搭建深度學習環境全過程:NVIDIA CUDA CUDNN
https://www.linuxidc.com/Linux/2017-12/149577.htm
/var/lib/docker/overlay2 占用很大，清理Docker占用的磁盤空間，遷移 /var/lib/docker 目錄
du -hs /var/lib/docker/ 命令查看磁盤使用情況。
1 docker system df命令，類似於Linux上的df命令，用於查看Docker的磁盤使用情況:
2 docker system prune命令可以用於清理磁盤，刪除關閉的容器、無用的數據卷和網絡，以及dangling鏡像(即無tag的鏡像)
3 docker system prune -a命令清理得更加徹底，可以將沒有容器使用Docker鏡像都刪掉。注意，這兩個命令會把你暫時關閉的容器，以及暫時沒有用到的Docker鏡像都刪掉了…所以使用之前一定要想清楚.。我沒用過，因為會清理 沒有開啟的 Docker 鏡像。
4 遷移 /var/lib/docker 目錄。
4.1 停止docker服務。
systemctl stop docker
4.2 創建新的docker目錄，執行命令df -h,找一個大的磁盤。 我在 /home目錄下面建了 /home/docker/lib目錄，執行的命令是：
mkdir -p /home/docker/lib
4.3 遷移/var/lib/docker目錄下面的文件到 /home/docker/lib：
rsync -avz /var/lib/docker /home/docker/lib/
4.4 配置 /etc/systemd/system/docker.service.d/devicemapper.conf。查看 devicemapper.conf 是否存在。如果不存在，就新建。
sudo mkdir -p /etc/systemd/system/docker.service.d/
sudo vi /etc/systemd/system/docker.service.d/devicemapper.conf
4.5 然后在 devicemapper.conf 寫入：（同步的時候把父文件夾一並同步過來，實際上的目錄應在 /home/docker/lib/docker ）
[Service]
ExecStart=
ExecStart=/usr/bin/dockerd --graph=/home/docker/lib/docker
4.6 重新加載 docker
systemctl daemon-reload
systemctl restart docker
systemctl enable docker
4.7 為了確認一切順利，運行
docker info
命令檢查Docker 的根目錄.它將被更改為 /home/docker/lib/docker
Docker Root Dir: /home/docker/lib/docker
Debug Mode (client): false
Debug Mode (server): false
Registry: https://index.docker.io/v1/
4.8 啟動成功后，再確認之前的鏡像還在：
linlf@dacent:~$ docker images
REPOSITORY TAG IMAGE ID CREATED SIZE
AAA/AAA v2 7331b8651bcc 27 hours ago 3.85GB
BBB/BBB v1 da4a80dd8424 28 hours ago 3.47GB
4.9 確定容器沒問題后刪除/var/lib/docker/目錄中的文件。
https://blog.csdn.net/qq_37674858/article/details/79976751
https://blog.csdn.net/cmrsautomation/article/details/52857791
/var/lib/docker 目錄占很多空間 導致容器內部 /目錄空間使用量１００％
報錯 Not enough space on parition mounted at /.
處理 docker rm -f 刪除多余的容器 docker ps -a 查看到的
docker system prune -a
修改docker.service文件
cd ``/``etc``/``systemd``/``system``/``multi``-``user.target.wants
vim docker.service
ExecStart=/usr/bin/dockerd --graph=/data/docker --storage-driver=overlay --registry-mirror=https://jxus37ad.mirror.aliyuncs.com -g /data/docker
- --graph=/data/docker：docker新的存儲位置
- --storage-driver=overlay ： 當前docker所使用的存儲驅動
注：存儲驅動貌似不改也會變成overlay
`systemctl daemon``-``reload` `systemctl restart docker`
docker info
Docker Root Dir
centos docker中安裝nvidia驅動 示例
https://www.cnblogs.com/daizuozhuo/p/4643408.html
在centos 機器的Docker里安裝GTX980驅動, 首先安裝Docker和鏡像:
sudo yum install docker
sudo systemctl start docker
sudo docker pull centos
然后去nvidia官方網站下載合適的linux驅動放在當前文件夾內.
在默認情況下Docker是不能訪問任何device的, 為了能在Docker里訪問顯卡,必須加上--privileged=true的選項:
sudo docker run --privileged=true -i -t -v $PWD:/data centos /bin/bash
-v將當前文件夾mount到容器內部的/data目錄里這樣就可以安裝nvidia驅動:
yum install gcc gcc-c++ kmod mesa-libGL-devel mesa-libGLU-devel libGLEW glew-devel freeglut-devel
sh NVIDIA-Linux-x86_64-346.47.run -a -N --ui=none --no-kernel-module
這樣就安裝好了,可以退出來保存一下, sudo docker ps得到container ID, 然后
sudo docker commit $containerID daizuozhuo/nvidia
為了能夠在容器里面打開顯示器,我們還需要在啟動時指定DISPLAY:
sudo docker run --privileged=true -ti -v $PWD:/data -e DISPLAY=:0 -v /tmp/.X11-unix:/tmp/.X11-unix daizuozhuo/nvidia /bin/bash
可以在Docker里跑用到GPU的程序了.
注意：使用這種方式運行容器
nvidia-docker run -it --rm ananconda-nvidia-smi /bin/bash
(base) root@c80747142330:/# nvidia-smi
Failed to initialize NVML: Unknown Error
需要執行
nvidia-docker run -it --rm --privileged=true ananconda-nvidia-smi /bin/bash
才能正常使用nvidia-smi
https://www.cnblogs.com/wuchangsoft/p/9767170.html 貌似可以解釋
centos 7 安裝nvidia驅動
起容器命令
nvidia-docker run -it --rm --privileged=true
1 yum install gcc gcc-c++ kmod mesa-libGL-devel mesa-libGLU-devel libGLEW glew-devel freeglut-devel
2 sh NVIDIA-Linux-x86_64-430.40.run -a -N --ui=none --no-kernel-module
是否選擇32位適配版 ，yes
3 nvidia-smi
###cuda
wget http://developer.download.nvidia.com/compute/cuda/10.1/Prod/local_installers/cuda-repo-rhel7-10-1-local-10.1.243-418.87.00-1.0-1.x86_64.rpm
sudo rpm -i cuda-repo-rhel7-10-1-local-10.1.243-418.87.00-1.0-1.x86_64.rpm
sudo yum clean all
sudo yum -y install nvidia-driver-latest-dkms cuda
或網絡安裝
sudo yum-config-manager --add-repo http://developer.download.nvidia.com/compute/cuda/repos/rhel7/x86_64/cuda-rhel7.repo
sudo yum clean all
sudo yum -y install nvidia-driver-latest-dkms cuda
或 runfile
wget http://developer.download.nvidia.com/compute/cuda/10.1/Prod/local_installers/cuda_10.1.243_418.87.00_linux.run
sudo sh cuda_10.1.243_418.87.00_linux.run
#低版本cuda9.0
https://developer.nvidia.com/cuda-90-download-archive?target_os=Linux&target_arch=x86_64&target_distro=CentOS&target_version=7&target_type=rpmlocal
安裝
rpm -i cuda-repo-rhel7-9-0-local-9.0.176-1.x86_64.rpm
yum clean all
yum install cuda
22,nvidia驅動下載
http://us.download.nvidia.com/XFree86/Linux-x86_64/384.130/NVIDIA-Linux-x86_64-384.130.run
驅動向下兼容，下載最新即可
容器內操作
apt-get install gcc kmod
注意：需要安裝 430.40
https://us.download.nvidia.com/XFree86/Linux-x86_64/430.40/NVIDIA-Linux-x86_64-430.40.run
sh NVIDIA-Linux-x86_64-430.40.run -a -N --ui=none --no-kernel-module
nvidia-smi
多余的步驟
起容器 sudo docker run --privileged=true -i -t -v $PWD:/data ubuntu:16.04 /bin/bash
1 apt-get instal gcc gcc-c++ kmod mesa-libGL-devel mesa-libGLU-devel libGLEW glew-devel freeglut-devel
2 apt-get install gcc gcc-c++ kmod mesa-libGL-devel mesa-libGLU-devel libGLEW glew-devel freeglut-devel kmod
5 apt-get update
9 apt-get install gcc
10 sh NVIDIA-Linux-x86_64-384.run -a -N --ui=none --no-kernel-module
11 apt-get install kmod
12 sh NVIDIA-Linux-x86_64-384.run -a -N --ui=none --no-kernel-module
13 nvidia-smi
https://tensorflow.google.cn/install/source#gpu_support_2 支持的tensorflow-gpu cuda cudnn
容器環境變量
鏡像改變為阿里雲源
ENV PATH /usr/local/bin:$PATH
ENV LANG C.UTF-8
ENV TERM xterm
ENV PYTHON_VERSION 3.5.3
ENV name1=ping name2=on_ip
在ENV指令中，可以直接引用如下環境變量：
HOME，用戶主目錄
HOSTNAME，默認容器的主機名
PATH，
TERM，默認xterm
- 由於鏡像的層次文件系統，ENV定義的環境變量在后續層次中才能夠被應用
ENV abc=hello
ENV abc=bye def=$abc
ENV ghi=$abc
上述定義的結果中，def=hello，ghi=bye
3. 啟動容器后，在容器實例中，可以通過env命令查看環境變量
11,編譯安裝ｐython3
apt-get install -y gcc make build-essential libssl-dev zlib1g-dev \
libbz2-dev libreadline-dev libsqlite3-dev wget curl llvm libncurses5-dev \
libncursesw5-dev xz-utils tk-dev libffi-dev liblzma-dev
sudo curl -O https://www.python.org/ftp/python/3.7.1/Python-3.7.1.tar.xz
tar Jxvf Python-3.7.1.tar.xz
apt-get install -y gcc make build-essential libssl-dev zlib1g-dev \
libbz2-dev libreadline-dev libsqlite3-dev wget curl llvm libncurses5-dev \
libncursesw5-dev xz-utils tk-dev libffi-dev liblzma-dev
編譯安裝（安裝到 /usr/python3 ）
mkdir /usr/python3
cd Python-3.7.1
sudo ./configure --enable-optimizations --prefix=/usr/python3.5
sudo make && make install
cd /usr/python3/bin
# 查看 python3 的版本
./python3 -V
./pip3 -V
環境變量
sudo vim /etc/profile
#把 /usr/python3/bin 放在前面, 優先使用里面的命令
export PATH=/usr/python3/bin:$PATH
source /etc/profile
Docker制作Python運行環境基礎鏡像
docker pull ubuntu:16.04
Dockerfle
FROM ubuntu:16.04
MAINTAINER cc-man
#添加python的安裝包
ADD Python-3.5.0.tar.xz /opt
#更新apt
RUN apt-get update && apt-get install -y
#安裝依賴
RUN apt-get install gcc -y && apt-get install make -y \
&& apt-get install vim -y && apt-get install openssl -y \
&& apt-get install libssl-dev -y && apt-get install python3-pip -y
RUN ./opt/Python-3.5.0/configure --prefix=/usr/local/python3.5 \
&& make && make install
RUN mkdir /opt/myApp/
VOLUME ["/opt/myApp/"]
CMD [""]
docker build -t ubuntu-16.04/python:3.5 .
python 源代碼
https://www.python.org/downloads/source/
https://www.python.org/ftp/python/3.5.5/Python-3.5.5.tgz
55tensorflow安裝指定
https://www.cnblogs.com/jason-share/p/6619059.html
pip3 install tensorflow==1.11.0
離線下載安裝
https://pypi.org/project/tensorflow/1.11.0/#files
sudo -H pip3 install --upgrade tensorflow-1.0.1-cp35-cp35m-linux_x86_64.whl
pip install tensorflow-gpu==1.14.0
import tensorflow as tf
tf.__version__
tf.__path__
在線安裝
pip3 install https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.11.0-cp35-cp35m-linux_x86_64.whl
pip3 install -i https://mirrors.aliyun.com/pypi/simple/ https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.11.0-cp35-cp35m-linux_x86_64.whl
keras 2.2.4安裝
https://pypi.org/project/Keras/2.2.4/#modal-close
https://pypi.org/project/Keras/2.2.4/#files
pip3 install -i https://mirrors.aliyun.com/pypi/simple/ Keras==2.2.4
pip3 install Keras==2.2.4
import keras
print(keras.version)
python3 -c 'import keras; print(keras.__version__)'
離線安裝Tensorflow、Keras、OpenCV（任意庫）
https://blog.csdn.net/yjy728/article/details/78826447
國內python源設置
長久
mkdir ~/.pip
vim ~/.pip/pip.conf
[global]
trusted-host=mirrors.aliyun.com
index-url=https://mirrors.aliyun.com/pypi/simple/
臨時使用
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyspider，這樣就會從清華這邊的鏡像去安裝pyspider庫
常見國內源
新版ubuntu要求使用https源，要注意。
清華：https://pypi.tuna.tsinghua.edu.cn/simple
阿里雲：http://mirrors.aliyun.com/pypi/simple/
中國科技大學 https://pypi.mirrors.ustc.edu.cn/simple/
華中理工大學：http://pypi.hustunique.com/
山東理工大學：http://pypi.sdutlinux.org/
豆瓣：http://pypi.douban.com/simple/
離線安裝tensflow，keras
TensorFlow whl 文件
https://pypi.org/project/tensorflow/1.11.0/#files
下載指定的whl文件線下安裝
pip3 install --upgrade tensorflow-1.0.1-cp35-cp35m-linux_x86_64.whl
文檔：
離線安裝Tensorflow、Keras、OpenCV（任意庫）
https://blog.csdn.net/yjy728/article/details/78826447
-----------------------------------------------------------------------------------
第一步安裝Anaconda不變，安裝好之后：
直接運行：
pip install --download "你准備放離線tensorflow安裝包的文件夾地址" tensorflow
pip install --download "你准備放離線keras安裝包的文件夾地址" keras
pip install --download "你准備放離線opencv安裝包的文件夾地址" opencv-python
會自動下載對應Anaconda中python版本的，最新版本的tensorflow、keras、opencv（3.3.0），如無特殊版本要求可以按此方法。
同樣的，第三步也可簡化為：
pip install --no-index --find-links="你的離線tensorflow離線文件夾地址" tensorflow
pip install --no-index --find-links="你的離線keras離線文件夾地址" keras
pip install --no-index --find-links="你的離線opencv離線文件夾地址" opencv-python
-----------------------------------
1.下載Anaconda
https://repo.continuum.io/archive/index.html
下載對應版本的Anaconda
Tips：目前windows只支持python3.5以及3.6版本的，對應的anaconda版本為：4.2.X及4.3.X
注意，，前綴都是Anaconda3！！
例如，選擇4.3.0版本的Anaconda3-4.3.0-Windows-x86_64.exe（python3.6）
2.下載離線的Tensorflow、Keras、Opencv安裝文件（.whl文件）
到任意國內的鏡像站：
阿里雲 http://mirrors.aliyun.com/pypi/simple/
中國科技大學 https://pypi.mirrors.ustc.edu.cn/simple/
豆瓣(douban) http://pypi.douban.com/simple/
清華大學 https://pypi.tuna.tsinghua.edu.cn/simple/
中國科學技術大學 http://pypi.mirrors.ustc.edu.cn/simple/
搜索tensorflow，進入選擇對應條目.
例如阿里雲鏡像站選擇最新的版本，但要注意平台（win）及版本（只能cp35或者cp36），目前最新的文件為：tensorflow-1.3.0rc2-cp36-cp36m-win_amd64.whl
Ubuntu下載對應平台的版本，python版本不限（建議選擇python2.7）。
同樣的方法，下載keras2.1、opencv-python3.2.0
=========
3.下載離線依賴庫
進入你下載的tensorflow本地文件夾，運行
pip install --download "你准備放離線tensorflow安裝包的文件夾地址" tensorflow-1.3.0rc2-cp36-cp36m-win_amd64.whl載keras、opencv
4.離線安裝庫
pip install --no-index --find-links="你的離線tensorflow離線文件地址" tensorflow-1.3.0rc2-cp36-cp36m-win_amd64.whl
同理安裝keras、opencv
5.修復OpenCV(若有問題)
cmd中輸入python
然后依次輸
import tensorflow as tf
import keras as K
import cv2
tensorflow_gpu-1.11.0 python 包位置
https://tensorflow.google.cn/install/pip#%E8%BD%AF%E4%BB%B6%E5%8C%85%E4%BD%8D%E7%BD%AE
軟件包位置 有幾個安裝機制需要您提供 TensorFlow Python 軟件包的網址。您需要根據 Python 版本指定網址。
https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.11.0-cp35-cp35m-linux_x86_64.whl
keras，可以直接pip install keras,它會自動附帶安裝所需的其他庫和Theano，需要注意的是，此時Keras會自動選用TensorFlow作為其后端，而TensorFlow則會在有可用GPU時自動調用GPU運行
報錯
https://www.cnblogs.com/zzb-Dream-90Time/p/9688330.html
導入 tensorflw
tensorflow：ImportError: libcublas.so.9.0: cannot open shared object file: No such file or director
錯誤：ImportError: libcublas.so.9.0: cannot open shared object file: No such file or directory
問題：找不到cuda9.0的版本。
出現該錯誤的主要原因：cuda未安裝或者cuda的版本有問題
https://www.jianshu.com/p/6f54b4f96556
33，cuda 安裝
下載鏈接
https://developer.nvidia.com/cuda-90-download-archive
https://blog.csdn.net/wf19930209/article/details/81879514
https://zhuanlan.zhihu.com/p/28786117
關閉圖形界面
3. 運行cuda文件
首先給cuda可執行權限：
chmod a+x cuda_9.2_linux.run1
運行cuda文件：
https://developer.nvidia.com/compute/cuda/9.0/Prod/local_installers/cuda_9.0.176_384.81_linux-run
*** 容器內安裝 執行 ***
sh cuda_9.0.176_384.81_linux.run --no-opengl-libs --toolkit -silent
添加變量
cuda主要有以下參數：
--no-opengl-libs：表示只安裝驅動文件，不安裝OpenGL文件。必需參數，原因同上。注意：不是-no-opengl-files。
--uninstall (deprecated)：用於卸載CUDA Driver（已廢棄）。
--toolkit：表示只安裝CUDA Toolkit，不安裝Driver和Samples
--help：查看更多高級選項
- 安裝過程的選項選擇
(1). 會先有個閱讀聲明，一直按D即可，然后accept。
(2). 選項install nvidia accelerated Graphics Driver,輸入n，因為我們已經安裝了nvidia的驅動。
(3). 選項install the OpenGL libraries,如果雙顯卡(集顯+獨顯)選擇n，如果只有獨顯可以選擇y，如果雙顯卡選擇y的話，會出現黑屏或者循環登錄的問題，如果加了上面的參數就不會出現這個選項了。
(4). 后面的可以都選擇yes，最后一個選項我們可以選擇n,也就是不復制Samples，因為安裝目錄下有samples。
安裝過程結束后會有以下信息：
Driver ：Installed
Toolkit ：Installed in /usr/local/cuda-9.2
Samples ：Installed in /home/vincent
代表安裝完成，但是不代表成功。這時需要重啟。
- 驗證cuda是否成功安裝
重啟進入界面，打開終端輸入：
export PATH="/usr/local/cuda-9.0/bin:$PATH"
export LD_LIBRARY_PATH="/usr/local/cuda-9.0/lib64:$LD_LIBRARY_PATH"
這兩條命令是將cuda的bin文件和lib導出到系統環境中。
如果安裝的版本不是一樣的，更換路徑中的cuda-9.2。
(1). 終端輸入：
nvcc -V
如果有CUDA的版本信息代表正常。
(6). 將cuda的bin和lib寫入系統環境
打開~.bashrc文件在末尾追加兩句：
export CUDA_HOME=/usr/local/cuda-9.2
export LD_LIBRARY_PATH=/usr/local/cuda-9.2/lib64:$LD_LIBRARY_PATH
export PATH=/usr/local/cuda-9.2/bin:$PATH
然后退出重新打開終端即可
cuda centos 安裝
不行
https://www.cnblogs.com/xiaochina/p/10631522.html
https://developer.nvidia.com/compute/cuda/9.0/Prod/local_installers/cuda-repo-rhel7-9-0-local-9.0.176-1.x86_64-rpm
rpm -i cuda-repo-rhel7-9-0-local-9.0.176-1.x86_64.rpm
yum clean all && yum makecache
yum install cuda
安裝過程
15 yum localinstall cuda-repo-rhel7-9-0-local-9.0.176-1.x86_64.rpm
16 yum clean all && yum makecache
17 yum install cuda
18 yum install dkms
19 wget http://download-ib01.fedoraproject.org/pub/epel/7/x86_64/Packages/d/dkms-2.7.1-1.el7.noarch.rpm
20 yum install wget
22 wget http://download-ib01.fedoraproject.org/pub/epel/7/x86_64/Packages/d/dkms-2.7.1-1.el7.noarch.rpm
23 yum localinstall dkms-2.7.1-1.el7.noarch.rpm
24 yum install -y cuda
設置環境變量
vim /etc/profile
export CUDA_HOME="/usr/local/cuda-9.0"
export PATH=$CUDA_HOME:$PATH
export LD_LIBRARY_PATH=$CUDA_HOME:$LD_LIBRARY_PATH
source /etc/profile
報錯
在安裝cuda的時候，有時候會提示toolkit installation failed using unsupported compiler。這是因為GCC版本不合適所導致的。
解決的方法很簡單，直接在安裝命令之后加-override再安裝，一般來說就沒什么問題了。如：
sudo ./cuda_6.0.37_linux_64.run -override
accept
安裝toolkit
其他n
tensorflow
https://www.tensorflow.org/install/source#common_installation_problems
https://www.tensorflow.org/install/source_windows
tensorflow與cuda cudnn 的依賴關系
安裝TensorFlow 1.12、Keras 2.2.4、Pytorch0.4.2-GPU最新版
http://ask.ainoob.cn/article/7322
cuda 9.1.85
https://developer.nvidia.com/compute/cuda/9.1/Prod/local_installers/cuda_9.1.85_387.26_linux
補丁也下載
https://tensorflow.google.cn/install/gpu
NV顯卡驅動+cuda 9.1+cudnn 7.1.2 安裝
https://zhuanlan.zhihu.com/p/41096599
| CUDA Toolkit | Linux x86_64 Driver Version | Windows x86_64 Driver Version |
|---|---|---|
| CUDA 10.1 (10.1.105 general release, and updates) | >= 418.39 | >= 418.96 |
| CUDA 10.0.130 | >= 410.48 | >= 411.31 |
| CUDA 9.2 (9.2.148 Update 1) | >= 396.37 | >= 398.26 |
| CUDA 9.2 (9.2.88) | >= 396.26 | >= 397.44 |
| CUDA 9.1 (9.1.85) | >= 390.46 | >= 391.29 |
| CUDA 9.0 (9.0.76) | >= 384.81 | >= 385.54 |
| CUDA 8.0 (8.0.61 GA2) | >= 375.26 | >= 376.51 |
| CUDA 8.0 (8.0.44) | >= 367.48 | >= 369.30 |
| CUDA 7.5 (7.5.16) | >= 352.31 | >= 353.66 |
| CUDA 7.0 (7.0.28) | >= 346.46 | >= 347.62 |
Linux安裝CUDA的正確姿勢
https://blog.csdn.net/wf19930209/article/details/81879514
UDA、CUdnn不同，所以需要在同一台服務器安裝多個版本
https://www.cnblogs.com/sddai/p/10278005.html
https://www.cnblogs.com/clemente/p/10619235.html
TensorFlow GPU 支持需要各種驅動程序和庫 官網
https://tensorflow.google.cn/install/gpu
https://blog.csdn.net/qq_27825451/article/details/89082978
1.3 如何查看自己所安裝的CUDA的版本：
（1）直接在NVIDIA的控制面板里面查看NVCUDA.DLL的版本。
注意：這里網上有很多說法是錯誤的，這個版本並不能絕對說明自己所安裝的CUDA工具包一定這個版本
（2）通過命令查看：nvcc -V 或者是nvcc --version都可以，但前提是添加了環境變量
（3）直接通過文件查看，這里分為Linux和windows兩種情況
在windows平台下，可以直接進入CUDA的安裝目錄，比如我的是：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.2 里面有一個version.txt的文本文件，直接打開即可，也可以使用命令，即
首先進入到安裝目錄，然后執行：type version.txt 即可查看
在Linux平台下：
同windows類似，進入到安裝目錄，然后執行 cat version.txt 命令
44,cudnn安裝
下載deb
母鏡像 ubuntu1604-py3.5-nvidia-tens1.11-keras2.24
成功的
ubuntu
https://developer.download.nvidia.cn/compute/machine-learning/repos/ubuntu1604/x86_64/
centos
https://developer.download.nvidia.cn/compute/machine-learning/repos/rhel7/x86_64/
yum localinstall libcudnn7-7.4.1.5-1.cuda9.0.x86_64.rpm
dpkg -i
pip3 install --upgrade tensorflow-gpu
不行
tar zxvf cudnn-8.0-linux-x64-v5.1.tgz
看到如下目錄 /cudnn/cuda/targets/ppc64le-linux
NVIDIA_SLA_cuDNN_Support.txt include lib
將 include/ 和 lib64/目錄下的文件拷貝到cuda的安裝目錄下的include/ 和 lib64里面
$ cd ~/src/cuda #解壓后的路徑
$ sudo cp -P include/cudnn.h /usr/local/cuda-9.0/include
$ sudo cp -P lib64/libcudnn* /usr/local/cuda-9.0/lib64
$ sudo chmod a+r /usr/local/cuda-9.0/lib64/libcudnn*
1.4 如何查看自己的cuDNN的版本
因為cuDNN本質上就是一個C語言的H頭文件，
（1）在windows平台下：
直接進入安裝目錄：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.2\include 之下，然后找到
cudnn.h 的頭文件，直接到開查看，在最開始的部分會有如下定義：
2）在Linux下當然也可以直接查看，但是通過命令更簡單，進入到安裝目錄，執行如下命令：
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 即可查詢
二、CUDA與相對應的Cudnn對應關系
Download cuDNN v7.4.2 (Dec 14, 2018), for CUDA 10.0
Download cuDNN v7.4.2 (Dec 14, 2018), for CUDA 9.2
Download cuDNN v7.4.2 (Dec 14, 2018), for CUDA 9.0
Download cuDNN v7.4.1 (Nov 8, 2018), for CUDA 10.0
Download cuDNN v7.4.1 (Nov 8, 2018), for CUDA 9.2
Download cuDNN v7.4.1 (Nov 8, 2018), for CUDA 9.0
Download cuDNN v7.3.1 (Sept 28, 2018), for CUDA 10.0
Download cuDNN v7.3.1 (Sept 28, 2018), for CUDA 9.2
Download cuDNN v7.3.1 (Sept 28, 2018), for CUDA 9.0
Download cuDNN v7.3.0 (Sept 19, 2018), for CUDA 10.0
Download cuDNN v7.3.0 (Sept 19, 2018), for CUDA 9.0
Download cuDNN v7.2.1 (August 7, 2018), for CUDA 9.2
Download cuDNN v7.1.4 (May 16, 2018), for CUDA 9.2
Download cuDNN v7.1.4 (May 16, 2018), for CUDA 9.0
Download cuDNN v7.1.4 (May 16, 2018), for CUDA 8.0
Download cuDNN v7.1.3 (April 17, 2018), for CUDA 9.1
Download cuDNN v7.1.3 (April 17, 2018), for CUDA 9.0
Download cuDNN v7.1.3 (April 17, 2018), for CUDA 8.0
Download cuDNN v7.1.2 (Mar 21, 2018), for CUDA 9.1 & 9.2
Download cuDNN v7.1.2 (Mar 21, 2018), for CUDA 9.0
Download cuDNN v7.0.5 (Dec 11, 2017), for CUDA 9.1
Download cuDNN v7.0.5 (Dec 5, 2017), for CUDA 9.0
Download cuDNN v7.0.5 (Dec 5, 2017), for CUDA 8.0
Download cuDNN v7.0.4 (Nov 13, 2017), for CUDA 9.0
Download cuDNN v6.0 (April 27, 2017), for CUDA 8.0
Download cuDNN v6.0 (April 27, 2017), for CUDA 7.5
Download cuDNN v5.1 (Jan 20, 2017), for CUDA 8.0
Download cuDNN v5.1 (Jan 20, 2017), for CUDA 7.5
Download cuDNN v5 (May 27, 2016), for CUDA 8.0
Download cuDNN v5 (May 12, 2016), for CUDA 7.5
Download cuDNN v4 (Feb 10, 2016), for CUDA 7.0 and later.
Download cuDNN v3 (September 8, 2015), for CUDA 7.0 and later.
Download cuDNN v2 (March 17,2015), for CUDA 6.5 and later.
Download cuDNN v1 (cuDNN 6.5 R1)
三、NVIDIA顯卡以及對應的顯卡驅動的對應關系
由於NVIDIA存在多個系列的顯卡類型，把這里僅僅顯示出GeForce系列的顯卡以及各個顯卡的計算能力（compute capability），詳情可以參考官網鏈接：
https://developer.nvidia.com/cuda-gpus
（2）GeForce Notebook Products（筆記本電腦）
66安裝操作步驟
起容器
nvidia-docker run -it --rm --privileged=true -v $PWD:/data ubuntu-pythonttt1:latest /bin/bash
python3
apt-get -y -q install [packagename] 免交互安裝
7 apt-get install gcc kmod
8 sh NVIDIA-Linux-x86_64-430.40.run -a -N --ui=none --no-kernel-module
9 nvidia-smi
17 sh cuda_9.0.176_384.81_linux.run --no-opengl-libs --toolkit -silent
18 export PATH="/usr/local/cuda-9.0/bin:$PATH"
19 export LD_LIBRARY_PATH="/usr/local/cuda-9.0/lib64:$LD_LIBRARY_PATH"
21 dpkg -i libcudnn7_7.0.5.15-1+cuda9.0_amd64.deb
23 nvcc -V
24 pip3 install -i https://mirrors.aliyun.com/pypi/simple/ https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.11.0-cp35-cp35m-linux_x86_64.whl
26 pip3 install -i https://mirrors.aliyun.com/pypi/simple/ tensorflow_gpu-1.11.0-cp35-cp35m-linux_x86_64.whl
27 pip3 install -i https://mirrors.aliyun.com/pypi/simple/ Keras==2.2.4
77 dockefile
cat Dockerfile
FROM ubuntu:16.04
MAINTAINER yon
ENV PATH /usr/local/cuda-9.0/bin:$PATH
ENV LD_LIBRARY_PATH /usr/local/cuda-9.0/lib64:$LD_LIBRARY_PATH
ADD Python-3.5.5.tgz /opt
ADD sources.list /etc/apt/sources.list
RUN apt-get update && apt-get install -y
#安裝依賴
RUN apt-get install gcc -y && apt-get install make -y \
&& apt-get install vim -y && apt-get install openssl -y \
&& apt-get install libssl-dev -y && apt-get install python3-pip -y
RUN ./opt/Python-3.5.5/configure --prefix=/usr/local/python3.5 \
&& make && make install
COPY libcudnn7_7.0.5.15-1+cuda9.0_amd64.deb /
COPY cuda_9.0.176_384.81_linux.run /
COPY NVIDIA-Linux-x86_64-430.40.run /
COPY tensorflow_gpu-1.11.0-cp35-cp35m-linux_x86_64.whl /
RUN apt-get -y -q install gcc kmod \
&& sh NVIDIA-Linux-x86_64-430.40.run -a -N --ui=none --no-kernel-module \
&& sh cuda_9.0.176_384.81_linux.run --no-opengl-libs --toolkit -silent \
&& dpkg -i libcudnn7_7.0.5.15-1+cuda9.0_amd64.deb \
&& pip3 install -i https://mirrors.aliyun.com/pypi/simple/ tensorflow_gpu-1.11.0-cp35-cp35m-linux_x86_64.whl \
&& pip3 install -i https://mirrors.aliyun.com/pypi/simple/ Keras==2.2.4
CMD [""]
當前目錄下文件
ll
總用量 2086616
-rw-r--r-- 1 root root 1643293725 9月 2 11:46 cuda_9.0.176_384.81_linux.run
-rw-r--r-- 1 root root 1250 9月 3 17:45 Dockerfile
-rw-r--r-- 1 root root 102521974 9月 2 19:18 libcudnn7_7.0.5.15-1+cuda9.0_amd64.deb
-rwxr-xr-x. 1 root root 111258448 8月 21 16:58 NVIDIA-Linux-x86_64-430.40.run
-rw-r--r-- 1 root root 20766931 8月 30 12:15 Python-3.5.5.tgz
-rw-r--r-- 1 root root 720 9月 3 13:55 sources.list
-rw-r--r-- 1 root root 258835666 9月 3 17:17 tensorflow_gpu-1.11.0-cp35-cp35m-linux_x86_64.whl
cat sources.list
deb http://mirrors.aliyun.com/ubuntu/ xenial main
deb-src http://mirrors.aliyun.com/ubuntu/ xenial main
deb http://mirrors.aliyun.com/ubuntu/ xenial-updates main
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-updates main
deb http://mirrors.aliyun.com/ubuntu/ xenial universe
deb-src http://mirrors.aliyun.com/ubuntu/ xenial universe
deb http://mirrors.aliyun.com/ubuntu/ xenial-updates universe
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-updates universe
deb http://mirrors.aliyun.com/ubuntu/ xenial-security main
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-security main
deb http://mirrors.aliyun.com/ubuntu/ xenial-security universe
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-security universe
caffe
與python 搭配
yum install epel-release
yum install leveldb-devel protobuf-devel snappy-devel opencv-devel boost-devel hdf5-devel atlas-devel
yum install gflags-devel glog-devel lmdb-devel
yum install openblas-devel gcc gcc-c++
Anaconda
Anaconda 是一個用於科學計算的 Python 發行版，支持 Linux, Mac, Windows, 包含了眾多流行的科學計算、數據分析的 Python 包。
清華鏡像源
https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/
Anaconda 安裝包可以到 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ 下載。
TUNA 還提供了 Anaconda 倉庫的鏡像，運行以下命令:
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/
conda config --set show_channel_urls yes
即可添加 Anaconda Python 免費倉庫。
運行 conda install numpy 測試一下吧。
Miniconda 鏡像使用幫助
Miniconda 是一個 Anaconda 的輕量級替代，默認只包含了 python 和 conda，但是可以通過 pip 和 conda 來安裝所需要的包。
Miniconda 安裝包可以到 https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/ 下載。
Conda 三方源
當前tuna還維護了一些anaconda三方源。
Conda Forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
msys2
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
bioconda
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
menpo
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
pytorch
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
# for legacy win-64
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/peterjc123/
Anaconda安裝
Anaconda安裝
bash Anaconda2-4.4.0-Linux-x86_64.sh
添加清華鏡像
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/
conda config --set show_channel_urls yes
添加Pytorch鏡像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
1)conda install --channel https://conda.anaconda.org/anaconda tensorflow=1.5.0
2)pip install tensorflow-gpu==1.4.0
conda 安裝 GPU 加速版本的 TensorFlow 時，只需使用命令 conda install tensorflow-gpu，這些庫就會自動安裝成功，且版本與 tensorflow-gpu 包兼容。此外，conda 安裝這些庫的位置不會與通過其他方法安裝的庫的其他實例產生沖突
\1. 首先獲取anaconda可獲取的Tensorflow版本
anaconda search -t conda tensorflow
\2. 獲取想要安裝的版本的安裝方式
anaconda show +想要安裝的版本
\3. 執行命令安裝即可
- Pytorch安裝
conda install pytorch1
- tensorflow 安裝
pip install tensorflow==1.4.11
- keras 安裝
pip install keras==2.1.0
- 新h5py
pip install h5py==2.8.0rc1
介紹
Anaconda 就是可以便捷獲取包且對包能夠進行管理，同時對環境可以統一管理的發行版本。Anaconda包含了conda、Python在內的超過180個科學包及其依賴項。
① Anaconda
Anaconda是一個包含180+的科學包及其依賴項的發行版本。其包含的科學包包括：conda, numpy, scipy, ipython notebook等。
② conda
conda是包及其依賴項和環境的管理工具。
適用語言：Python, R, Ruby, Lua, Scala, Java, JavaScript, C/C++, FORTRAN。
適用平台：Windows, macOS, Linux
用途：
快速安裝、運行和升級包及其依賴項。
在計算機中便捷地創建、保存、加載和切換環境。
如果你需要的包要求不同版本的Python，你無需切換到不同的環境，因為conda同樣是一個環境管理器。僅需要幾條命令，你可以創建一個完全獨立的環境來運行不同的Python版本，同時繼續在你常規的環境中使用你常用的Python版本
conda為Python項目而創造，但可適用於上述的多種語言。
conda包和環境管理器包含於Anaconda的所有版本當中。
③ pip
pip是用於安裝和管理軟件包的包管理器。
pip編寫語言：Python。
Python中默認安裝的版本：
Python 2.7.9及后續版本：默認安裝，命令為pip
Python 3.4及后續版本：默認安裝，命令為pip3
pip名稱的由來：pip采用的是遞歸縮寫進行命名的。其名字被普遍認為來源於2處：
“Pip installs Packages”（“pip安裝包”）
“Pip installs Python”（“pip安裝Python”）
④ virtualenv
virtualenv：用於創建一個獨立的Python環境的工具。
解決問題：
當一個程序需要使用Python 2.7版本，而另一個程序需要使用Python 3.6版本，如何同時使用這兩個程序？
如果將所有程序都安裝在系統下的默認路徑，如：/usr/lib/python2.7/site-packages，當不小心升級了本不該升級的程序時，將會對其他的程序造成影響。
如果想要安裝程序並在程序運行時對其庫或庫的版本進行修改，都會導致程序的中斷。
在共享主機時，無法在全局site-packages目錄中安裝包。
virtualenv將會為它自己的安裝目錄創建一個環境，這並不與其他virtualenv環境共享庫；同時也可以選擇性地不連接已安裝的全局庫。
⑤ pip 與 conda 比較
→ 依賴項檢查
pip：
不一定會展示所需其他依賴包。
安裝包時或許會直接忽略依賴項而安裝，僅在結果中提示錯誤。
conda：
列出所需其他依賴包。
安裝包時自動安裝其依賴項。
可以便捷地在包的不同版本中自由切換。
→ 環境管理
pip：維護多個環境難度較大。
conda：比較方便地在不同環境之間進行切換，環境管理較為簡單。
→ 對系統自帶Python的影響
pip：在系統自帶Python中包的**更新/回退版本/卸載將影響其他程序。
conda：不會影響系統自帶Python。
→ 適用語言
pip：僅適用於Python。
conda：適用於Python, R, Ruby, Lua, Scala, Java, JavaScript, C/C++, FORTRAN。
⑥ conda與pip、virtualenv的關系
conda結合了pip和virtualenv的功能。
linux系統安裝
有兩個版本可供選擇：Python 3.6 和 Python 2.7。
啟動終端，在終端中輸入命令md5sum /path/filename或sha256sum /path/filename
注意：將該步驟命令中的/path/filename替換為文件的實際下載路徑和文件名。其中，path是路徑，filename為文件名。
強烈建議：
路徑和文件名中不要出現空格或其他特殊字符。
路徑和文件名最好以英文命名，不要以中文或其他特殊字符命名。
根據Python版本的不同有選擇性地在終端輸入命令：
Python 3.6：bash ~/Downloads/Anaconda3-5.0.1-Linux-x86_64.sh
Python 2.7：bash ~/Downloads/Anaconda2-5.0.1-Linux-x86_64.sh
注意：
首詞bash也需要輸入，無論是否用的Bash shell。
如果你的下載路徑是自定義的，那么把該步驟路徑中的~/Downloads替換成你自己的下載路徑。
除非被要求使用root權限，否則均選擇“Install Anaconda as a user”。
安裝過程中，看到提示“In order to continue the installation process, please review the license agreement.”（“請瀏覽許可證協議以便繼續安裝。”），點擊“Enter”查看“許可證協議”。
在“許可證協議”界面將屏幕滾動至底，輸入“yes”表示同意許可證協議內容。然后進行下一步。
安裝過程中，提示“Press Enter to accept the default install location, CTRL-C to cancel the installation or specify an alternate installation directory.”（“按回車鍵確認安裝路徑，按'CTRL-C'取消安裝或者指定安裝目錄。”）如果接受默認安裝路徑，則會顯示“PREFIX=/home/<user>/anaconda<2 or 3>”並且繼續安裝。安裝過程大約需要幾分鍾的時間。
建議：直接接受默認安裝路徑。
安裝器若提示“Do you wish the installer to prepend the Anaconda<2 or 3> install location to PATH in your /home/<user>/.bashrc ?”（“你希望安裝器添加Anaconda安裝路徑在/home/<user>/.bashrc文件中嗎？”），建議輸入“yes”。
注意：
路徑/home/<user>/.bash_rc中“<user>”即進入到家目錄后你的目錄名。
如果輸入“no”，則需要手動添加路徑，否則conda將無法正常運行。
當看到“Thank you for installing Anaconda<2 or 3>!”則說明已經成功完成安裝。
關閉終端，然后再打開終端以使安裝后的Anaconda啟動。或者直接在終端中輸入source ~/.bashrc也可完成啟動。
驗證安裝結果。可選用以下任意一種方法：
在終端中輸入命令condal list，如果Anaconda被成功安裝，則會顯示已經安裝的包名和版本號。
在終端中輸入python。這條命令將會啟動Python交互界面，如果Anaconda被成功安裝並且可以運行，則將會在Python版本號的右邊顯示“Anaconda custom (64-bit)”。退出Python交互界面則輸入exit()或quit()即可。
在終端中輸入anaconda-navigator。如果Anaconda被成功安裝，則Anaconda Navigator將會被啟動。
管理conda
conda --version
更新conda至最新版本
conda update conda
查看conda幫助信息
conda --help
或
conda -h
卸載
rm -rf ~/anaconda3
管理環境
創建新環境
conda create --name <env_name> <package_names>
注意：
<env_name>即創建的環境名。建議以英文命名，且不加空格，名稱兩邊不加尖括號“<>”。
<package_names>即安裝在環境中的包名。名稱兩邊不加尖括號“<>”。
如果要安裝指定的版本號，則只需要在包名后面以=和版本號的形式執行。如：conda create --name python2 python=2.7，即創建一個名為“python2”的環境，環境中安裝版本為2.7的python。
如果要在新創建的環境中創建多個包，則直接在<package_names>后以空格隔開，添加多個包名即可。如：conda create -n python3 python=3.5 numpy pandas，即創建一個名為“python3”的環境，環境中安裝版本為3.5的python，同時也安裝了numpy和pandas。
--name同樣可以替換為-n。
提示：默認情況下，新創建的環境將會被保存在/Users/<user_name>/anaconda3/env目錄下，其中，<user_name>為當前用戶的用戶名。
2. 切換環境
① Linux 或 macOS
source activate <env_name>
③ 提示
如果創建環境后安裝Python時沒有指定Python的版本，那么將會安裝與Anaconda版本相同的Python版本，即如果安裝Anaconda第2版，則會自動安裝Python 2.x；如果安裝Anaconda第3版，則會自動安裝Python 3.x。
當成功切換環境之后，在該行行首將以“(env_name)”或“[env_name]”開頭。其中，“env_name”為切換到的環境名。如：在macOS系統中執行source active python2，即切換至名為“python2”的環境，則行首將會以(python2)開頭。
退出環境至root
① Linux 或 macOS
source deactivate
③ 提示
當執行退出當前環境，回到root環境命令后，原本行首以“(env_name)”或“[env_name]”開頭的字符將不再顯示。
4. 顯示已創建環境
conda info --envs
或
conda info -e
或
conda env list
結果中星號“*”所在行即為當前所在環境
5. 復制環境
conda create --name <new_env_name> --clone <copied_env_name>
注意：
<copied_env_name>即為被復制/克隆環境名。環境名兩邊不加尖括號“<>”。
<new_env_name>即為復制之后新環境的名稱。環境名兩邊不加尖括號“<>”。
如：conda create --name py2 --clone python2，即為克隆名為“python2”的環境，克隆后的新環境名為“py2”。此時，環境中將同時存在“python2”和“py2”環境，且兩個環境的配置相同。
6. 刪除環境
conda remove --name <env_name> --all
注意：<env_name>為被刪除環境的名稱。環境名兩邊不加尖括號“<>”。
管理包
1. 查找可供安裝的包版本
① 精確查找
conda search --full-name <package_full_name>
注意：
--full-name為精確查找的參數。
<package_full_name>是被查找包的全名。包名兩邊不加尖括號“<>”。
例如：conda search --full-name python即查找全名為“python”的包有哪些版本可供安裝
② 模糊查找
conda search <text>
注意：<text>是查找含有此字段的包名。此字段兩邊不加尖括號“<>”。
例如：conda search py即查找含有“py”字段的包，有哪些版本可供安裝。
2. 獲取當前環境中已安裝的包信息
conda list
執行上述命令后將在終端顯示當前環境已安裝包的包名及其版本號
3. 安裝包
① 在指定環境中安裝包
conda install --name <env_name> <package_name>
注意：
<env_name>即將包安裝的指定環境名。環境名兩邊不加尖括號“<>”。
<package_name>即要安裝的包名。包名兩邊不加尖括號“<>”。
例如：conda install --name python2 pandas即在名為“python2”的環境中安裝pandas包。
② 在當前環境中安裝包
conda install <package_name>
注意：
<package_name>即要安裝的包名。包名兩邊不加尖括號“<>”。
執行命令后在當前環境中安裝包。
例如：conda install pandas即在當前環境中安裝pandas包。
③ 使用pip安裝包
→ 使用場景
當使用conda install無法進行安裝時，可以使用pip進行安裝。例如：see包。
→ 命令
pip install <package_name>
注意：<package_name>為指定安裝包的名稱。包名兩邊不加尖括號“<>”。
如：pip install see即安裝see包。
注意
pip只是包管理器，無法對環境進行管理。因此如果想在指定環境中使用pip進行安裝包，則需要先切換到指定環境中，再使用pip命令安裝包。
pip無法更新python，因為pip並不將python視為包。
pip可以安裝一些conda無法安裝的包；conda也可以安裝一些pip無法安裝的包。因此當使用一種命令無法安裝包時，可以嘗試用另一種命令
④ 從Anaconda.org安裝包
→ 使用場景
當使用conda install無法進行安裝時，可以考慮從Anaconda.org中獲取安裝包的命令，並進行安裝。
→ 注意
從Anaconda.org安裝包時，無需注冊。
在當前環境中安裝來自於Anaconda.org的包時，需要通過輸入要安裝的包在Anaconda.org中的路徑作為獲取途徑（channel）。查詢路徑的方式如下：
在瀏覽器中輸入：http://anaconda.org，或直接點擊Anaconda.org
在新頁面“Anaconda Cloud”的上方搜索框中輸入要安裝的包名，然后點擊右邊“放大鏡”標志。
搜索結果中有數以千計的包可供選擇，此時點擊“Downloads”可根據下載量進行排序，最上面的為下載最多的包。
選擇滿足需求的包或下載量最多的包，點擊包名。
復制“To install this package with conda run:”下方的命令，並粘貼在終端中執行。
4. 卸載包
① 卸載指定環境中的包
conda remove --name <env_name> <package_name>
注意：
<env_name>即卸載包所在指定環境的名稱。環境名兩邊不加尖括號“<>”。
<package_name>即要卸載包的名稱。包名兩邊不加尖括號“<>”。
例如：conda remove --name python2 pandas即卸載名為“python2”中的pandas包。
② 卸載當前環境中的包
conda remove <package_name>
注意：
<package_name>即要卸載包的名稱。包名兩邊不加尖括號“<>”。
執行命令后即在當前環境中卸載指定包。
例如：conda remove pandas即在當前環境中卸載pandas包。
5. 更新包
① 更新所有包
conda update --all
或
conda upgrade --all
建議：在安裝Anaconda之后執行上述命令更新Anaconda中的所有包至最新版本，便於使用。
② 更新指定包
conda update <package_name>
或
conda upgrade <package_name>
注意：
<package_name>為指定更新的包名。包名兩邊不加尖括號“<>”。
更新多個指定包，則包名以空格隔開，向后排列。如：conda update pandas numpy matplotlib即更新pandas、numpy、matplotlib包。