Win10下的Anaconda, TensorFlow以及Pycharm环境搭建和配置
写在开头的话
这篇文章是我的第一篇，主要记录和描述在实验室电脑上的TensorFlow学习的第一步，搭建相关开发环境的主要过程
以下是正文部分
主要搭建环境的软件配置为Windows10，Anaconda5.3.0， TensorFlow1.10.0，编译器为pyCharm
- Anaconda
Anaconda是一个python的发行版本，同时也是一个很方便的python版本和环境的管理工具。通过Anaconda可以很方便的进行python的环境切换，版本管理，库的安装等等。对于很多操作，Anaconda都提供了（windows中）在cmd中的命令操作以及更为直观的可视化操作
最官方版本的Anaconda可以在
https://www.anaconda.com/download/
直接进行下载，选择自己对应的操作系统版本就可以了。
下载之后得到一个Anaconda3-5.3.0-Windows-x86_64.exe的安装包。其中5.3.0是anaconda的版本号。和python版本无关。执行该安装包的安装后（我是安装在F:\Anaconda 目录下）配置对应的环境变量：
控制面板=>系统和安全=>系统=>高级系统设置=>环境变量=>用户变量:
双击Path，添加=>输入F:\Anaconda\Scripts
保存退出后，就可以在cmd中查看能否执行conda操作了
在桌面上按下Win+R 在运行中输入cmd并按回车
输入conda env list
这个命令是列出当前Anaconda中有多少已经完成搭建的环境，如果没有出现问题的话，会显示目前有的基础环境，即base
我们还可以执行activate指令，该指令会进入到基础的base环境当中，我们可以在该环境中进行python编程
上图的python是默认的基础配置，py版本为3.7.0
我们也可以通过
conda create -n newenv python=3.5
该指令可以创建一个新的python环境，新环境的名字叫newenv，在该环境中的python版本是3.5 。执行该命令，Anaconda会自动查找，下载，安装对应版本的python
输入y执行建立进程
建立完成后，通过conda env list指令可以查看到我们的新环境已经建好了，同时用activate newenv也可以进入新的python环境中
可以看到新的newenv环境中的py版本为3.5.6
关于Anaconda环境的概念个人理解：
anaconda实际上是实现了在不同的文件夹中配置上不同环境和版本的python这样一个功能。我们打开anaconda的安装目录中的env文件夹，可以找到所有我们已经建立好的环境。每一个环境中都配置了该环境下独有的python解释器和需要的各种库等等。在anaconda安装目录的envs文件夹中，我们可以查看每个环境的详情
可以看见，每一个[环境]实际上就是一个新的python的完整开发所需要的python安装环境。通过对envs中不同的文件夹进行使用和管理，就实现了不同版本的py开发管理。
- TensorFlow安装
Anaconda提供了一种非常方便的可视化的方法来新建环境以及安装各种第三方的库文件。我通过可视化的方式进行TensorFlow安装
开始=>Anaconda3(64-bits)=>Anaconda Navigator
在该界面中，点击右边environment，我们可以对现有的环境进行管理
点击create，新建一个名为tensorflow的环境。注意在此处将py版本选为3.5 目前TensorFlow还不支持高于3.5的py版本
新建完成后，我们选择该环境，并在右边的第三方库中选择not installed，搜索tensorflow
会有多个tensorflow版本以供下载（上图中我的初始tensorflow已经完成了下载，所以显示的是使用gpu版本的或者r-tensorflow等等版本）选中需要的版本并点击右下角apply即可完成安装
在安装完成后，我们在命令行中就可以进入该环境并在py代码中导入tensorflow了
正常工作说明已经完成了tensorflow的导入
- pyCharm引入该环境
打开pycharm，我门需要在设置中配置和改变项目的环境
File=>Setting=>Project=>Project Interpreter
点击右上角小齿轮=>Add…
在新建Interpreter界面中，我们选择左边第二项，Conda Environment，选择右边下面的Existing environment，在interpreter中选择我们已经配置好的tensorflow环境中的解释器
之后在项目的external libraries中就可以看见对应的python版本以及库了，同时我们也可以使用tensorflow了
写在文章末尾
环境完成后，下一步是尝试开始第一个学习项目，在已经完成工作的基础上，我还有很多事情要做。计划是在现有的环境基础上实操完成MNIST的机器学习作为初步的工作基础