pycharm深度学习tensorflow环境配置，使用anaconda安装，MINIT验证

    自己在配置深度学习时，发现网上关于tensorflow环境的配置都叙述的不够详细，通过自己多次尝试才安装成功，安装成功的这种心情是每一个深度学习新手都明白的。安装成功自己总结出在pycharm编辑器中使用anaconda配置tensorflow环境，并且使用MINIST数据集验证安装是否成功。希望能帮到正在烦躁的安装深度学习环境的人！1. tensorflow的安装在tensorflow安装之前配置环境，根据自己计算机的计算能力下载相应的cuda和匹配的cudnn，此次自己使用cuda9.0,cudnn版本是windows 7下的v7.0.5。cuda和cudnn一定要相匹配！！！！！！！1) cuda下载：下载地址为https://developer.nvidia.com/cuda-toolkit-archive找到相应的cuda下载。2) cudnn下载及环境配置：下载地址为https://developer.nvidia.com/rdp/cudnn-archive，下载完成后有三个文件夹，分别为bin、include、lib。然后将这三个文件夹路径加到系统环境变量PATH中，也可直接放在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\下的bin,include,lib目录下。3) Anaconda下载：下载地址为https://www.anaconda.com/download/，选择相应的python版本，自己选用的python3.6版本。下载完成后打开Anaconda Prompt 终端，然后使用以下命令创建tensorflow的conda环境：conda create -n tensorflow python=3.6(conda中的python版本为3.6，也可为3.5)。创建完成后输入activate tensorflow命令激活tensorflow环境。4) tensorflow下载：使用以下命令下载tensorflow-gpu版，此次自己使用gpu1.8.0版本pip install --ignore-installed --upgrade tensorflow-gpu   使用以下即可下载cpu版pip install --ignore-installed --upgrade tensorflow-gpu安装完成后在此打开Anaconda Prompt 终端，输入activate tensorflow激活Anaconda中的tensorflow环境。输入python进入交互环境，再输入import tensorflow as tf命令，若没有出现错误即表示安装成功。典型的错误是tensorflow模块找不到(引入tensorflow未激活tensorflow环境)，解决方法为；打开Anaconda Prompt 终端应先输入activate tensorflow命令然后再输入python命令进入python shell交互环境再引入tensorflow;没有发现cudnn64_x（其主要是因为cuda与cudnn没有完成匹配）。然后依次输入一下命令：hello = tf.constant(‘hello tensorflow’)Sess = tf.Session()print(sess.run(hello))即可输出hello tensorflow。注：也可通过anaconda下载安装tensorflow，进入Anaconda Navigator 然后进入Environments，点击Not installed 搜索tensorflow即可下载。2. pycharm编辑器tensorflow环境的配置进入pycharm编辑器设置解释器，create VirtualEnv路径为tensorflow下的python.exe，创建完成即可。1) 可能出现的错误：(1) 若在Anaconda Prompt进入tensorflow中的python终端引入tensorflow没有错误，而在pycharm中出现cudnn64_7未找到的错误。解决方法：X:\cuda\bin\cudnn64_7.dll 复制到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin X:\cuda\include\cudnn.h 复制到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\include X:\cuda\lib\x64\cudnn.lib 复制到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64(2) Unable to load cuDNN DSO. 这个是因为装了高版本的cuDNN，而TensorFlow暂时不支持 解决方法：去NVIDIA cuDNN下载低版本的cuDNN。解压配置好后再重复上面的复制文件即可。(3) urllib.error.URLError: <urlopen error [WinError 10054]。出现以上错误即MNIST_data数据未下载下来或路径错误。解决方法：手动下载数据集，将MNIST_data数据集放到.py文件的相同目录下即可。2) 以下使用MNIST手写数字识别进行测试# 获得数据集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 查看mnist数据集的情况
print(mnist.train.images.shape,mnist.train.labels.shape)
print(mnist.test.images.shape,mnist.train.labels.shape)
print(mnist.validation.images.shape,mnist.train.labels.shape)

import tensorflow as tf

# Session
sess = tf.InteractiveSession()

# 输入图像数据占位符
x = tf.placeholder(tf.float32, [None, 784])

# 权值和偏差
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# 使用softmax模型
y = tf.nn.softmax(tf.matmul(x, W) + b)

# 代价函数占位符
y_ = tf.placeholder(tf.float32, [None, 10])

# 交叉熵评估代价
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))

#使用梯度下降算法优化：学习速率为0.5
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
#初始化变量
tf.global_variables_initializer().run()

#训练模型，训练1000次
for _ in range(1000):
  batch_xs, batch_ys = mnist.train.next_batch(100)
  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

#计算正确率
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))运行结果：输出显示得到模型的准确率   

由结果可知mnist数据集中有训练集有55000个样本，测试集有10000个样本，验证集有5000个样本。

如果出现以上结果pycharm中tensorflow环境安装成功