Anaconda + Jupyter Notebook 下创建 Python3.7 + Tensorflow 2.1 + Keras 2.3.1 + Cudatoolkit 10.1 + Cudnn 7.6 环境

1. 创建虚拟环境

conda create –n py37-keras python=3.7

2. 激活虚拟环境

conda activate py37-keras

3. 安装ipykernel

使用conda install ipykernel 安装jupyter notebook 的插件，该插件能让我们在notebook里自主切换anaconda中的环境

4. 安装tensorflow-gpu

使用conda install tensorflow-gpu 可根据当前python版本，选择合适的tensorflow-gpub版本，并自动关联安装合适的cudatoolkit 和 cudnn ，而不需要去官网下载exe文件并配置环境变量等等，十分方便。

PS:这种方法得到的cuda是不完整的，例如使用nvcc -V将无法显示当前cuda版本。

以下代码能测试tensorflow是否能够调用GPU。

import tensorflow as tf

print(tf.test.gpu_device_name())
print(tf.test.is_gpu_available())

若成功，得到的结果应是

5. 安装keras

使用conda install kears 自动安装对应版本keras

6. 安装完成，进行测试

jupyter notebook 打开 notebook，以一份CNN代码进行测试。

import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense,Dropout,Convolution2D,MaxPooling2D,Flatten 
#二维卷积、二维最大池化、扁平化(二维->一维)
from keras.optimizers import Adam   # 优化器

#载入数据集
(train_data,train_label),(test_data,test_label) = mnist.load_data()
#(60000, 28, 28)------->(60000, 784)  转化数据格式(扁平化)
train_data = train_data.reshape(-1,28,28,1)/255.0  #除以255是做归一化 1表示图像深度
test_data = test_data.reshape(-1,28,28,1)/255.0   #-1会自动进行匹配，也可以写60000
#将标签转化为one hot编码,
#one hot会将每一个标签用唯一的形式进行表示
train_label = np_utils.to_categorical(train_label,num_classes=10)
test_label = np_utils.to_categorical(test_label,num_classes=10)


#创建模型，输入784个神经元，输出10个神经元
model = Sequential()

# 第一个卷积层
# input_shape输入平面
# kernel——size 卷积窗口大小
# padding padding方法 same or valid
# activation 激活函数
model.add(Convolution2D(
    input_shape = (28,28,1),
    filters = 32,   #32个特征图
    kernel_size = 5,   # 卷积窗口大小为5
    strides = 1,       # 步长为1
    padding = 'same',    # 用same padding ，得到的图片与输入的图片大小是一样的
    activation = 'relu'
))
# 第一个池化层
model.add(MaxPooling2D(   
    pool_size = 2,
    strides = 2,    # 出来的特征图为14*14大小
    padding = 'same', 
))

#第二个卷积层 64个滤波器（卷积核），卷积窗口大小为5*5
#经过第二个卷积层后，有64个特征图，每个特征图为14*14
model.add(Convolution2D(64,5,strides = 1, padding='same',activation='relu'))

# 第二个池化层，经过第二个池化层以后，得到的图大小为7*7
model.add(MaxPooling2D(2,2,'same'))  

# 把第二个池化层的输出扁平化为1维 64*7*7
model.add(Flatten())

# 第一个全连接层 
model.add(Dense(1024,activation = 'relu')) 
#Dropout
model.add(Dropout(0.5))

#第二个全连接层，由于是输出层，所以使用softmax做激活函数
model.add(Dense(10,activation='softmax'))

#定义优化器
adam = Adam(lr=0.001)
# 优化器，loss function，训练过程中的准确率
model.compile(optimizer = adam,
              loss='categorical_crossentropy',
              metrics=['accuracy']
             )
#开始训练
model.fit(train_data,train_label,batch_size=32,epochs=10)

#评估模型
loss,accuracy = model.evaluate(test_data,test_label)

print('
test loss: ',loss)
print('
accuracy',accuracy)

运行结果如下：