背景：需要运行一个基于 keras的 BERT+BiLSTM+CRF的 NER项目，因此写了这篇小记，记录环境准备的过程和步骤。

1、建立虚拟环境

前提：先安装 Anaconda(这里我使用的是 Anaconda3)
参考链接：https://blog.csdn.net/colleges/article/details/121948153

这里的 Python版本为 Python 3.6.8

2、安装TensorFlow（GPU版本）

2.1配置conda和pip镜像源

2.1.1conda镜像源

1. 通过下面这一行代码查看本机 anaconda的 conda镜像源有哪些。

conda config --show channels

1. 本机查询结果如下图所示，由图可知，本机没有配置镜像源，为默认的，所以下载东西的时候网速会比较慢。

1. 为 conda配置清华镜像源，配置结果如下图所示。

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 --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/

conda config --set show_channel_urls yes

2.1.2pip镜像源

清华镜像源：https://pypi.tuna.tsinghua.edu.cn/simple
阿里云镜像源：https://mirrors.aliyun.com/pypi/simple/

1. pip安装的时候大部分的包都不是很大，因此这里选择在 pip命令后面使用参数 -i来临时指定镜像源。
2. 想要永久有效，可以参考文章：https://blog.csdn.net/anglemanyi/article/details/112647242

2.2先直接安装TensorFlow-GPU

这里安装的 TensorFlow版本为 1.14.0

1. 输入以下命令安装 TensorFlow-gpu，可以看到，指定了镜像源之后速度比原来快多了（原来只有几十K）。

pip install tensorflow-gpu==1.14.0 -i https://mirrors.aliyun.com/pypi/simple/

1. 安装完成后，进入 Python编辑器，通过如下命令尝试导入 tensorflow，发现报了下图所示的错误。

import tensorflow as tf

1. 返回的所有错误信息主要意思就是缺少了 cudart64_100.dll，而且最后也提示我们需要安装 CUDA10.0。

2.3安装CUDA和cuDNN

2.3.1弄清版本要求

TensorFlow、 CUDA以及 cuDNN的版本对应关系：https://www.tensorflow.org/install/source_windows
CUDA Toolkit与显卡驱动程序版本对应关系：http://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
cuDNN官网：https://developer.nvidia.com/cudnn

1. 先查看一下版本。我需要安装的是 TensorFlow-gpu-1.14.0，当前的 Python版本为 3.6.8，通过上面列出的第一条链接可知符合要求；所需要的 CUDA版本确实为 CUDA10，对应的 cuDNN版本为 cuDNN7.4。通过上述第二条链接，可以知道 CUDA10.0.130要求显卡驱动程序版本≥ 411.31 \geq411.31 ≥4 1 1 .3 1(Windows下)。

1. 查看自己电脑的驱动程序版本：在命令行输入 nvidia-smi，可以看到本机的显卡驱动程序版本为496.49 ≥ 411.31 496.49\geq411.31 4 9 6 .4 9 ≥4 1 1 .3 1，符合要求。

1. 需要注意的的是，①某一个显卡驱动程序版本之下，可以使用多种版本的 CUDA。②虽然通过 TensorFlow官网我们知道 TensorFlow-GPU-1.14.0版本对应的 cudnn版本为7.4，但其实这个不是必须的，但我们必须确保对应的 cuda版本为 10.0，然后看哪一版本的 cudnn支持 CUDA10.0（通过2.3节最开始列出的 cuDNN官网可查询）。根据下图所示内容，我们可以使用 cudnn7.6.5。

; 2.3.2开始安装

CUDA官网：https://developer.nvidia.com/cuda-gpus
cuDNN官网：https://developer.nvidia.com/cudnn
目前知道的有两种安装方式：

• ①通过官网，下载可执行文件然后在本地安装。值得注意的是，用这种方式安装 CUDA的时候，安装的内容非常全面，甚至也包括了显卡驱动程序，然而我们只需要其中的一部分，来支持 TensorFlow的运作，所以就有了第二种方式。
• ②通过在虚拟环境中使用 conda命令来安装，这样方便快捷，便于管理（前提是需要确保自己电脑上的显卡驱动程序的版本符合要求）。

这里演示的就是采用的②中所述的方法。

1. 由 2.3.1的叙述可知我们要安装的是 CUDA10.0.130。在 conda虚拟环境中，直接使用下面的命令即可安装（已经在 2.1.1中配置了 conda的国内镜像源）：

conda install cudatoolkit=10.0.130

1. CUDA安装完成之后， conda其实是会自动匹配对应的 cuDNN，因此直接输入下面的命令即可。它自动匹配出来的 cuDNN版本为 7.6.5，正是我们在 2.3.1节看到的那样。

conda install cudnn

2.4验证安装

1. 分别输入以下命令，得到以下三张图的结果就说明没有问题了。

import tensorflow as tf

print(tf.__version__)

print(tf.test.is_gpu_available())

3、安装keras

安装完 TensorFlow之后便可以开始 keras的安装。
这里将要用到的有 keras、 keras_contrib、 keras_bert.

3.1keras安装

1. 通过 keras官网可以知道， keras可以直接通过如下 pip命令在虚拟环境中进行安装。

pip install keras==2.2.4

3.2keras_contrib安装

1. 尝试使用 pip的方式安装，但是多次尝试无法成功。

1. 百度之后，发现需要通过 git进行安装。

; 3.2.1安装git

git可以使用图形化安装方式，也可以使用命令行安装方式。此处采用命令行方式在虚拟环境中进行安装。

1. 激活虚拟环境，再输入下面的命令，便可成功安装，如下图所示。

conda install git

3.2.2安装keras_contrib

安装好 git，就可以通过 git+网址的方式进行安装了
但是，需要注意，由于 GitHub访问很慢，因此选择在 gitee上找了一个对应的 keras_contrib

1. 如下图所示，直接从 GitHub进行 git安装的话，可能会访问不了

1. 因此，这里通过 gitee安装。输入以下命令即可完成安装，如下图所示。

pip install git+https://gitee.com/BenjaminHb/keras-contrib.git

3.3keras_bert安装

1. 这个可以通过 pip直接安装，输入以下命令即可。

pip install keras-bert

4、参考文章

• 以上是本文的全部内容，本文撰写过程中的主要参考文章如下：

①【TensorFlow-GPU安装】：

https://blog.csdn.net/m0_49090516/article/details/113576003

②【GPU、CUDA、CUDA Toolkit、cuDNN关系以及下载安装】：

https://blog.csdn.net/qq_42406643/article/details/109545766

③【在anaconda环境中使用conda命令安装cuda、cudnn、tensorflow（-gpu）】：

https://blog.csdn.net/qq_37774098/article/details/109895048

④【tensorflow 安装GPU版本，个人总结，步骤比较详细】：

https://blog.csdn.net/gangeqian2/article/details/79358543

Original: https://blog.csdn.net/colleges/article/details/123595097
Author: 骑着蜗牛环游深度学习世界
Title: TensorFlow-GPU的安装及keras的安装

相关阅读

Title: python: 开始使用tensorflow 出现的一些问题即解决办法

python 用了快一年了， 想试用一下tensorflow, 了解一下深度学习(deep learning), 但是与其他的模块不同， tensorflow用起来并不容易， 或许是刚开始吧。

1. 版本问题，版本不同， 用法差别很大

所以，有必要首先了解自己用的是版本1.x, 或者是2.x. 可以用以下办法查版本：

a) pip list

b) conda list

c) 在python 程序内： print(tf.version)

我的版本是2.6.2

看教程， 很多给的第一个示范程序是：

l = tf.constant(23,dtype="int32",name="val1")

m = tf.constant(22,dtype="int32",name="val2")

with tf.Session() as val:

new_output=val.run(l*m)

print(new_output)

结果不运行，出错讯息是：

AttributeError "module 'Tensorflow' has no attribute 'session'"

网上查了， 以上的教科程序只适合与tensorflow 版本1.x, 不适合2.x

解决办法：

import tensorflow as tf

tf.compat.v1.disable_eager_execution()

l = tf.constant(23,dtype="int32",name="val1")

m = tf.constant(22,dtype="int32",name="val2")

with tf.compat.v1.Session() as val:

new_output=val.run(l*m)

print(new_output)

1. interl-CPU优化/GPU问题

运行如下代码，估计其他代码也会出现同样的问题：

import tensorflow.compat.v1 as tf

tf.compat.v1.disable_eager_execution() #not working without it
a1=tf.placeholder(tf.float32)
a2=tf.placeholder(tf.float32)
a3=tf.placeholder(tf.float32)
a_sum=tf.add_n([a1,a2,a3])
sess=tf.compat.v1.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(a_sum,feed_dict={a1:10,a2:20,a3:30}))

出现了警告讯息：

This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations: AVX AVX2
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.

解决方法：

AVX（Advanced Vector Extensions-Intel® AVX) 是intel 优化CPU用于浮点计算的技术,如果有GPU了，其实不用考虑该警告讯息。 不过， 不管怎么说， 如果不愿意看到该警告讯息， 可以加上如下2行代码：

import os

Original: https://blog.csdn.net/m0_60558800/article/details/124764493
Author: 北京维多
Title: python: 开始使用tensorflow 出现的一些问题即解决办法