服务器上配置个人的常用深度学习环境

下载anaconda 地址：https://repo.continuum.io/archive/找到自己想安装的版本！

这里最好找一下python3.6对应的版本 我们以这个版本为例。下载好安装包然后直接在终端上输入 bash Anaconda3-5.5.0-Linux-_64.sh 然后我们需要在许可证选项中选出yes回车。

然后我们就能看到安装的一堆常用的库比如，numpy,scipy等。执行完成我们需要选择是否将Anaconda添加到环境变量中。这里我们必须选yes,否则之后调用的python以及库都是服务器的系统中的环境，而非个人用户下的环境。当然你也可以选择no,之后再添加到系统变量中，这里我就不再详细介绍如何配置环境了直接选择yes。

之后就是问你是否想要安装VS 我们直接选择no。

到这里我们的anaconda安装只差最后一步了执行：source  ~/.bashrc更新环境。至此anaconda安装完毕。

在安装tensorflow和torch之前我们需要确保系统已经安装好了cuda和cudnn。如果没有安装请参考相关教程百度一下很多。

然后我们就直接将安装tensorflow-gpu了,最简单暴力的方法就是直接在终端运行：pip install tensorflow-gpu。默认安装最新的版本，当然你也可以指定安装的版本那么就执行：pip install tesorflow-gpu==1.14.0 。显然直接这么安装对网络和宽带要求较高，容易出下载超时时的问题，最简单的方法就是更换镜像源，可以选择清华的镜像，那么我们执行：pip install tensorflow-gpu==1.14.0 -i https://pypi.tuna.tsinghua.edu.cn/simple，到这里我们还有可能遇到一些无法卸载已有库函数问题，如果运行不成功出现 cannot uninstall “wrapt”等字样时我们需要运行: pip install --ignore-installed tensorflow-gpu==1.14.0 -i https://pypi.tuna.tsinghua.edu.cn/simple。

安装成功后我们打开python 运行import tensorflow as tf 发现仍然报错显然是由于我们忽略了已安装的一些库的版本不同早成的无法导入运行的问题我们这里需要将anaconda自带的老版本库删掉，然后重新安装。这里提出错是由于numpy的库函数导致的我们直接运行pip uninstall numpy，过程中选择yes。执行两次，第一次卸载的其实是新的版本第二次卸载的是旧版本，然后执行：pip install numpy。安装成功后就可以正常调用tensorflow了。

接下来安装torch：我们到torch官网(https://pytorch.org/)找到对应自己的服务器的的安装指令：cat  /usr/local/cuda/version.txt，以cuda9.0为例

我们看到上面的安装指令，直接在终端运行。与tensorflow一样很容易遇上下载超时的问题，从上面的执行命令我们可以看出安装torch的过程实际就是安装torch和torchvision的过程。尽管下载容易超时，我们还是能够从输出的结果中看到下载的链接我们把链接复制下载，利用迅雷等下载器加速下载，下载好.whl文件后我们进入到文件所在文件夹下，执行：pip install torch-1.1.0-cp36-cp36m-manylinux1_x86_64.whl。安装完成我们再执行pip install torchvision。由于这个文件比较小一般下载不容易超时所以就直接安装了。常见的深度学习框架除了tensorflow和pytorch外mxnet的使用也很常见，显然最简单的方法是我们直接在终端上运行:pip install mxnet 但是这样的安装的是cpu版的，实际上可以参考相关的博客安装GPU版本的执行 pip install mxnet-cu92,根据自己的环境来安装！

同样遇到超时的错误可以执行pip install mxnet-cu101 -i https://pypi.tuna.tsinghua.edu.cn/simple实现换源安装。