本文共 1563 字，大约阅读时间需要 5 分钟。

一、首先说一下“创建虚拟环境”的问题

之前实验室fsj学姐就给我说过，最好一个项目创建一个虚拟环境，这样比较好。具体的好处我也没有了解，今天在安装Tensorflow的时候发现在虚拟环境下安装Tensorflow是最优选择，所以先介绍一下虚拟环境的好处。

Python虚拟环境——virtualen

virtualenv简介

VirtualEnv用于在一台机器上创建多个独立的python运行环境，类似于一个个沙盒环境。 作用： 隔离项目之间的第三方库依赖，如A项目依赖xxx1.1，B项目依赖xxx1.2。 为部署应用提供方便，把开发环境的虚拟环境打包到生产环境即可,不需要在服务器上再折腾一翻。 尝试新的第三方库，而不用担心污染系统环境。 在沒有权限的情況下安装新组件。 virtualenv只能隔离第三方依赖库，不能在多个python版本之间切换。pythonbrew可以满足这个需求。

Tensorflow官方也建议受限创建虚拟环境

二、在虚拟环境下安装Tensorflow

系统：Ubuntu18.04

显卡：GTX1060 6G

已安装：Anaconda

注：不要自行安装CUDA和cuDNN，最简单有效的方法是通过Anaconda安装Tensorflow，让它自动安装正确的依赖

在安装好Anaconda之后，为Tensorflow创建一个新的虚拟环境：

# 如果你安装的是 Python 3.6 版的Anaconda:conda create --name tf_gpu_env tensorflow-gpu # tf_gpu_env是这个环境的名字# 如果你安装的是 Python 3.7 版的Anaconda，则需要声明新创建的环境使用 Python 3.6:conda create --name tf_gpu_env python=3.6 anaconda tensorflow-gpu

注：截止发文时，还没有找到目前Tensorflow2.0已经支持Python3.7的证据，所以为了稳妥起见，就声明创建的环境使用Python3.6吧！

如图所示

然后就不用管了，它自己会安装的

接下来要安装的包：

CUDA和cuDNN已经在里面了。

接下来等待安装完成：

安装完成之后可以看到给出的激活虚拟环境的指令是错误的

# To activate this environment, use##     $ conda activate tf_gpu_env## To deactivate an active environment, use##     $ conda deactivate

需要用如下指令

#启动虚拟环境指令source activate tf_gpu_env#关闭虚拟环境指令source deactivate

随便跑个什么1+2之类的

python>>>import tensorflow as tf>>>tf.add(1, 2).numpy()3

可以看到信息提示中已经用到显卡和GPU，安装完成！

三、将虚拟环境中的Tensorflow导入到Pycharm

如果只是在命令行中使用虚拟环境下的Tensorflow，未免太不方便。那么如何把虚拟环境中的Tensorflow导入到Pycharm，在Pycharm中自由导入Tensorflow的包呢？

灵感来源于在命令行中的报错

在命令行中安装包或者依赖不知道具体安装在哪个目录下面了，而在报错中可以清楚看到错误提示中的文件路径，所以在对应的文件路径下导入python文件即可！

未导入时的错误提示

导入python文件

导入成功

运行成功

四、安装Keras

在虚拟环境中输入指令

pip install keras

直接安装成功

转载地址：http://wrrpi.baihongyu.com/