VScode不愧是使用者數量上升最快的編輯器，介面華麗（當然，需要配合各種主題外掛），十分容易上手且功能強大。之前用它寫C++體驗十分nice，現在需要學習tensorflow，而工欲善其事必先利其器，搭建一個舒服的開發環境是非常重要的第一步。

目標：在linux下從無到有，安裝anaconde3,tensorflow,配置vs code，直到可以執行一個tensorflow版hello world（實為mnist手寫資料分類）。儘管有其他的安裝tensorflow的方式，但使用anaconda安裝最方便，而且在conda虛擬環境中安裝不怕搞砸重來，反正是虛擬環境嘛。

安裝Anaconda3

下載Anaconda

對國內使用者來說，最快最方便的方式就是到清華映象站上下載anaconda的安裝包：

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

安裝Anaconda

開啟終端，cd到下載目錄。下載得到的檔案具有.sh字尾，顯然是一個shell指令碼，於是用bash命令執行它：

bash Anaconda3-5.3.1-Linux-x86_64.sh 

以下除非特殊說明，命令均為在bash下執行。

注意這裡的檔名可能與你下載的檔名字不同，務必換成自己下載的檔名。

安裝過程中會有一些需要確認的問題，一路yes即可。

配置環境變數

安裝程式會提示你將Anaconda加入$PATH，如果你沒有加入，或忘記了自己是否選擇了YES，那麼需要配置環境變數。

用任意的編輯器開啟.bashrc檔案(需要sudo 許可權才能編輯)，在檔案末尾新增一行

export PATH="/home/lanhsi/anaconda3/bin:$PATH"
#注意，lanhsi是我的使用者名稱，如果你也將Anaconda安裝在預設位置，那麼將lanhsi替換成你自己的使用者名稱即可，否則需要將地址整個替換為anaconda的安裝位置。

退出編輯器，執行

source ~/.bashrc

這條命令將重新載入你的bash配置，以使環境變數修改生效。

檢驗安裝是否成功：

conda -V

如果像下圖一樣打印出conda版本號，說明安裝成功。

安裝VS CODE

實際上安裝Anaconda時，安裝程式會聲稱anaconda與微軟具有合作關係，然後詢問你是否要安裝VS CODE，如果你在這一步沒有選擇安裝VS CODE，那麼就需要自行安裝了。

由於linux各發行版的安裝方式都不同，因此這裡不詳細描述安裝過程了。對於我使用的ubuntu19.10來說，從vs code官網下載.deb 包，然後終端執行

dpkg -i 包名.deb

即可

安裝TENSORFLOW

首先，建立一個叫做tf的虛擬環境

conda create -n tf

然後，我們需要進入這個剛建立的tf環境中去安裝tensorflow

source activate tf
#注：如要退出這個環境，只需要執行source deactivate tf

進入虛擬環境後，提示符會變化，顯示你正處在的虛擬環境名字

讓conda去安裝tensorflow，以及tensorflow依賴的一大堆其他軟體

conda install tensorflow

過程比較漫長，可以先喝杯咖啡休息一下。

安裝成功後，進入tf虛擬環境，進入python命令列，嘗試匯入tensorflow:

import tensorflow as tf

沒有報錯，那麼說明tensorflow安裝好了。

配置VSCODE

距離萬事大吉只差一步了，只要在VS CODE中新增CONDA的環境，就能在VS CODE中方便的使用tensorflow了。

假定我們已經安裝好了官方Python外掛。開啟VS CODE，點選檔案->首選項，點選左側列表中python旁邊的小齒輪，選擇配置擴充套件資訊

找到右邊的配置選項autoComplete：extraPath，選擇在settings.json中編輯

圖中選中的三行是我們需要新增的資訊。這幾行中，第一行自定義了一個Python直譯器，將其設定為anaconda帶的python直譯器；後面幾行配置了Python自動補全的路徑，相當於是include了這些目錄中的檔案，這樣VS CODE就可以讀取到tensorflow，方便自動補全。同樣，記得將路徑中的lanhsi換成你的使用者名稱。

不要忘了在配置完成後，更換Python直譯器為圖中下拉清單的最後一個也就是在settings.json中設定的那個，相當於將執行環境更換為我們剛新增的conda虛擬環境。

建立一個py檔案，內容為

importtensorflowastf
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)

最後一步，在VSCODE的整合終端中執行這個檔案。

如果配置成功，新建終端時，可以看到自動啟動了conda 且進入了tf虛擬環境：

code runner外掛更是可以一步直接執行檔案，非常方便。

到此VS CODE下的TENSORFLOW環境就搭好了。萬事開頭難，而一個好的開頭又是成功的一半，環境搭好後我們的專案就等於已經開發了一半了(笑）

到此這篇關於從零開始的TensorFlow+VScode開發環境搭建的步驟(圖文)的文章就介紹到這了,更多相關TensorFlow VScode 環境搭建內容請搜尋我們以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援我們！