近期計劃寫一寫機器學習微信小程序的開發教程，但微信開發工具只提供了Windows和Mac OS版本，作為一名長期使用Linux系統的開發人員，雖然始終認為Linux系統才是對開發者最友好的，但微信團隊作出這種選擇，肯定經過調查。不管我怎樣認為Linux系統如何之好，Windows系統畢竟是主流，大多數開發者使用的系統也是Windows系統，所以打算寫一寫Windows環境下的機器學習開發環境配置，內容包括Python環境、CUDA、IDE以及微信開發者工具等，這是其中的一篇。

由于歷史原因，python長期存在兩個版本，python 2和python 3，而且存在兼容問題。雖然經過開發者不斷的努力，普遍轉向Python 3，但Python 2仍然像打不死的小強，頑強的存在著。比如大多數Linux發行版本，python 2依然是默認版本。再加上python社區非常活躍，各種python庫也在不停的向前發展，不同版本python庫之間不兼容的情況一直存在。有時開發者也很尷尬，比如發布了一個項目到github，會有讀者過來問，為什么代碼在我這兒出錯？

針對這一狀況，建議python開發者使用Anaconda。Anaconda是可以便捷獲取python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。使用Anaconda有什么好處呢？可以建立python虛擬環境。

比如針對python 2的歷史遺留代碼，建立一個虛擬環境，針對python 3 新代碼，再建立一個虛擬環境，兩套環境互相隔離，互不影響。不會因為在安裝了一個python 2的包，而使得python 3代碼無法執行。Python虛擬環境和虛擬機有所不同，它是一種輕量級的隔離機制，所以在空間和速度上幾乎沒有額外的開銷。

Anaconda是一攬子解決方案

python的用戶可能知道，通過安裝virtualenv，也可以建立python虛擬環境，但需要下載python，設置環境變量，安裝pip，安裝virtualenv，…諸多繁瑣步驟，而且為了使用方便，可能還要安裝wrap腳本。而anaconda作為python環境一攬子解決方案，安裝包中包含了python發行包，集成包管理工具，只需要下載和安裝一個軟件包，即可解決。而且Anaconda支持Windows、Linux及Mac OS系統，在各操作系統下操作一致，減少操作系統遷移的成本。

Anaconda的虛擬環境可復制

Anaconda的虛擬環境可以導出為一張列表，列表上包含環境中所有python包的名稱及版本信息，這樣他人可以導入該列表，復制出一個一模一樣的python虛擬環境。列表為文本文件，便于分享，可以加入git管理，在開發過程中，哪些python庫依賴發生了變化，可以追溯。

下面就說說在Windows 10下如何安裝和配置Anaconda。

獲取Anaconda

和Windows下其它應用軟件的安裝類似，首先去Anaconda的官網下載安裝包，下載地址為：https://www.anaconda.com/distribution/

建議選擇Python 3.7的64位版本：

這里選擇python 3.7，并不意味著python虛擬環境只能是python 3，而是默認的python虛擬環境為python 3。雖然python 2的生命力很頑強，但是新寫的代碼建議用python 3。

安裝軟件包。根據安裝向導進行安裝即可，選擇安裝類型這個步驟需要注意：

建議選擇 Just Me 這個選項，如果選擇All users，可能需要管理員權限。如果你是系統的管理員用戶，這個倒問題不大。

創建python虛擬環境，安裝tensorflow

Anaconda安裝之后，我們可以看到Windows啟動欄多了Anaconda3 (64-bit)程序組，點擊Anaconda Prompt(Anaconda3)：

啟動Anaconda命令行：

我們可以注意到命令行前面有一個(base)字樣，這表明當前Anaconda的虛擬環境名為base，這也是Anaconda默認的虛擬環境。

接下來為tensorflow創建一個虛擬環境。因為TensorFlow有支持GPU的版本，如果要TensorFlow支持GPU，還需要額外安裝一些軟件和配置，先暫時放一放，到下篇文章再詳細展開。我們把虛擬環境命名為tensorflow_gpu：conda create --name tensorflow_gpu

切換到我們創建的tensorflow_gpu虛擬環境：activate tensorflow_gpu

可以注意到，命令行前面的字樣變成了(tensorflow_gpu)，表明已經切換到tensorflow_gpu這個虛擬環境:

安裝tensorflow-gpu包：conda install -c anaconda tensorflow-gpu

當然你也可以采用pip的方式進行安裝，這個看個人喜好。

可以使用如下的代碼進行測試：import tensorflow as tf

print(tf.__version__)

tf.test.is_gpu_available()

結果如下：1.13.1

2019-08-09 15:45:13.852793: I tensorflow/core/platform/cpu_feature_guard.cc:141]

Your CPU supports instructions that this TensorFlow binary was not compiled to

use: AVX AVX2

2019-08-09 15:45:15.069595: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1

433] Found device 0 with properties:

name: GeForce GTX 950M major: 5 minor: 0 memoryClockRate(GHz): 1.124

pciBusID: 0000:01:00.0

totalMemory: 2.00GiB freeMemory: 1.92GiB

2019-08-09 15:45:15.085195: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1

512] Adding visible gpu devices: 0

Traceback (most recent call last):

File "", line 1, in

File "C:\Anaconda3\envs\tensorflow_gpu\lib\site-packages\tensorflow\python\fra

mework\test_util.py", line 1242, in is_gpu_available

for local_device in device_lib.list_local_devices():

File "C:\Anaconda3\envs\tensorflow_gpu\lib\site-packages\tensorflow\python\cli

ent\device_lib.py", line 41, in list_local_devices

for s in pywrap_tensorflow.list_devices(session_config=session_config)

File "C:\Anaconda3\envs\tensorflow_gpu\lib\site-packages\tensorflow\python\pyw

rap_tensorflow_internal.py", line 1829, in list_devices

return ListDevices(status)

File "C:\Anaconda3\envs\tensorflow_gpu\lib\site-packages\tensorflow\python\fra

mework\errors_impl.py", line 528, in __exit__

c_api.TF_GetCode(self.status.status))

tensorflow.python.framework.errors_impl.InternalError: cudaGetDevice() failed. S

tatus: CUDA driver version is insufficient for CUDA runtime version

可以看出，tensorflow包導入和使用沒有問題，當前使用的TensorFlow 1.13.1版本，但沒有GPU支持。如何讓TensorFlow支持GPU加速，下一篇文章再詳細說明。

如果要退出當前的虛擬環境，可以使用如下命令：conda deactivate

導出和導入虛擬環境

現在我們創建了一個名為tensorflow_gpu的虛擬環境，如果要分享給他人，可以將環境導出為一個文本文件：activate tensorflow_gpu

conda env export > c:/tensorflow_gpu.yml

上面的命令將環境導出到tensorflow_gpu.yml文件中，我們可以用文本編輯器打開看一看里面的內容：name: tensorflow_gpu

channels:

- anaconda

- defaults

dependencies:

- _tflow_select=2.1.0=gpu

- absl-py=0.7.1=py37_0

- astor=0.7.1=py37_0

- blas=1.0=mkl

- ca-certificates=2019.5.15=0

- certifi=2019.6.16=py37_0

- cudatoolkit=10.0.130=0

- cudnn=7.6.0=cuda10.0_0

- gast=0.2.2=py37_0

- grpcio=1.16.1=py37h351948d_1

- h5py=2.9.0=py37h5e291fa_0

- hdf5=1.10.4=h7ebc959_0

- icc_rt=2019.0.0=h0cc432a_1

- intel-openmp=2019.4=245

- keras-applications=1.0.8=py_0

- keras-preprocessing=1.1.0=py_1

- libprotobuf=3.8.0=h7bd577a_0

- markdown=3.1.1=py37_0

- mkl=2019.4=245

- mkl-service=2.0.2=py37he774522_0

- mkl_fft=1.0.12=py37h14836fe_0

- mkl_random=1.0.2=py37h343c172_0

- mock=3.0.5=py37_0

- numpy=1.16.4=py37h19fb1c0_0

- numpy-base=1.16.4=py37hc3f5095_0

- openssl=1.1.1=he774522_0

- pip=19.1.1=py37_0

- protobuf=3.8.0=py37h33f27b4_0

- pyreadline=2.1=py37_1

- python=3.7.3=h8c8aaf0_1

- scipy=1.3.0=py37h29ff71c_0

- setuptools=41.0.1=py37_0

- six=1.12.0=py37_0

- sqlite=3.29.0=he774522_0

- tensorboard=1.13.1=py37h33f27b4_0

- tensorflow=1.13.1=gpu_py37h83e5d6a_0

- tensorflow-base=1.13.1=gpu_py37h871c8ca_0

- tensorflow-estimator=1.13.0=py_0

- tensorflow-gpu=1.13.1=h0d30ee6_0

- termcolor=1.1.0=py37_1

- vc=14.1=h21ff451_3

- vs2015_runtime=15.5.2=3

- werkzeug=0.15.4=py_0

- wheel=0.33.4=py37_0

- wincertstore=0.2=py37_0

- zlib=1.2.11=h62dcd97_3

prefix: C:\Anaconda3\envs\tensorflow_gpu

內容比較容易理解，就是安裝了哪些依賴包。除了導出之外，我們還可以手工創建，也可以修改導出的yml文件，比如修改虛擬環境的名稱，這屬于比較高級的操作，有興趣可以看看Anaconda官方文檔。

他人在得到這份yml文件后，可以復刻Anaconda虛擬環境：conda env create -f tensorflow_gpu.y

到此，Windows 10下的機器學習python開發環境就配置好了，接下來還需要更進一步，下一篇文章將講講Windows 10下GPU的支持，敬請關注。

參考https://docs.conda.io/projects/conda/en/latest/index.html

Installing a Python Based Machine Learning Environment in Windows 10

Anaconda介紹、安裝及使用教程