从零开始的TensorFlow+VScode开发环境搭建的步骤(图文)

VScode不愧是用户数量上升最快的编辑器，界面华丽（当然，需要配合各种主题插件），十分容易上手且功能强大。之前用它写C++体验十分nice，现在需要学习tensorflow，而工欲善其事必先利其器，搭建一个舒服的开发环境是非常重要的第一步。

目标：在linux下从无到有，安装anaconde3, tensorflow, 配置vs code，直到可以运行一个tensorflow版hello world（实为mnist手写数据分类）。尽管有其他的安装tensorflow的方式，但使用anaconda安装最方便，而且在conda虚拟环境中安装不怕搞砸重来，反正是虚拟环境嘛。

安装Anaconda3

下载Anaconda

对国内用户来说，最快最方便的方式就是到清华镜像站上下载anaconda的安装包：

https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

安装Anaconda

打开终端，cd到下载目录。下载得到的文件具有.sh后缀，显然是一个shell脚本，于是用bash命令执行它：

bash Anaconda3-5.3.1-Linux-x86_64.sh 

以下除非特殊说明，命令均为在bash下执行。

注意这里的文件名可能与你下载的文件名字不同，务必换成自己下载的文件名。

安装过程中会有一些需要确认的问题，一路yes即可。

配置环境变量

安装程序会提示你将Anaconda加入$PATH，如果你没有加入，或忘记了自己是否选择了YES，那么需要配置环境变量。

用任意的编辑器打开.bashrc文件(需要sudo 权限才能编辑)，在文件末尾添加一行

export PATH="/home/lanhsi/anaconda3/bin:$PATH"
#注意，lanhsi是我的用户名，如果你也将Anaconda安装在默认位置，那么将lanhsi替换成你自己的用户名即可，否则需要将地址整个替换为anaconda的安装位置。

退出编辑器，执行

source ~/.bashrc

这条命令将重新载入你的bash配置，以使环境变量修改生效。

检验安装是否成功：

conda -V

如果像下图一样打印出conda版本号，说明安装成功。

安装VS CODE

实际上安装Anaconda时，安装程序会声称anaconda与微软具有合作关系，然后询问你是否要安装VS CODE，如果你在这一步没有选择安装VS CODE，那么就需要自行安装了。

由于linux各发行版的安装方式都不同，因此这里不详细描述安装过程了。对于我使用的ubuntu19.10来说，从vs code官网下载.deb 包，然后终端运行

dpkg -i 包名.deb

即可

安装TENSORFLOW

首先，创建一个叫做tf的虚拟环境

conda create -n tf

然后，我们需要进入这个刚创建的tf环境中去安装tensorflow

source activate tf
#注：如要退出这个环境，只需要执行source deactivate tf

进入虚拟环境后，提示符会变化，显示你正处在的虚拟环境名字

让conda去安装tensorflow，以及tensorflow依赖的一大堆其他软件

conda install tensorflow

过程比较漫长，可以先喝杯咖啡休息一下。

安装成功后，进入tf虚拟环境，进入python命令行，尝试导入tensorflow:

import tensorflow as tf

没有报错，那么说明tensorflow安装好了。

配置VSCODE

距离万事大吉只差一步了，只要在VS CODE中添加CONDA的环境，就能在VS CODE中方便的使用tensorflow了。

假定我们已经安装好了官方Python插件。打开VS CODE，点击文件->首选项，点击左侧列表中python旁边的小齿轮，选择配置扩展信息

找到右边的配置选项autoComplete：extraPath，选择在settings.json中编辑

图中选中的三行是我们需要添加的信息。这几行中，第一行自定义了一个Python解释器，将其设置为anaconda带的python解释器；后面几行配置了Python自动补全的路径，相当于是include了这些目录中的文件，这样VS CODE就可以读取到tensorflow，方便自动补全。同样，记得将路径中的lanhsi换成你的用户名。

不要忘了在配置完成后，更换Python解释器为图中下拉清单的最后一个也就是在settings.json中设置的那个，相当于将运行环境更换为我们刚添加的conda虚拟环境。

创建一个py文件，内容为

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])


model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5)


model.evaluate(x_test,  y_test, verbose=2)

最后一步，在VSCODE的集成终端中运行这个文件。

如果配置成功，新建终端时，可以看到自动启动了conda 且进入了tf虚拟环境：

code runner插件更是可以一步直接运行文件，非常方便。

到此VS CODE下的TENSORFLOW环境就搭好了。万事开头难，而一个好的开头又是成功的一半，环境搭好后我们的项目就等于已经开发了一半了(笑）