorflow2.4.1。
注意，我们需要新建环境变量，参考博主「猫奴一号_」，
其他操作不进行（即新建例子中TF2即可）。
（环境变量的新建也可以直接从anaconda中进行，自行学习。）

然后继续输入博主「Caleb_L」的
pip install --index-url tensorflow
命令安装。
一定要在该新建的环境中安装（此处为TF环境）。不然会有奇奇怪怪的bug。（因为清华源安装会在后续丢掉一个kernel的安装，故采用豆瓣源）

3
此时基本的三大件已经安装完毕。但是我们在运行的时候依旧出现了一些问题。

我们想在jupyter notebook打开我们的环境，采用博主[「mao天空之城」]()的方法，以后都可以直接在win页面直接打开。

发现我们import函数时报错，没有matplotlib、keras等函数。
使用conda的方式安装，打开anaconda prompt，输入conda install keras回车，然后输入y回车。
也可以直接在anaconda中左侧选中environments，选对应的环境变量，然后在all中搜索对应的module下载即可。

4
出现了奇奇怪怪的报错，基本上直接复制报错内容都能在CSDN找到。

版权声明：本文为CSDN博主**「LoveMIss-Y」**的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：

版权声明：本文为CSDN博主**「一直努力的喜羊羊」**的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：

版权声明：本文为CSDN博主**「林木森^~」**的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：

版权声明：本文为CSDN博主**「猫奴一号_」**的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：

版权声明：本文为CSDN博主**「Caleb_L」**的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：

版权声明：本文为CSDN博主**「mao天空之城」**的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：

另外附上测试集：

```python
#导入库
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
gpus = tf.config.experimental.list_physical_devices('GPU')
tf. config.experimental.set_memory_growth(gpus[0],True)#加载数据集
mnist=tf.keras.datasets.mnist
(train_x,train_y), (test_x,test_y) = mnist.load_data()
print (train_x.shape)
print (train_y.shape)
print(test_x.shape)
print(test_y.shape)#数据集预处理
type(test_x),type(test_y)
X_train, X_test = tf.cast(train_x, dtype=tf.float32)/255.0,tf.cast(test_x,dtype=tf.float32)/255.0
y_train,y_test = tf.cast(train_y,dtype=tf.int32),tf.cast(test_y,dtype=tf.int32)X_train = train_x.reshape (60000, 28, 28, 1)
X_test = test_x.reshape(10000,28, 28, 1)
print(X_train.shape)
print(X_test.shape)#建立模型
model=tf.keras.Sequential([
# unit 1
tf.keras.layers.Conv2D(16, kernel_size=(3,3), padding='same' ,activation=tf.nn.relu, input_shape= (28,28,1)),
tf.keras.layers.MaxPool2D(pool_size=(2,2)),# unit 2
tf.keras.layers.Conv2D(32,kernel_size=(3,3), padding='same', activation=tf.nn.relu),
tf.keras.layers.MaxPool2D(pool_size=(2, 2)),# unit 3
tf.keras.layers.Flatten(),# unit 4
tf.keras.layers.Dense(128,activation= 'relu'),
tf.keras.layers.Dense(10,activation='softmax')])#查看摘要
model.summary()#配置训练方法
modelpile (optimizer='adam',loss= 'sparse_categorical_crossentropy',metrics=['sparse_categorical_accuracy']
)#训练模型
model.fit(X_train,y_train,batch_size=64,epochs=5,validation_split=0.2)
#评估模型
model.evaluate(X_test,y_test,verbose=2)