一、写在前面
从这一期开始分享基于深度学习图像识别的学习笔记和代码，相比于之前的ML分类模型，图像识别的门槛会更高，包括硬件方面、代码复杂度和基础理论知识等。同样，首先把必要的深度学习框架（类似做ML分类，要依赖sklearn包）安装好，然后就无脑撸代码。
深度学习框架提供了丰富的工具和库，以支持深度学习模型的开发和训练。目前深度学习的几个主要框架：
（1）TensorFlow（谷歌开发）：TensorFlow是一个广泛使用的开源深度学习框架，提供了丰富的工具和库，可用于构建各种类型的神经网络模型。它拥有强大的计算图和自动求导功能，并提供了高级抽象层，如Keras，使得模型的开发和训练变得更加简单。
（2）PyTorch（Facebook开发）：PyTorch是另一个广受欢迎的开源深度学习框架，它采用动态图的方式进行计算，使得模型的构建和调试更加灵活和直观。PyTorch提供了丰富的神经网络模块和优化算法，并且在研究领域得到广泛应用。
（3）Keras：Keras是一个高级神经网络API，它能够以TensorFlow、PyTorch等作为后端框架进行计算。Keras的设计理念是用户友好和模块化，使得模型的构建和训练变得简单快捷。
这里我使用的是TensorFlow + Keras。
二、TensorFlow-gpu环境配置
1. Anaconda安装
跟之前的教程一样的操作，这里放一个传送门即可，大家自行穿越。
2.Cuda和Cudnn的安装
要在TensorFlow中使用GPU，需要安装CUDA和cuDNN。听说过比特币挖矿机不？其实就是依赖显卡中的GPU。TensorFlow也有CPU版本，但是运行速度慢，不建议装。
CUDA：NVIDIA开发的一种并行计算平台和API。它允许开发人员使用NVIDIA的GPU进行通用计算。在我们的情况下，TensorFlow可以利用CUDA来有效地在GPU上执行深度学习计算。
cuDNN：是CUDA深度神经网络库，是NVIDIA提供的一种GPU-accelerated库，用于深度学习。它包含一些针对深度神经网络的高性能原语（如卷积，池化等）。TensorFlow利用cuDNN来优化在GPU上执行的一些操作，从而提高计算效率。
请注意！！！这里需要特别注意硬件和软件的匹配问题！！！
（1）你的电脑显卡是否支持CUDA？
（a）计算机右键->设备管理器->显示适配器，出来的就是你的显卡型号，比如我的是NVIDIA GeForce GTX 970显卡（献丑了，用了7年）
（b）上英伟达官网（传送门），看看你的显卡是不是在里面，是就可以用，第二列是计算力，比如我的是5.2，辣鸡了。
（2）查看显卡的Driver Version，用于选择适合的CUDA版本。
（a）打开终端，输入命令：
cd C:\Program Files\NVIDIA Corporation\NVSMInvidia-smi可以看到Driver Version为516.40，这里我装了CUDA了，所以显示出版本号。
（b）根据Driver Version为516.40，对照下表，确定你的电脑硬件支持的最高CUDA版本，网址如下：传送门
可以看到哈，最高可以安装的是CUDA 11.8.x版本。
然后在这个网址，下载合适的CUDA安装即可，默认路径安装就好。网址如下：传送门
（3）根据CUDA版本选择TensorFlow版本和cuDNN版本。
（a）不同版本的TensorFlow需要不同版本的CUDA和cuDNN，这些信息可以在TensorFlow的官方网站上找到，网址如下：传送门
这就有点尴尬，CUDA最高只到11.2版本，那么我的11.7版本咋办，经过我测试，我这么配置：TensorFlow-2.6，CUDA 11.7，cuDNN 8.1可行。此外，TensorFlow-2.x自带Keras，不用再另外安装。
（b）安装cuDNN
打开Anconda终端，输入代码：
conda install cudnn=8.1回车安装。
血泪史：当初我没选择版本，直接conda install cudnn，二话不说，干到了最新版本的cuDNN，然后悲剧了。
3.TensorFlow-gpu的安装
（1）创建新的环境
打开Anaconda Prompt，键入以下命令以创建一个新的环境，例如我们创建一个名为"tf2.6"的环境，同时指定Python版本为3.9（你可以根据需要选择其他版本）：
conda create -n tf2.6 python=3.9（2）激活新环境
创建新环境后，你需要激活这个环境，命令如下：
conda activate tf2.6（3）安装TensorFlow-gpu
在新的环境中，你可以通过以下命令安装TensorFlow-gpu：
conda install tensorflow-gpu==2.6.0这将自动为你安装最新版本的TensorFlow-gpu的2.6版本和所有必要的依赖项。
（3）验证TensorFlow-gpu
要验证TensorFlow-gpu是否安装成功，你可以打开Python并尝试导入tensorflow模块，然后检查其版本：
python #进入python程序
import tensorflow as tf #导入tensorflow
print(tf.__version__) #输出tensorflow的版本号
恭喜你，安装成功了！！！
4.如果安装失败
大概率是显卡、Anaconda、python、Cuda、Cudnn、Tensorflow-gpu/cpu以及Keras之间的爱恨情仇（版本）的问题，慢慢排查，慢慢尝试，总会成功的，毕竟我搞了好几天才行。
三、写在最后
我没说错吧，相比于单纯的ML，装个Anaconda和sklearn包就可以运行，深度学习的环境配置起来更复杂，不过琢磨几天一般也能搞定。最难的是，你得有一块好显卡，A100就算了，来个4090吧。
哈哈哈，开玩笑，按需配置。希望大家配置环境都顺利，下期有缘再见哈！