近期计划写一写机器学习微信小程序的开发教程，但微信开发工具只提供了Windows和Mac OS版本，作为一名长期使用Linux系统的开发人员，虽然始终认为Linux系统才是对开发者最友好的，但微信团队作出这种选择，肯定经过调查。不管我怎样认为Linux系统如何之好，Windows系统毕竟是主流，大多数开发者使用的系统也是Windows系统，所以打算写一写Windows环境下的机器学习开发环境配置，内容包括Python环境、CUDA、IDE以及微信开发者工具等，这是其中的一篇。

由于历史原因，python长期存在两个版本，python 2和python 3，而且存在兼容问题。虽然经过开发者不断的努力，普遍转向Python 3，但Python 2仍然像打不死的小强，顽强的存在着。比如大多数Linux发行版本，python 2依然是默认版本。再加上python社区非常活跃，各种python库也在不停的向前发展，不同版本python库之间不兼容的情况一直存在。有时开发者也很尴尬，比如发布了一个项目到github，会有读者过来问，为什么代码在我这儿出错？

针对这一状况，建议python开发者使用Anaconda。Anaconda是可以便捷获取python包且对包能够进行管理，同时对环境可以统一管理的发行版本。Anaconda包含了conda、Python在内的超过180个科学包及其依赖项。使用Anaconda有什么好处呢？

1. 可以建立python虚拟环境。

   比如针对python 2的历史遗留代码，建立一个虚拟环境，针对python 3 新代码，再建立一个虚拟环境，两套环境互相隔离，互不影响。不会因为在安装了一个python 2的包，而使得python 3代码无法执行。Python虚拟环境和虚拟机有所不同，它是一种轻量级的隔离机制，所以在空间和速度上几乎没有额外的开销。

2. Anaconda是一揽子解决方案

   python的用户可能知道，通过安装virtualenv，也可以建立python虚拟环境，但需要下载python，设置环境变量，安装pip，安装virtualenv，…诸多繁琐步骤，而且为了使用方便，可能还要安装wrap脚本。而anaconda作为python环境一揽子解决方案，安装包中包含了python发行包，集成包管理工具，只需要下载和安装一个软件包，即可解决。而且Anaconda支持Windows、Linux及Mac OS系统，在各操作系统下操作一致，减少操作系统迁移的成本。

3. Anaconda的虚拟环境可复制

   Anaconda的虚拟环境可以导出为一张列表，列表上包含环境中所有python包的名称及版本信息，这样他人可以导入该列表，复制出一个一模一样的python虚拟环境。列表为文本文件，便于分享，可以加入git管理，在开发过程中，哪些python库依赖发生了变化，可以追溯。

下面就说说在Windows 10下如何安装和配置Anaconda。

获取Anaconda

和Windows下其它应用软件的安装类似，首先去Anaconda的官网下载安装包，下载地址为：

https://www.anaconda.com/distribution/

建议选择Python 3.7的64位版本：

这里选择python 3.7，并不意味着python虚拟环境只能是python 3，而是默认的python虚拟环境为python 3。虽然python 2的生命力很顽强，但是新写的代码建议用python 3。

安装软件包。根据安装向导进行安装即可，选择安装类型这个步骤需要注意：

建议选择 Just Me 这个选项，如果选择All users，可能需要管理员权限。如果你是系统的管理员用户，这个倒问题不大。

创建python虚拟环境，安装tensorflow

Anaconda安装之后，我们可以看到Windows启动栏多了Anaconda3 (64-bit) 程序组，点击Anaconda Prompt(Anaconda3)：

启动Anaconda命令行：

我们可以注意到命令行前面有一个 (base) 字样，这表明当前Anaconda的虚拟环境名为base，这也是Anaconda默认的虚拟环境。

接下来为tensorflow创建一个虚拟环境。因为TensorFlow有支持GPU的版本，如果要TensorFlow支持GPU，还需要额外安装一些软件和配置，先暂时放一放，到下篇文章再详细展开。我们把虚拟环境命名为tensorflow_gpu：

conda create --name tensorflow_gpu

切换到我们创建的tensorflow_gpu虚拟环境：

activate tensorflow_gpu

可以注意到，命令行前面的字样变成了 (tensorflow_gpu) ，表明已经切换到tensorflow_gpu这个虚拟环境:

安装tensorflow-gpu包：

conda install -c anaconda tensorflow-gpu

当然你也可以采用pip的方式进行安装，这个看个人喜好。

可以使用如下的代码进行测试：

import tensorflow as tfprint(tf.__version__)
tf.test.is_gpu_available()

结果如下：

1.13.12019-08-09 15:45:13.852793: I tensorflow/core/platform/cpu_feature_guard.cc:141]Your CPU supports instructions that this TensorFlow binary was not compiled to
use: AVX AVX2
2019-08-09 15:45:15.069595: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1
433] Found device 0 with properties:
name: GeForce GTX 950M major: 5 minor: 0 memoryClockRate(GHz): 1.124
pciBusID: 0000:01:00.0
totalMemory: 2.00GiB freeMemory: 1.92GiB
2019-08-09 15:45:15.085195: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1
512] Adding visible gpu devices: 0
Traceback (most recent call last):File "<stdin>", line 1, in <module>File "C:\Anaconda3\envs\tensorflow_gpu\lib\site-packages\tensorflow\python\fra
mework\test_util.py", line 1242, in is_gpu_availablefor local_device in device_lib.list_local_devices():File "C:\Anaconda3\envs\tensorflow_gpu\lib\site-packages\tensorflow\python\cli
ent\device_lib.py", line 41, in list_local_devicesfor s in pywrap_tensorflow.list_devices(session_config=session_config)File "C:\Anaconda3\envs\tensorflow_gpu\lib\site-packages\tensorflow\python\pyw
rap_tensorflow_internal.py", line 1829, in list_devicesreturn ListDevices(status)File "C:\Anaconda3\envs\tensorflow_gpu\lib\site-packages\tensorflow\python\fra
mework\errors_impl.py", line 528, in __exit__c_api.TF_GetCode(self.status.status))
tensorflow.python.framework.errors_impl.InternalError: cudaGetDevice() failed. S
tatus: CUDA driver version is insufficient for CUDA runtime version

可以看出，tensorflow包导入和使用没有问题，当前使用的TensorFlow 1.13.1版本，但没有GPU支持。如何让TensorFlow支持GPU加速，下一篇文章再详细说明。

如果要退出当前的虚拟环境，可以使用如下命令：

conda deactivate

导出和导入虚拟环境

现在我们创建了一个名为tensorflow_gpu的虚拟环境，如果要分享给他人，可以将环境导出为一个文本文件：

activate tensorflow_gpuconda env export > c:/tensorflow_gpu.yml

上面的命令将环境导出到tensorflow_gpu.yml文件中，我们可以用文本编辑器打开看一看里面的内容：

name: tensorflow_gpu
channels:- anaconda- defaults
dependencies:- _tflow_select=2.1.0=gpu- absl-py=0.7.1=py37_0- astor=0.7.1=py37_0- blas=1.0=mkl- ca-certificates=2019.5.15=0- certifi=2019.6.16=py37_0- cudatoolkit=10.0.130=0- cudnn=7.6.0=cuda10.0_0- gast=0.2.2=py37_0- grpcio=1.16.1=py37h351948d_1- h5py=2.9.0=py37h5e291fa_0- hdf5=1.10.4=h7ebc959_0- icc_rt=2019.0.0=h0cc432a_1- intel-openmp=2019.4=245- keras-applications=1.0.8=py_0- keras-preprocessing=1.1.0=py_1- libprotobuf=3.8.0=h7bd577a_0- markdown=3.1.1=py37_0- mkl=2019.4=245- mkl-service=2.0.2=py37he774522_0- mkl_fft=1.0.12=py37h14836fe_0- mkl_random=1.0.2=py37h343c172_0- mock=3.0.5=py37_0- numpy=1.16.4=py37h19fb1c0_0- numpy-base=1.16.4=py37hc3f5095_0- openssl=1.1.1=he774522_0- pip=19.1.1=py37_0- protobuf=3.8.0=py37h33f27b4_0- pyreadline=2.1=py37_1- python=3.7.3=h8c8aaf0_1- scipy=1.3.0=py37h29ff71c_0- setuptools=41.0.1=py37_0- six=1.12.0=py37_0- sqlite=3.29.0=he774522_0- tensorboard=1.13.1=py37h33f27b4_0- tensorflow=1.13.1=gpu_py37h83e5d6a_0- tensorflow-base=1.13.1=gpu_py37h871c8ca_0- tensorflow-estimator=1.13.0=py_0- tensorflow-gpu=1.13.1=h0d30ee6_0- termcolor=1.1.0=py37_1- vc=14.1=h21ff451_3- vs2015_runtime=15.5.2=3- werkzeug=0.15.4=py_0- wheel=0.33.4=py37_0- wincertstore=0.2=py37_0- zlib=1.2.11=h62dcd97_3
prefix: C:\Anaconda3\envs\tensorflow_gpu

内容比较容易理解，就是安装了哪些依赖包。除了导出之外，我们还可以手工创建，也可以修改导出的yml文件，比如修改虚拟环境的名称，这属于比较高级的操作，有兴趣可以看看Anaconda官方文档。

他人在得到这份yml文件后，可以复刻Anaconda虚拟环境：

conda env create -f tensorflow_gpu.y

到此，Windows 10下的机器学习python开发环境就配置好了，接下来还需要更进一步，下一篇文章将讲讲Windows 10下GPU的支持，敬请关注。

参考

1. https://docs.conda.io/projects/conda/en/latest/index.html

2. Installing a Python Based Machine Learning Environment in Windows 10

3. Anaconda介绍、安装及使用教程