學校一位老師要出一系列教程，我幫着寫了一些代碼。以此爲契機開始學習神經網絡。本章是配置篇，教程文件是老師發給我的，跟着一步一步做下來就好。MAC和WINDOWS系統的配置方法都在裏面，文件裏是有圖的。內容來源於文件故表明轉載，但確實不知道是哪裏來的文件（笑）
鏈接：https://pan.baidu.com/s/1f7K763Bl7SCbZBNeRUuSJQ
提取碼：xzlm
一、下載並安裝 Anaconda
訪問 Anaconda 官方網址 https://www.anaconda.com/distribution/；
官網提供了兩種 Python版本的下載按鈕，在這裏推薦下載 Python3.7 版本的 Anaconda；注意選擇和電腦操作系統位數符合的安裝包。
接下來的安裝就和平時安裝軟件一樣。
二、安裝 sklearn 包
在開始菜單中找到 Anaconda 的文件目錄。Anaconda Prompt 是安裝各種 python 包的命令行窗口；Spyder 是編輯和運行 python 程序的界面；Anaconda Navigator 相當於軟件的主界面，點擊進去也能看到Spyder 程序入口。單擊 Anaconda Prompt（或者調出 Windows 命令窗口），輸入conda list 並回車，可以看到目前已經安裝到 python 包。
輸入 conda install scikit-learn 並回車安裝 sklearn 包，在此過程中會被詢問是否進行安裝，輸入 y 並回車，至此係統自動安裝 sklearn 包；
安裝好 sklearn 包後，我們打開 Spyder，輸入：import sklearn 和 print(“hello world”)，點擊左上角綠色三角按鈕運行程序，在藍色框內可以看到程序運行結果，不報錯即成功安裝 sklearn。其他 python 包的安裝：其他 python 包的安裝的命令和 sklearn 包安裝命令一樣， 都是用“conda install 包的名字”，例如安裝 numpy 包，命令爲 conda install numpy。
三、利用 conda 創建虛擬環境
在項目開發過程中我們時常會用到不同的環境配置（可以理解爲爲不同的項目安裝不同的 python 包），有些 python 包之間可能會不兼容，這就需要我們在我們的計算機上對不同的環境配置進行隔離。隔離的方法就是創建虛擬環境。同樣我們還是在 Anaconda Prompt 命令窗口下用命令行的形式創建虛擬環境。
創建虛擬環境命令：conda create -n 虛擬環境名 python=**；例如我們要創建一個名字爲 mypython，python 版本爲 3.6 的虛擬環境，就執行命令： conda create -n mypython python=3.6
刪除虛擬環境命令：conda remove -n 虛擬環境名 --all 例如我們要刪除此前創建的 mypython 虛擬環境，執行命令： conda remove -n mypython –all
激活虛擬環境的命令爲：activate 虛擬環境名；例如激活 mypython 虛擬環境，執行命令： activate mypython
退出虛擬環境：deactivate
四、安裝 Tensorflow
Tensorflow 的安裝方法和 python 包的安裝方法一樣，但是目前 Tensorflow 最穩定的版本最高支持 python3.5，更高的 python 版本安裝 Tensorflow 會出現錯誤，因此先新建名爲 tf 的、python=3.5 的虛擬環境，然後激活虛擬環境在虛擬環境下安裝 Tensorflow。
- 打開 Anaconda Prompt。
- 新建虛擬環境：輸入 conda create -n tf python=3.5 並回車，如圖 1.13 所示。
- 在建立虛擬環境的過程中同樣會被問到是否進行安裝，輸入 y 並回車，如圖 1.14
- 激活虛擬環境：輸入命令 activate tf 並回車，如圖 1.15 所示，從圖中可以看到在激活 tf 虛擬環境後，紅框圈起來的位置由 base 變成 tf，說明虛擬環境 tf 被激活。
- 安裝 Tensorflow。輸入命令：conda install tensorflow 並回車，如圖 1.16 所示；在安裝過程中同樣會被詢問是否安裝，輸入 y 並回車，如圖 1.17 所示。
- 對已經安裝好的 Tensorflow 進行測試。
-
在 Tensorflow 安裝好後，在 tf 虛擬環境激活的情況下，在 Aanaconda Prompt 命令行中輸入 python，進入 python 代碼編輯模式。輸入 Tensorflow 測試代碼：
import tensorflow as tf sess = tf.Session()
a = tf.constant(17)
b = tf.constant(3) sess.run(a+b)
回車後輸出 20，可見 Tensorflow 環境成功配置。