1.1 Anaconda

首先Python有两个系列的版本，分别是Python 2与Python 3。两个系列版本是相互不兼容的，造成这个现象的历史原因不多提及，读者只需知道通过Python 3编写的代码并不一定能通过Python 2运行，反之亦然。Python 2的最高版本是Python 2.7，官方会对其维护到2020年，随后便不再支持。本书使用Python 3作为开发语言，具体的版本为Python 3.6.7。

为了方便后面的开发，这里通过Anaconda的方式来安装Python。Anaconda是Python的免费增值开源发行版，它直接为我们安装好了各种用于科学计算的依赖库。如果我们直接地安装Python 3，那么这些第三方依赖库还需自己手动去下载。在下载安装使用的过程中可能还会遇到依赖冲突等问题。为了避免这些问题带来的困扰，应直接下载并安装Anaconda。Anaconda同样分为以Python 2为基础的版本与以Python 3为基础的版本，这里推荐直接下载并安装以Python 3为基础的版本。

Anaconda除了帮助我们预先安装了各种常用的科学计算的依赖库外，还提供了包管理和部署工具conda。我们可以通过conda来创建一个专门用于开发深度学习项目的Python虚拟环境。

首先来聊一下所谓的Python虚拟环境，通常使用Python开发时，为了提高开发效率，都会使用各种第三方库，如科学计算库numpy、scipy，图像处理库pillow、opencv等。随着编写项目的增加，就会在本地环境中安装各种各样的工具，此时就会显得混乱，难以管理。一个常见的情况就是，在开发项目A时使用了1.0版B库，此时开发一个新的项目也要使用B库，但版本要求是2.0。如果升级B库，此前开发的项目A就可能会出现问题。如果不升级，新项目开发就遇到阻碍。为了避免这种情况，最好的做法就是单独创建不同的Python虚拟环境。每个虚拟环境都是一个独立的不会影响系统原本Python环境的空间，在这个空间中编写程序和安装依赖库都不会影响系统本身的Python环境以及其他Python虚拟环境，这样不仅方便管理，也避免了很多包冲突的问题。

下面使用conda来创建一个名为tfpy36的虚拟环境。

  conda create -n tfpy36 python=3.6

这样conda就会为我们自动创建一个Python 3.6的虚拟环境，名为tfpy36。如果无法直接使用conda命令，则需要对系统的环境变量进行相应的修改。

等待创建完成后，就可以进入该虚拟环境进行操作了。

□Mac/Linux进入方式

  #进入虚拟环境
  source activate tfpy36
  #退出虚拟环境
  source deactivate

□Windows进入方式

  #进入虚拟环境
  activate tfpy36
  #退出虚拟环境
  deactivate tfpy26

进入虚拟环境后，就可以在该虚拟环境中安装各种依赖库，以及使用该虚拟环境进行模型的开发了，这里直接通过pip来安装TensorFlow，方便后面直接使用。

  # 安装仅CPU版
  pip install tensorflow==1.9
  # 安装GPU版
  pip install tensorflow-gpu==1.9

TensorFlow迭代速度较快，在编写本书时，TensorFlow版本为1.9，所以这里推荐安装1.9版本的TensorFlow，不同的系统在TensorFlow的安装上会有一些差异，可以参考官方提供的安装文档。

安装完成后，可以简单测试使用一下，首先通过pip安装增强式Python交互环境IPython，pip install ipython，然后在命令行中输入ipython进入增强式Python交互环境，导入TensorFlow并进行一个简单的测试，以检查TensorFlow是否安装成功，具体代码如下。

  In [1]: import tensorflow as tf
  In [2]: a = tf.constant(1.0, tf.float32)
  In [3]: b = tf.constant(2.0)
  In [4]: sess = tf.Session()
  2018-08-12 09:43:53.060073: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your
CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
  In [5]: print(a,b)
  Tensor("Const:0", shape=(), dtype=float32) Tensor("Const_1:0", shape=(), dtype=float32)
  In [6]: print(sess.run([a,b]))
  [1.0, 2.0]

当开发比较复杂的项目时，通常会使用相应的IDE进行开发，这里推荐使用PyCharm作为Python的开发工具，下载安装后新建一个名为tfgan的项目，新建项目时PyCharm本身支持为该项目创建独立的Python虚拟环境，这里直接导入此前创建好的Python虚拟环境即可。如果每个项目都创建一个单独的虚拟环境，个人觉得太冗余与繁杂了。如果每个项目都创建一个虚拟环境，那么在每个项目都要重复安装常用依赖库的过程，比较好的做法是同类型项目使用同一个虚拟环境，如图1.1所示。

图1.1 PyCharm创建项目

如果是已经存在的项目，要使用conda创建的虚拟环境，则需要打开PyCharm的设置面板，进行图1.2所示的选择。

图1.2 PyCharm选择虚拟环境

值得一提的是，Anaconda通常将不同的虚拟环境都放置在根目录的envs文件夹下，所以在使用conda创建的虚拟环境时，导入envs目录不同Python虚拟环境bin目录下的python即可，具体如图1.3所示。

图1.3 bin目录

上一章目录下一章