一、前言
我的环境：
- 电脑系统：Win 11
- 语言环境：Python 3.10
- 编译器：PyCharm，Jupyter notebook
- 深度学习环境：TensorFlow2
二、库的安装
Jupyter notebook和TensorFlow都有对应的网页端，可以直接使用，非常方便，也可以在本地下载对应的库来实现，下载方式更其他库的方式一样。
CMD内使用pip下载：
pip install tensorflow pip install jupyterlab pip install notebook
三、官方示例演示
接下来是对于TensorFlow2.0的官方示例演示
如何目前你不熟悉TensorFlow和Jupyter的使用，你可以先在PyCharm中尝试一下：
首先导入tensorflow库
import tensorflow as tf
然后载入并准备好MNIST数据集，将样本从整数转换为浮点数。
mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0
其中MNIST手写字符数据集返回两个元组，其中方法中还包括一个参数：
| 参数 | 说明 |
| x_train，x_test | uint8 数组表示的灰度图像，尺寸为 (num_samples, 28, 28) |
| y_train,，y_test | uint8 数组表示的数字标签（范围在 0-9 之间的整数），尺寸为 (num_samples,) |
| path | 如果在本地没有索引文件 (at ‘~/.keras/datasets/’ + path), 它将被下载到该目录 |
到这里，可能会运行成功，也可能会运行失败，运行成功的结果是;
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz 11493376/11490434 [==============================] - 0s 0us/step 11501568/11490434 [==============================] - 0s 0us/step
失败的问题，我们待会解决，现在我们假设已经成功，接下来我们将模型的各层堆叠起来，以搭建tf.keras.Sequential模型，为训练选择优化器和损失函数;
model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation='softmax') ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
其中，Sequential是顺序模型，顺序模型是多个网络层的线性堆叠。简单的说一下这一些方法的概念，想要更加深入的了解Keras这个基于Python的深度学习库可以去它的中文官网去学习一下，连接我就放在这里：https://keras.io/zh/
最后，我们来训练并验证模型：
model.fit(x_train, y_train, epochs=5) model.evaluate(x_test, y_test, verbose=2)
它运行的结果是：
Epoch 1/5 1875/1875 [==============================] - 6s 3ms/step - loss: 0.2968 - accuracy: 0.9145 Epoch 2/5 1875/1875 [==============================] - 6s 3ms/step - loss: 0.1437 - accuracy: 0.9573 Epoch 3/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.1085 - accuracy: 0.9674 Epoch 4/5 1875/1875 [==============================] - 6s 3ms/step - loss: 0.0891 - accuracy: 0.9725 Epoch 5/5 1875/1875 [==============================] - 4s 2ms/step - loss: 0.0781 - accuracy: 0.9753 313/313 - 1s - loss: 0.0725 - accuracy: 0.9782 - 516ms/epoch - 2ms/step [0.07253240793943405, 0.9782000184059143]
可以看出，这个官方示例照片分类器的准确的已经达到了98%，想要了解更多也是去它的官网去查阅相关的使用教程等内容。
四、过程中遇见的一些问题
上面官方示例演示的第二部分可能会运行出错。
2022-08-01 20:19:21.294942: W tensorflow/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'cudart64_110.dll'; dlerror: cudart64_110.dll not found 2022-08-01 20:19:21.295104: I tensorflow/stream_executor/cuda/cudart_stub.cc:29] Ignore above cudart dlerror if you do not have a GPU set up on your machine.
出现这个情况我们先设置一下GPU：
import tensorflow as tf gpus = tf.config.list_physical_devices("GPU") if gpus: gpu0 = gpus[0] #如果有多个GPU，仅使用第0个GPU tf.config.experimental.set_memory_growth(gpu0, True) #设置GPU显存用量按需使用 tf.config.set_visible_devices([gpu0],"GPU")
但是我们发现这样设置GPU之后还是报错，和之前的报错一样，这是因为最新版本的TensorFlow2默认安装CPU和GPU两个版本，而GPU是不能运行退回到CPU版本的这个时候。
我们发现错误里面提示**‘cudart64_110.dll’ not found**，因此我们需要手动将cudart64_110.dll添加到路径**“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin”**中去。
cudart64_101.dll链接：https://cn.dll-files.com/cudart64_101.dll.html
但是这个时候肯定有很多人会发现自己的Program Files文件夹里面根本就没有NVIDIA GPU Computing Toolkit这个文件夹，这是因为我们没有安装CUDA和CUDNN。
好现在我们要去下载CUDA和CUDNN，下载地址我就放在下面：
CUDA：https://developer.nvidia.com/cuda-downloads
CUDNN：https://developer.nvidia.com/rdp/cudnn-download
注意：CUDA和CUDNN要版本匹配才行，CUDA要选择自己电脑支持的版本。
可以在电脑桌面右击，选择NVIDIA 控制面板，然后点击帮助，然后点系统信息，再点组件就可以看见自己电脑支持的版本了。
顺便提一下，如何这两个下载速度很慢或者因为网络问题下载失败，需要挂VPN然后最好不要使用WiFi下载，直接连接手机热点下载，反正我用WiFi总是下载不了，换手机热点之后就好很多了。（但依旧慢的要死😭）
在漫长的等待过后，我们终于下载好了这个两个东西。
1、安装CUDA
CUDA的安装推荐默认的就行，这样也不会忘记安装地址了，如果C盘容量不足的话那还是换另一个盘安装，安装结束之后，我们需要测试一下CUDA是否安装成功.
我们直接在cmd里面输入命令：nvcc --version，显示如下即算安装成功。
然后使用命令：set cuda，可以查看cuda设置的环境变量。
2、安装CUDNN
下载之后直接解压该压缩包到你指定的路径里面，检查一下是不是这些文件
然后打开C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA路径，找到路径下的bin、include、lib目录，然后将解压后CUDNN里面对应的bin、include、lib目录下的文件对应的复制到bin、include、lib目录下。
然后也是检查一下安装是否成功。
打开C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\demo_suite路径，在此路径下打开Powershell（shift+鼠标右键选择在此处打开Powershell窗口），执行命令：.\bandwidthTest.exe，如何出现如下信息就证明安装成功：
到这里就CUDA和CUDNN的安装就结束了。
现在，我们重新打开PyCharm，然后重新运行程序，就会发现现在已经可以成功运行出结果了。
五、最后我想说
今天主要是进行一些环境搭建等前期工作，接下来就要跟着博主去训练各种项目，然后去总结知识，然后用博客的方式发出来，这也是这次活动的参与方式。
创作不易，谢谢你们的点赞收藏转发三连，文章里面有一些也是我翻阅了很多其他博主总结的，毕竟学习过程中遇见困难要学会自己去上网翻阅解决问题。
最后，文章如有某个地方出现错误或者不妥之处，也请大家为我指出，谢谢大家！！！
