前言：要有版本意识
在我个人的多次配置环境过程中，很多时候失败或者后序出现问题，往往都是版本不匹配的问题。所以在本次安装中，提前重点了解了下版本匹配情况。各位千万不要跳过这部分，因为这不仅是基础知识了解的过程，也很可能帮我们后期省略很多麻烦，所谓磨刀不误砍柴工，大抵就是如此。
我们常见有两种了解方式：
第一种，官网查看：
例如：在TensorFlow官网的安装目录下，就列举了很多环境配置情况：
链接网址如下：TensorFlow在window下的配置
我们直接从官网上看版本配置即可。
第二种方法是使用conda命令查询：
例如，我发现官网那里没有cudatoolkit的版本，一般还是建议安装cudatoolkit的，我们使用命令：conda search cudatoolkit --info就会看到cudatoolkit的版本
我们可以继续下拉查看：
发现后面版本都有constraints - _cuda>=xx.x版本的信息，所以我们通过这种命令，大概就能了解我们需要安装什么样的cudatoolkit包。
再举个例子：
我之前说我本地的cuda是12.0，而官网安装配置里面最高cuda版本是11.2。一般来说cuda是新的话，加上python是3.8，我们都可以直接默认下载安装最新的cudatoolkit,cudnn等包。不过我们可以看看cudnn版本：
命令：conda search cudnn --info
继续下拉：
我们发现不仅有相关依赖的cudatoolkit版本，也有cuda版本。所以说通过查看命令，我们就能通过自己的cuda版本，便能查找到需要配置的其他包的版本。将我们出现包版本不匹配的问题降低。
1.查看自身电脑显卡的cuda版本
命令：nvidia-smi
由于我的cuda是12.0，算很新的那种，然后python版本是3.8，即python也不是老版本。所以后序的配置一般默认即可，毕竟默认通常都是下载最新的包版本。不过，我通过上面例举的命令查看cudnn后，发现最新的cudnn版本都是基于cuda12.0的，这样我使用默认安装就更放心了。cudatoolkit等也是同理。
2.conda创建一个专门给keras用的环境
conda的好处是可以创建多个虚拟环境，进行隔离。毕竟谁也不想自己的环境里面乱糟糟的，可能还会有很多冲突问题。
在base环境下创建一个环境，格式如下：conda create -n 环境名称 python=版本
使用conda activatet 环境名称激活
2.下载cudatoolkit,cudann包
注意使用镜像，往往会快点，不使用镜像可能会下载失败或者很慢。
格式如下：
conda install cudatoolkit=xx.x -c https://mirrors.bfsu.edu.cn/anaconda/pkgs/main/win-64/conda install cudnn=xx.x -c https://mirrors.bfsu.edu.cn/anaconda/pkgs/main/win-64/
3.安装TensorFlow
命令：pip install tensorflow_gpu==x.x.x -i https://pypi.tuna.tsinghua.edu.cn/simple/
TensorFlow有查看信息的命令，不过查看出来的内容很复杂，不如官网直接，
查看信息：
anaconda search -t conda tensorflow
4.安装keras
注意，TensorFlow2.0以上版本内置的keras，所以TensorFlow2.0以上版本的可以不用安装keras
安装keras：pip install Keras==x.x.x
5.安装jupyter
命令：conda install jupyter
`
6.添加kernel
命令：
conda install -c anaconda ipykernelpython -m ipykernel install --user --name=kerasgpu --display-name kerasgpu
#格式含义：
#python -m ipykernel install --user --name=内核真名 --display-name 在内核选择时显示的内核假名
启动jupyter命令：jupyter notebook #启动jupyter
启动后
7.其他
验证是否可以使用gpu：
import tensorflow as tf
tf.test.is_gpu_available()
出现True即可。
由于后期该命令可能弃用，所以新命令：
import tensorflow as tf
tf.config.list_physical_devices('GPU')
出现device_type='GPU’即可
查看已经安装的包和版本命令，该命令非常有用，尤其是出现版本冲突的时候：
conda list 解决conda环境安装包报错：The following packages are not available from current channels
8.后记
在启动jupyter notebook后运行出现一些问题：
1.TypeError: Descriptors cannot not be created directly.
If this call came from a _pb2.py file, your generated code is out of date and must be regenerated with protoc >= 3.19.0.
If you cannot immediately regenerate your protos, some other possible workarounds are:
1.Downgrade the protobuf package to 3.20.x or lower.
2.Set PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python (but this will use pure-Python parsing and will be much slower).
该问题解决方法，已经在描述问题给出了。降低protobuf版本到3.19.0及以上。
你可以使用conda list查看当前环境下的包以及版本，找到protobuf的，我当时是5.xx.x版本，然后
卸载pip uninstall protobuf 再安装：pip install protobuf==3.19.0
不过此时又出现error，说要求3.19.6及以上版本，那就修改一下版本就行
2.ImportError: cannot import name ‘dtensor’ from ‘tensorflow.compat.v2.experimental’ (E:\condaenvs\kerasgpu\lib\site-packages\tensorflow_api\v2\compat\v2\experimental_init_.py)
这是再次启动jupyter后出现的。这个问题是keras和TensorFlow版本不匹配导致的。我之前说TensorFlow2.0以上版本内置keras，但是貌似内置的也会出现不匹配问题。
可以使用conda list命令查询下包和版本，例如我查看到自己的TensorFlow是2.6.0，但是keras是2.15.0版本，所以keras版本太高了。
命令：pip uninstall keras卸载pip install keras==版本号这里安装的版本和TensorFlow的版本一样即可
3.Kernel Restarting The kernel for xxx appears to have died. It will restart automatically或者是Could not locate zlibwapi.dll. Please make sure it is in your library path
参考我写的这个博客：Kernel Restarting The kernel for xxx appears to have died. It will restart automatically
)
