从零开始，遇到的代码问题-持续更新

环境问题：

一：conda创建环境无效

首先登录多用户的远程服务器

然后发现该远程服务器已经创建好了conda

然后直接使用该conda在pycharm中创建环境，

结果发现，该环境里面没有编译器（完全使用不了）

这是因为在用户环境里面没有python.exe的路径

解决办法：

1.可以通过设置里，搜索“环境变量”，点击编辑账户的环境变量。

2. 增加一条python.exe的路径，我用了conda里面的python执行程序。

 3.然后再次去pycharm里面创建环境就可以了。

然后如果还不行，就直接卸载conda，然后重装conda，再按照上面的步骤执行。

注意：

这个问题的解决需要弄清楚那个用户环境变量/管理员环境变量/系统环境变量

原文链接：https://blog.youkuaiyun.com/weixin_43354152/article/details/128726687

所谓环境变量，可以简单理解为就是给操作系统定义的一些路径和名称。比如使用最常使用的就是名为Path的环境变量，该环境变量就指示了可执行文件的存放目录。

在cmd命令行中，在不指定路径的情况下执行某个命令，系统不一定知道这个命令对应的可执行文件在哪，如果在可执行文件所在的目录放到Path环境变量中，就能够确保找到对应的可执行文件

windows系统中环境变量分为两类：系统变量和用户变量。

由于windows系统可以创建多个账户，用户环境变量就是只对当前的账户有效，可以看到用户环境变量的全称是xxx的用户变量，表示这只是针对某个账户的变量；而系统变量就是对多有的账户都是有效的。

系统变量与用户变量的联系与区别如下：

1.系统变量与用户变量可以存在重名，比如系统变量与用户变量都可以一个名为Path的变量

2.如果系统变量与用户变量重名，优先使用系统变量

3.系统变量与用户变量的变量名都不区分大小写，即path与PATH是一样的

4.系统变量对所有的用户有效，用户变量只当前的用户有效。

5.Path变量告诉系统可执行文件存放的路径

如果没有特殊说明的话，都设置为系统变量吧，因为系统变量对当前用户肯定也是有效的。
 

二 安装gpu版本的tensorflow

1.首先需要安装cuda和cudnn，随便找个安装文档进行安装就可。

        主要版本匹配问题（记录一下：cuda：12.1；cudnn：8.9.1）

        因为nvidia的升级基本上都是是CUDA12了,在我发表文章的时候如果去官网下载CUDA包默认安装CUDA版本就是12了.

2.使用GPU报错Library cublas64_11.dll is not found 。

        最后是去CUDA的安装路径下的bin目录你会看到新版本的cublas64_12.dll复制一个,名字改成cublas64_11.dll,然后一切顺利。

三 ImportError: cannot import name 'dtensor' from 'tensorflow.compat.v2.experimental' (C:\Users\lgh\.conda\envs\tensorflow2\lib\site-packages\tensorflow\_api\v2\compat\v2\experimental\__init__.py)

这是因为tensorflow的版本与keras版本不兼容的原因。

        我的tensorflow_gpu为2.6.0，但是我看了keras的版本为2.10.0

        尝试将keras卸载后，安装了2.6.0版本的keras，就可以运行了

四 NVIDIA显卡驱动+CUDA+CUDNN+Tensorflow+Keras之间的关系（含各版本对应关系表）

 参考博文

driver决定了CUDA的版本

CUDA决定了cuDNN的版本

CUDA决定了tensorflow-gpu的版本

tensorflow-gpu决定了python的版本

与此同时，tensorflow-gpu和Keras也存在对应关系

五 Could not locate zlibwapi.dll. Please make sure it is in your library path

解决办法

六  l =tf.trainable_variables()
AttributeError: module 'tensorflow' has no attribute 'trainable_variables'

修改为

l =tf.compat.v1.trainable_variables()  

七 np.object was a deprecated alias for the builtin object. To avoid this error in existing code, use object by itself. Doing this will not modify any behavior and is safe

这是因为numpy与tensoflow的版本不匹配

解决办法：修改numpy的版本，一般是降低版本（注意：在改变numpy的版本的时候会连带的影响其他依赖包的版本修改，所以要将涉及到的所有包都安装到适当的版本）

八 UserWarning: loaded more than 1 DLL from .libs: 

表明在加载 numpy 库时，从 .libs 目录下加载了多个 DLL 文件。

解决办法：删掉一个就可以了

九 进入tensorboard的步骤

C:\Users\lgh>conda info --envs
C:\Users\lgh>activate tensorflow2
(tensorflow2) C:\Users\lgh>pip install tensorboard==2.6.0
(tensorflow2) C:\Users\lgh>tensorboard --logdir=D:\lgh\project\Autopilot-TensorFlow-master\Autopilot-TensorFlow-master\logs

Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all
TensorBoard 2.6.0 at http://localhost:6006/ (Press CTRL+C to quit)

十 TypeError: unhashable type: 'dict'

十一 matplot.plot的用法

十二 db的换算

(1条消息) db分贝计算公式_db公式_cabbage2008的博客-优快云博客

十三 ValueError: No such layer: normalization_noise_1.

 K.set_value(autoencoder.get_layer('normalization_noise_1').snr_db, snr)

解决办法：

1.观察模型中的噪声层是否被正常调用了（在pycharm的右上角有个黄色警告标志，点击查看是否有NormalizationNoise' object is not callable。如果有，则表明该层没有调用。

2.安装tf_nightly版本

1）确保你已经正确安装了 pip 工具。你可以在终端中运行 pip --version 来检查 pip 版本。

2）确保你的 Python 版本与 tf-nightly 兼容。tf-nightly 可能需要较新的 Python 版本。建议使用 Python 3.7 或更高版本。

pip install tf-nightly

参考：值错误：没有这样的层 - 提取张量流 keras 层的输出 - 堆栈溢出 (stackoverflow.com)

十四  安装GPU版本的pytorch老是失败的原因

主要是CUDA本身是12.1版本，但是pytorch的官网上的版本对应的只有cuda11.8的版本，这样该怎么解决？

不要在这里复制代码：

需要进入Previous versions of PyTorch

然后安装最新版本的，即可正常运行