anaconda3，python3.7，pycharm安裝配置

"　　默認（pycharm已經安裝；window10版本64位）

首先，通俗講解一下三者關系:

          pycharm是用來提高代碼高亮的（高亮就是關鍵字的顏色）以及格式化的

          anaconda是提供python運行環境，還有一些常用的python計算庫

          tensorflow目前我了解到是深度學習的框架

首先 安裝anaconda，這個有官網，但是我試了幾次登不進去，於是換用清華開源鏡像網站（能進官網進官網）

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

里面版本很多，就找windows的64位的

1. 完成下載之后，雙擊下載文件，啟動安裝程序。

• 注意：

  1. 如果在安裝過程中遇到任何問題，那么暫時地關閉殺毒軟件，並在安裝程序完成之后再打開。

  2. 如果在安裝時選擇了“為所有用戶安裝”，則卸載Anaconda然后重新安裝，只為“我這個用戶”安裝。

3. 選擇“Next”。

4. 閱讀許可證協議條款，然后勾選“I Agree”並進行下一步。

5. 除非是以管理員身份為所有用戶安裝，否則僅勾選“Just Me”並點擊“Next”。

6. 在“Choose Install Location”界面中選擇安裝Anaconda的目標路徑，然后點擊“Next”。

• 注意：

  1. 目標路徑中不能含有空格，同時不能是“unicode”編碼。

  2. 除非被要求以管理員權限安裝，否則不要以管理員身份安裝。

      

7. 在“Advanced Installation Options”中不要勾選“Add Anaconda to my PATH environment variable.”（“添加Anaconda至我的環境變量。”）。因為如果勾選，則將會影響其他程序的使用。如果使用Anaconda，則通過打開Anaconda Navigator或者在開始菜單中的“Anaconda Prompt”（類似macOS中的“終端”）中進行使用。

   除非你打算使用多個版本的Anaconda或者多個版本的Python，否則便勾選“Register Anaconda as my default Python 3.6”。

   然后點擊“Install”開始安裝。如果想要查看安裝細節，則可以點擊“Show Details”。 

8. 點擊“Next”。

9. 進入“Thanks for installing Anaconda!”界面則意味着安裝成功，點擊“Finish”完成安裝。

• 注意：如果你不想了解“Anaconda雲”和“Anaconda支持”，則可以不勾選“Learn more about Anaconda Cloud”和“Learn more about Anaconda Support”。
  
   

  

10. 驗證安裝結果。可選以下任意方法：

    1. “開始 → Anaconda3（64-bit）→ Anaconda Navigator”，若可以成功啟動Anaconda Navigator則說明安裝成功。

    2. “開始 → Anaconda3（64-bit）→ 右鍵點擊Anaconda Prompt → 以管理員身份運行”，在Anaconda Prompt中輸入conda list，可以查看已經安裝的包名和版本號。若結果可以正常顯示，則說明安裝成     

 

打開 “開始——>輸入Anaconda Prompt——>黑框中輸入”

輸入” conda env list “查看我的的虛擬環境

第一次打開是只有第一個的，我們輸入“conda  create -n xxx python=3.x”

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

建立了一個名為“tensorflow”的python版本為3。7.*的虛擬環境

再輸入 “activate tensorflow”進如我們新建的環境中​

安裝CPU的TensorFlow命令：
conda install tensorflow

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

 

最后一步，在pycharm中配置anaconda環境

打開

 

找到setting，進去后找到project interpreter，點擊最右邊的齒輪，選擇add

 

 

 

 

 

 

 

 點擊apply——>ok

 

 

測試是否成功

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)
    # 這里的輸出需要加上name屬性
    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()，可以多個
    constant_graph = tf.compat.v1.graph_util.convert_variables_to_constants(sess, sess.graph_def, ['op_to_store'])
    # 測試 OP
    feed_dict = {x: 10, y: 3}
    print(sess.run(op, feed_dict))
    # 寫入序列化的 PB 文件
    with tf.compat.v1.gfile.FastGFile('model.pb', mode='wb') as f:
        f.write(constant_graph.SerializeToString())

//加載pb並運行
# 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='') # 導入計算圖
# # 需要有一個初始化的過程
# sess.run(tf.compat.v1.global_variables_initializer())
# # 需要先復原變量
# print(sess.run('b:0'))
# # 1
# # 輸入
# 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)