库的安装
1、spacy和en_core_web_md安装
spacy库安装：
pip install -U spacyen库安装
python -m spacy download enen_core_web_md库安装
python -m spacy download en_core_web_md2、numpy库安装
pip install numpy如果ImportError: No module named 'numpy.testing.nosetester''
解决方法：问题的原因是numpy版本>1.18，而scipy的版本<=0.19，所以只要把scipy的版本更新，比如1.1.0就行了
3、opencv库安装
opencv的whl包的清华镜像下载地址：https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple/opencv-python/
opencv库依赖于numpy，如果网络太慢的话，可以先安装numpy
pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple/测试
import cv2
# 读取图片，注意路径、图片名不能有中文
img = cv2.imread('1.jpg')
# 图像显示
cv2.imshow('image',img)
# 等待键盘输入，单位为毫秒，即等待指定的毫秒数看是否有键盘输入,若在等待时间内按下任意键则返回按键的ASCII码，程序继续运行。若没有按下任何键，超时后返回-1。参数为0表示无限等待。不调用waitKey的话，窗口会一闪而逝，看不到显示的图片
cv2.waitKey(0)
# 销毁所有窗口
cv2.destroyAllWindows()
4、matplotlib库安装
pip install matplotlib5、tensorflow-cpu安装
较好的python+tensorflow+keras的组合
- Python 3.5.2 或python3.6
- Keras 2.1.5
- tensorflow 1.6.0
电脑如果是AMD显卡，只能安装cpu版本，不能安装gpu版本，使用pip安装的tensorflow默认是cpu版本，tenforflow与python版本的匹配可以查看：https://tensorflow.google.cn/install/source_windows
tf的cpu版本清华镜像下载地址：https://pypi.tuna.tsinghua.edu.cn/simple/tensorflow/
tensorflow各版本及其匹配的依赖库的查询：https://docs.floydhub.com/guides/tensorflow/
python3.7的话可以安装tensorflow2.0.0
pip install tensorflow==1.6.0如果网速慢的话，可以去清华大学的镜像网站
https://pypi.tuna.tsinghua.edu.cn/simple/tensorflow/下载whl包来安装
如果在安装时出现ERROR: Cannot uninstall 'wrapt'. It is a distutils installed project and thus we cannot accurately determine which files belong to it which would lead to only a partial uninstall，直接使用
pip install wrapt --ignore-installed然后重新安装tensorflow
pip install tensorflow在import tensorflow时出现以下错误
错误①：
解决：将numpy版本降低，安装tensorflow1.6.0时默认安装的是numpy1.18.4
pip install numpy==1.16错误②：ImportError: numpy.core.multiarray failed to import
解决：先把numpy卸载了
pip uninstall numpy然后重新安装tensorflow
pip install tensorflow==1.6.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/错误③：
FutureWarning: Conversion of the second argument of issubdtype fromfloattonp.floatingis deprecated. In future, it will be treated asnp.float64 == np.dtype(float).type.
from ._conv import register_converters as _register_converters
解决方法：升级h5py版本
pip install -U h5py错误④：ImportError: DLL load failed: 动态链接库(DLL)初始化例程失败 (win10)和ImportError: DLL load failed with error code -1073741795 (Win7)
解决方法：新版本的 TensorFlow（1.6）会出现此问题，根据 TensorFlow 1.6.0 的发布说明，该版本会使用 AVX 指令，所以可能会在旧 CPU 上不能运行
Prebuilt binaries will use AVX instructions. This may break TF on older CPUs.先把tensorflow-1.6.0版本的先卸载了，然后安装tensorflow-1.5.0的（建议在python3.6的环境中安装）
查看所使用的tensorflow是GPU还是CPU版本
激活python环境输入：
import os
from tensorflow.python.client import device_lib
os.environ["TF_CPP_MIN_LOG_LEVEL"] = "99"
print(device_lib.list_local_devices())
记录python3.7安装tensorflow-cpu-2.2.0的坑
注意：tensorflow-cpu-2.2.0导入时自带了警告信息could not load dynamic library 'cudart64_101.dll',dlerror:cuda64_101.dll not found
ignore above cudart dlerror if you do not have a GPU set up on your machine
意思是无法加载动态库“cudart64_101.dll”，错误：cuda64_101.dll找不到，如果您的计算机上没有设置GPU，请忽略上面的错误，如果使用的是CPU版本的话，可以忽略
错误①：安装tensorflow-cpu-2.2.0导入时出现ImportError：DLL load failed：找不到指定的模块
解决方法：下载Microsoft Visual C++ Redistributable for Visual Studio 2015, 2017 and 2019，然后安装即可，注意一定要包含2019的，下载地址：https://support.microsoft.com/en-us/help/2977003/the-latest-supported-visual-c-downloads
错误②：安装tensorflow-cpu-2.2.0导入时出现UserWarning:h5py is running HDF5 1.10.5 when it was built against 1.10.4,this may cause problems
解决方法：先卸载h5py
pip uninstall h5py重新安装h5py
pip install h5py错误③：安装tensorflow-cpu-2.2.0导入时出现from google.protobuf.pyext import _message ImportError: DLL load failed: 找不到指定的程序
解决方法： protobuf安装版本过高，出现了不兼容的问题。更换为 protobuf 3.6.0即可
pip install protobuf==3.6.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/记录Anaconda中的python3.7安装tensorflow-cpu-2.0.0的坑
错误①：安装tensorflow-cpu-2.0.0导入时出现DLL load failed with error code 32212255
解决方法：在anaconda中创建一个python3.6的环境，安装tensorflow-cpu-1.5.0的版本
错误②：Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
解决方法：可以选择忽略这个错误，在最顶行写入以下代码
import os
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='1' # 这是默认的显示等级，显示所有信息
os.environ["TF_CPP_MIN_LOG_LEVEL"]='2' # 只显示 warning 和 Error
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='3' # 只显示 Error 6、tensorflow-gpu安装(win10)
安装环境：win10+Visual Studio 2017+CUDA9+cuDNN7.6+python3.6.10（3.6版本都行）+tensorflow-gpu-1.6.0
总的环境安装包文叔叔链接，七天有效
nvidia与cuda需要满足关系：
https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.htmlcuda与cudnn需要满足关系：
https://developer.nvidia.com/rdp/cudnn-archivecuda历史版本下载连接：
https://developer.nvidia.com/cuda-toolkit-archiveTensorflow不同版本要求与CUDA及CUDNN版本对应关系:
https://blog.csdn.net/u013066730/article/details/88845083tf的gpu版本清华镜像下载地址：https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple/tensorflow-gpu/
cuda与nvidia显卡驱动版本对应：https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
查看NVIDIA显卡驱动
一、查看显卡支持的CUDA版本
打开NVIDIA控制面板，如下图所示。选择“系统信息”–“组件”，找到NVCUDA.DLL信息显示即为显卡支持的CUDA最高版本
如果电脑中NVIDIA控制面板找不到，可以在服务的选项中找到NVIDIA Display Container LS查看这个服务是否启用
注意：如果本地没有NVIDIV控制面板，先去NVIDIA官网https://www.nvidia.cn/Download/index.aspx?lang=cn下载对应的显卡驱动程序
①去NVIDIA官网https://www.nvidia.cn/Download/index.aspx?lang=cn选择对应的显卡驱动程序
②安装完成后，在cmd中输入命令nvidia-smi，如果输出下图所示的显卡信息，证明你的驱动安装成功
注意：安装完驱动后，电脑一定要重启下，电脑一定要重启下，电脑一定要重启下。
方法2：
NAIDIA官网查看显卡型号支持：https://developer.nvidia.com/cuda-gpus，AMD的显卡是不支持的
参考TensorFlow官网对安装GPU版本的需求说明，需要CUDA、cuDNN和英伟达GPU计算能力大于3的显卡
CUDA对应的显卡算力要求
cuda与nvidia显卡驱动版本对应
二、win10安装Visual Studio 2017
Visual Studio2017官网： https://docs.microsoft.com/en-us/visualstudio/releasenotes/vs2017-relnotes
Visual Studio各版本安装：蓝奏云通道
1、下载Community版本
2、一定要勾选“使用C++的桌面开发”，不然会面临后续的CUDA编译错误，根据个人情况选择修改路径；
3、由于Visual Studio Community 2017采用的是下载安装的方式，有时候下载速度很慢，解决方法如下：
①使用站长工具：http://tool.chinaz.com/dns/，查询微软的下载网站的域名 download.visualstudio.microsoft.com，找到最近的cdn节点
②以管理员模式打开编辑C:\Windows\System32\drivers\etc目录下的hosts文件，
在hosts文件最底下添加：125.44.97.84 download.visualstudio.microsoft.com
4、安装好后，选择 “启动” 按钮打开Visual Studio2017，此时会有一个登录窗口，点击下侧的 “以后再说”,就可以愉快地使用VS2017啦
三、win10安装CUDA9
CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用
tensorflow-gpu版本、CUDA版本、Python版本、cuDNN版本匹配如下图：
| 路径 | 编译器 | CUDA / cuDNN | SIMD | 笔记 |
|---|---|---|---|---|
| 2.2.0 \ py37 \ CPU + GPU \ cuda102cudnn76sse2 | VS2019 16.5 | 10.2.89_441.22 / 7.6.5.32 | x86_64 | Python 3.7 /计算3.0 |
| 2.2.0 \ py37 \ CPU + GPU \ cuda102cudnn76avx2 | VS2019 16.5 | 10.2.89_441.22 / 7.6.5.32 | AVX2 | Python 3.7 /计算3.0、3.5、5.0、5.2、6.1、7.0、7.5 |
| 2.1.0 \ py37 \ CPU + GPU \ cuda102cudnn76sse2 | VS2019 16.4 | 10.2.89_441.22 / 7.6.5.32 | x86_64 | Python 3.7 /计算3.0 |
| 2.1.0 \ py37 \ CPU + GPU \ cuda102cudnn76avx2 | VS2019 16.4 | 10.2.89_441.22 / 7.6.5.32 | AVX2 | Python 3.7 /计算3.0、3.5、5.0、5.2、6.1、7.0、7.5 |
| 2.0.0 \ py37 \ CPU \ sse2 | VS2019 16.3 | 没有 | x86_64 | Python 3.7 |
| 2.0.0 \ py37 \ CPU \ avx2 | VS2019 16.3 | 没有 | AVX2 | Python 3.7 |
| 2.0.0 \ py37 \ GPU \ cuda101cudnn76sse2 | VS2019 16.3 | 10.1.243_426.00 / 7.6.4.38 | x86_64 | Python 3.7 /计算3.0 |
| 2.0.0 \ py37 \ GPU \ cuda101cudnn76avx2 | VS2019 16.3 | 10.1.243_426.00 / 7.6.4.38 | AVX2 | Python 3.7 /计算3.0、3.5、5.0、5.2、6.1、7.0、7.5 |
| 1.15.0 \ py37 \ CPU + GPU \ cuda101cudnn76sse2 | VS2019 16.3 | 10.1.243_426.00 / 7.6.4.38 | x86_64 | Python 3.7 /计算3.0 |
| 1.15.0 \ py37 \ CPU + GPU \ cuda101cudnn76avx2 | VS2019 16.3 | 10.1.243_426.00 / 7.6.4.38 | AVX2 | Python 3.7 /计算3.0、3.5、5.0、5.2、6.1、7.0、7.5 |
| 1.14.0 \ py37 \ CPU \ sse2 | VS2019 16.1 | 没有 | x86_64 | Python 3.7 |
| 1.14.0 \ py37 \ CPU \ avx2 | VS2019 16.1 | 没有 | AVX2 | Python 3.7 |
| 1.14.0 \ py37 \ GPU \ cuda101cudnn76sse2 | VS2019 16.1 | 10.1.168_425.25 / 7.6.0.64 | x86_64 | Python 3.7 /计算3.0 |
| 1.14.0 \ py37 \ GPU \ cuda101cudnn76avx2 | VS2019 16.1 | 10.1.168_425.25 / 7.6.0.64 | AVX2 | Python 3.7 /计算3.0、3.5、5.0、5.2、6.1、7.0、7.5 |
| 1.13.1 \ py37 \ CPU \ sse2 | VS2017 15.9 | 没有 | x86_64 | Python 3.7 |
| 1.13.1 \ py37 \ CPU \ avx2 | VS2017 15.9 | 没有 | AVX2 | Python 3.7 |
| 1.13.1 \ py37 \ GPU \ cuda101cudnn75sse2 | VS2017 15.9 | 10.1.105_418.96 / 7.5.0.56 | x86_64 | Python 3.7 /计算3.0 |
| 1.13.1 \ py37 \ GPU \ cuda101cudnn75avx2 | VS2017 15.9 | 10.1.105_418.96 / 7.5.0.56 | AVX2 | Python 3.7 /计算3.0、3.5、5.0、5.2、6.1、7.0、7.5 |
| 1.12.0 \ py36 \ CPU \ sse2 | VS2017 15.8 | 没有 | x86_64 | Python 3.6 |
| 1.12.0 \ py36 \ CPU \ avx2 | VS2017 15.8 | 没有 | AVX2 | Python 3.6 |
| 1.12.0 \ py36 \ GPU \ cuda100cudnn73sse2 | VS2017 15.8 | 10.0.130_411.31 / 7.3.1.20 | x86_64 | Python 3.6 /计算3.0 |
| 1.12.0 \ py36 \ GPU \ cuda100cudnn73avx2 | VS2017 15.8 | 10.0.130_411.31 / 7.3.1.20 | AVX2 | Python 3.6 /计算3.0、3.5、5.0、5.2、6.1、7.0、7.5 |
| 1.12.0 \ py37 \ CPU \ sse2 | VS2017 15.8 | 没有 | x86_64 | Python 3.7 |
| 1.12.0 \ py37 \ CPU \ avx2 | VS2017 15.8 | 没有 | AVX2 | Python 3.7 |
| 1.12.0 \ py37 \ GPU \ cuda100cudnn73sse2 | VS2017 15.8 | 10.0.130_411.31 / 7.3.1.20 | x86_64 | Python 3.7 /计算3.0 |
| 1.12.0 \ py37 \ GPU \ cuda100cudnn73avx2 | VS2017 15.8 | 10.0.130_411.31 / 7.3.1.20 | AVX2 | Python 3.7 /计算3.0、3.5、5.0、5.2、6.1、7.0、7.5 |
| 1.11.0 \ py36 \ CPU \ sse2 | VS2017 15.8 | 没有 | x86_64 | Python 3.6 |
| 1.11.0 \ py36 \ CPU \ avx2 | VS2017 15.8 | 没有 | AVX2 | Python 3.6 |
| 1.11.0 \ py36 \ GPU \ cuda100cudnn73sse2 | VS2017 15.8 | 10.0.130_411.31 / 7.3.0.29 | x86_64 | Python 3.6 /计算3.0 |
| 1.11.0 \ py36 \ GPU \ cuda100cudnn73avx2 | VS2017 15.8 | 10.0.130_411.31 / 7.3.0.29 | AVX2 | Python 3.6 /计算3.0、3.5、5.0、5.2、6.1、7.0、7.5 |
| 1.11.0 \ py37 \ CPU \ sse2 | VS2017 15.8 | 没有 | x86_64 | Python 3.7 |
| 1.11.0 \ py37 \ CPU \ avx2 | VS2017 15.8 | 没有 | AVX2 | Python 3.7 |
| 1.11.0 \ py37 \ GPU \ cuda100cudnn73sse2 | VS2017 15.8 | 10.0.130_411.31 / 7.3.0.29 | x86_64 | Python 3.7 /计算3.0 |
| 1.11.0 \ py37 \ GPU \ cuda100cudnn73avx2 | VS2017 15.8 | 10.0.130_411.31 / 7.3.0.29 | AVX2 | Python 3.7 /计算3.0、3.5、5.0、5.2、6.1、7.0、7.5 |
| 1.10.0 \ py36 \ CPU \ sse2 | VS2017 15.8 | 没有 | x86_64 | Python 3.6 |
| 1.10.0 \ py36 \ CPU \ avx2 | VS2017 15.8 | 没有 | AVX2 | Python 3.6 |
| 1.10.0 \ py36 \ GPU \ cuda92cudnn72sse2 | VS2017 15.8 | 9.2.148.1/7.2.1.38 | x86_64 | Python 3.6 /计算3.0 |
| 1.10.0 \ py36 \ GPU \ cuda92cudnn72avx2 | VS2017 15.8 | 9.2.148.1/7.2.1.38 | AVX2 | Python 3.6 /计算3.0、3.5、5.0、5.2、6.1、7.0 |
| 1.10.0 \ py27 \ CPU \ sse2 | VS2017 15.8 | 没有 | x86_64 | Python 2.7 |
| 1.10.0 \ py27 \ CPU \ avx2 | VS2017 15.8 | 没有 | AVX2 | Python 2.7 |
| 1.10.0 \ py27 \ GPU \ cuda92cudnn72sse2 | VS2017 15.8 | 9.2.148.1/7.2.1.38 | x86_64 | Python 2.7 /计算3.0 |
| 1.10.0 \ py27 \ GPU \ cuda92cudnn72avx2 | VS2017 15.8 | 9.2.148.1/7.2.1.38 | AVX2 | Python 2.7 /计算3.0、3.5、5.0、5.2、6.1、7.0 |
| 1.9.0 \ py36 \ CPU \ sse2 | VS2017 15.7 | 没有 | x86_64 | Python 3.6 |
| 1.9.0 \ py36 \ CPU \ avx2 | VS2017 15.7 | 没有 | AVX2 | Python 3.6 |
| 1.9.0 \ py36 \ GPU \ cuda92cudnn71sse2 | VS2017 15.7 | 9.2.148 / 7.1.4 | x86_64 | Python 3.6 /计算3.0 |
| 1.9.0 \ py36 \ GPU \ cuda92cudnn71avx2 | VS2017 15.7 | 9.2.148 / 7.1.4 | AVX2 | Python 3.6 /计算3.0、3.5、5.0、5.2、6.1、7.0 |
| 1.9.0 \ py27 \ CPU \ sse2 | VS2017 15.7 | 没有 | x86_64 | Python 2.7 |
| 1.9.0 \ py27 \ CPU \ avx2 | VS2017 15.7 | 没有 | AVX2 | Python 2.7 |
| 1.9.0 \ py27 \ GPU \ cuda92cudnn71sse2 | VS2017 15.7 | 9.2.148 / 7.1.4 | x86_64 | Python 2.7 /计算3.0 |
| 1.9.0 \ py27 \ GPU \ cuda92cudnn71avx2 | VS2017 15.7 | 9.2.148 / 7.1.4 | AVX2 | Python 2.7 /计算3.0、3.5、5.0、5.2、6.1、7.0 |
| 1.8.0 \ py36 \ CPU \ sse2 | VS2017 15.4 | 没有 | x86_64 | Python 3.6 |
| 1.8.0 \ py36 \ CPU \ avx2 | VS2017 15.4 | 没有 | AVX2 | Python 3.6 |
| 1.8.0 \ py36 \ GPU \ cuda91cudnn71sse2 | VS2017 15.4 | 9.1.85.3/7.1.3 | x86_64 | Python 3.6 /计算3.0 |
| 1.8.0 \ py36 \ GPU \ cuda91cudnn71avx2 | VS2017 15.4 | 9.1.85.3/7.1.3 | AVX2 | Python 3.6 /计算3.0、3.5、5.0、5.2、6.1、7.0 |
| 1.8.0 \ py27 \ CPU \ sse2 | VS2017 15.4 | 没有 | x86_64 | Python 2.7 |
| 1.8.0 \ py27 \ CPU \ avx2 | VS2017 15.4 | 没有 | AVX2 | Python 2.7 |
| 1.8.0 \ py27 \ GPU \ cuda91cudnn71sse2 | VS2017 15.4 | 9.1.85.3/7.1.3 | x86_64 | Python 2.7 /计算3.0 |
| 1.8.0 \ py27 \ GPU \ cuda91cudnn71avx2 | VS2017 15.4 | 9.1.85.3/7.1.3 | AVX2 | Python 2.7 /计算3.0、3.5、5.0、5.2、6.1、7.0 |
| 1.7.0 \ py36 \ CPU \ sse2 | VS2017 15.4 | 没有 | x86_64 | Python 3.6 |
| 1.7.0 \ py36 \ CPU \ avx2 | VS2017 15.4 | 没有 | AVX2 | Python 3.6 |
| 1.7.0 \ py36 \ GPU \ cuda91cudnn71sse2 | VS2017 15.4 | 9.1.85.3/7.1.2 | x86_64 | Python 3.6 /计算3.0 |
| 1.7.0 \ py36 \ GPU \ cuda91cudnn71avx2 | VS2017 15.4 | 9.1.85.3/7.1.2 | AVX2 | Python 3.6 /计算3.0、3.5、5.0、5.2、6.1、7.0 |
| 1.7.0 \ py27 \ CPU \ sse2 | VS2017 15.4 | 没有 | x86_64 | Python 2.7 |
| 1.7.0 \ py27 \ CPU \ avx2 | VS2017 15.4 | 没有 | AVX2 | Python 2.7 |
| 1.7.0 \ py27 \ GPU \ cuda91cudnn71sse2 | VS2017 15.4 | 9.1.85.3/7.1.2 | x86_64 | Python 2.7 /计算3.0 |
| 1.7.0 \ py27 \ GPU \ cuda91cudnn71avx2 | VS2017 15.4 | 9.1.85.3/7.1.2 | AVX2 | Python 2.7 /计算3.0、3.5、5.0、5.2、6.1、7.0 |
| 1.6.0 \ py36 \ CPU \ sse2 | VS2017 15.4 | 没有 | x86_64 | Python 3.6 |
| 1.6.0 \ py36 \ CPU \ avx2 | VS2017 15.4 | 没有 | AVX2 | Python 3.6 |
| 1.6.0 \ py36 \ GPU \ cuda91cudnn71sse2 | VS2017 15.4 | 9.1.85.3/7.1.1 | x86_64 | Python 3.6 /计算3.0 |
| 1.6.0 \ py36 \ GPU \ cuda91cudnn71avx2 | VS2017 15.4 | 9.1.85.3/7.1.1 | AVX2 | Python 3.6 /计算3.0、3.5、5.0、5.2、6.1、7.0 |
| 1.6.0 \ py27 \ CPU \ sse2 | VS2017 15.4 | 没有 | x86_64 | Python 2.7 |
| 1.6.0 \ py27 \ CPU \ avx2 | VS2017 15.4 | 没有 | AVX2 | Python 2.7 |
| 1.6.0 \ py27 \ GPU \ cuda91cudnn71sse2 | VS2017 15.4 | 9.1.85.2/7.1.1 | x86_64 | Python 2.7 /计算3.0 |
| 1.6.0 \ py27 \ GPU \ cuda91cudnn71avx2 | VS2017 15.4 | 9.1.85.2/7.1.1 | AVX2 | Python 2.7 /计算3.0、3.5、5.0、5.2、6.1、7.0 |
| 1.5.0 \ py36 \ CPU \ avx | VS2017 15.4 | 没有 | AVX | Python 3.6 |
| 1.5.0 \ py36 \ CPU \ avx2 | VS2017 15.4 | 没有 | AVX2 | Python 3.6 |
| 1.5.0 \ py36 \ GPU \ cuda91cudnn7avx2 | VS2017 15.4 | 9.1.85 / 7.0.5 | AVX2 | Python 3.6 /计算3.0、3.5、5.0、5.2、6.1、7.0 |
| 1.5.0 \ py27 \ CPU \ sse2 | VS2017 15.4 | 没有 | x86_64 | Python 2.7 |
| 1.5.0 \ py27 \ CPU \ avx | VS2017 15.4 | 没有 | AVX | Python 2.7 |
| 1.5.0 \ py27 \ CPU \ avx2 | VS2017 15.4 | 没有 | AVX2 | Python 2.7 |
| 1.5.0 \ py27 \ GPU \ cuda91cudnn7sse2 | VS2017 15.4 | 9.1.85 / 7.0.5 | x86_64 | Python 2.7 /计算3.0 |
| 1.5.0 \ py27 \ GPU \ cuda91cudnn7avx2 | VS2017 15.4 | 9.1.85 / 7.0.5 | AVX2 | Python 2.7 /计算3.0、3.5、5.0、5.2、6.1、7.0 |
| 1.4.0 \ py36 \ CPU \ avx | VS2017 15.4 | 没有 | AVX | Python 3.6 |
| 1.4.0 \ py36 \ CPU \ avx2 | VS2017 15.4 | 没有 | AVX2 | Python 3.6 |
| 1.4.0 \ py36 \ GPU \ cuda91cudnn7avx2 | VS2017 15.4 | 9.1.85 / 7.0.5 | AVX2 | Python 3.6 /计算3.0、3.5、5.0、5.2、6.1、7.0 |
| 1.3.0 \ py36 \ CPU \ avx | VS2015更新3 | 没有 | AVX | Python 3.6 |
| 1.3.0 \ py36 \ CPU \ avx2 | VS2015更新3 | 没有 | AVX2 | Python 3.6 |
| 1.3.0 \ py36 \ GPU \ cuda8cudnn6avx2 | VS2015更新3 | 8.0.61.2/6.0.21 | AVX2 | Python 3.6 /计算3.0、3.5、5.0、5.2、6.1 |
| 1.2.1 \ py36 \ CPU \ avx | VS2015更新3 | 没有 | AVX | Python 3.6 |
| 1.2.1 \ py36 \ CPU \ avx2 | VS2015更新3 | 没有 | AVX2 | Python 3. |
| 1.2.1 \ py36 \ GPU \ cuda8cudnn6avx2 | VS2015更新3 | 8.0.61.2/6.0.21 | AVX2 | Python 3.6 /计算3.0、3.5、5.0、5.2、6.1 |
| 1.1.0 \ py36 \ CPU \ avx | VS2015更新3 | 没有 | AVX | Python 3.6 |
| 1.1.0 \ py36 \ CPU \ avx2 | VS2015更新3 | 没有 | AVX2 | Python 3.6 |
| 1.1.0 \ py36 \ GPU \ cuda8cudnn6avx2 | VS2015更新3 | 8.0.61.2/6.0.21 | AVX2 | Python 3.6 /计算3.0、3.5、5.0、5.2、6.1 |
| 1.0.0 \ py36 \ CPU \ sse2 | VS2015更新3 | 没有 | x86_64 | Python 3.6 |
| 1.0.0 \ py36 \ CPU \ avx | VS2015更新3 | 没有 | AVX | Python 3.6 |
| 1.0.0 \ py36 \ CPU \ avx2 | VS2015更新3 | 没有 | AVX2 | Python 3.6 |
| 1.0.0 \ py36 \ GPU \ cuda8cudnn51sse2 | VS2015更新3 | 8.0.61.2/5.1.10 | x86_64 | Python 3.6 /计算3.0 |
| 1.0.0 \ py36 \ GPU \ cuda8cudnn51avx2 | VS2015更新3 | 8.0.61.2/5.1.10 | AVX2 | Python 3.6 /计算3.0、3.5、5.0、5.2、6.1 |
| 0.12.0 \ py35 \ CPU \ avx | VS2015更新3 | 没有 | AVX | Python 3.5 |
| 0.12.0 \ py35 \ CPU \ avx2 | VS2015更新3 | 没有 | AVX2 | Python 3.5 |
| 0.12.0 \ py35 \ GPU \ cuda8cudnn51avx2 | VS2015更新3 | 8.0.61.2/5.1.10 | AVX2 | Python 3.5 /计算3.0、3.5、5.0、5.2、6.1 |
源地址：https://github.com/fo40225/tensorflow-windows-wheel
tensorflow官方源地址查看：https://tensorflow.google.cn/install/source_windows
CUDA官网：https://docs.nvidia.com/cuda/cuda-installation-guide-microsoft-windows/
CUDA历史版本下载地址：https://developer.nvidia.com/cuda-toolkit-archive
1、我的显卡是MX350，支持的CUDA最高版本10.2.100，这里为了匹配tensorflow，我选择安装CUDA9，文叔叔通道，七天有效
2、检查系统兼容性
这个问题的主要原因是你本机的显卡驱动版本比CUDA8.0中自带的驱动版本高（实际上，不论CUDA装的哪个版本，只要本机驱动比CUDA自带驱动版本高，都可能出现这个问题）。
解决办法：
直接点击继续—>同意并继续—>自定义（高级）—>只选择CUDA进行安装，最后安装成功。
3、然后选择安装方式。程序默认的精简模式应该可以理解为安装所有东西，其中包括了我暂时不用的VS编译器和显卡驱动，所以我选择的是自定义模式，在自定义界面可以看到CUDA自带驱动版本号以及目前本机驱动版本号，如果本机版本号高于CUDA自带版本号，就不要再勾选安装了。
4、安装完成后，点击-》控制面板-》系统和安全-》系统，左侧选择“高级系统设置”，在弹出来的系统属性框右下角，点击“环境变量”，在“环境变量”下方“系统变量”处查看是否出现红框中的CUDA变量
5、配置CUDA环境变量
确认含有之后，需要手动添加其余5个系统变量，点击“新建”，输入变量名和变量值即可。（下面代码，左侧是变量名，右侧是变量值）；
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64
CUDA_BIN_PATH = %CUDA_PATH%\bin
CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v9.0在用户变量，path中手动添加
%CUDA_SDK_BIN_PATH%
%CUDA_SDK_LIB_PATH%
%CUDA_LIB_PATH%
%CUDA_BIN_PATH%6、验证是否安装成功
在cmd窗口输入nvcc -V,出现下图，证明CUDA安装成功；
四、win10安装cuDNN
CuDNN下载地址：https://developer.nvidia.com/rdp/cudnn-download
cuDNN（CUDA Deep Neural Network library），是NVIDIA打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型，cuDNN不是必须的，但是一般会采用这个加速库
1、下载cuDNN
下载cuDNN时要注册NVIDIA的账号，注册好后点击下载cuDNN,注意下载与自己安装的CUDA相对应的版本，这里我的CUDA是9.0，因此选择了v7.6.5版本，文叔叔通道，七天有效
2、安装cuDNN
cuDNN下载下来的压缩文件进行解压，然后把文件中对应的文件放入CUDA对应的目录中去。
inlcude\cudnn.h -> C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\include
bin\cudnn64_7.dll -> C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin
lib\x64\cudnn.lib -> C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64五、Anaconda创建名为tf-gpu的python3.6的环境
1、创建名为tf-gpu的python3.6
conda create -n tf-gpu python=3.62、激活tf-gpu环境
conda activate tf-gpu3、安装tensorflow-gpu-1.6.0
pip install tensorflow==1.6.04、安装后，import tensorflow as tf出现
解决：将numpy版本降低，安装tensorflow1.6.0时默认安装的是numpy1.18.4
pip install numpy==1.165、成功使用tensorflow-gpu-1.6.0
6、 测试TensorFlow是否使用GPU
方法一：
import tensorflow as tf
tf.__version__
#返回为True,则使用了GPU
tf.test.is_gpu_available()
方法二：
import tensorflow as tf
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
print(sess.run(c))
注意如果你是在tensorflow 2.x上运行1.x的代码，在代码前面加上如下代码：
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()此部分参考
- https://blog.csdn.net/weixin_43547522/article/details/103306496?utm_medium=distribute.pc_relevant.none-task-blog-baidujs-2
- https://zhuanlan.zhihu.com/p/29841665
六、记录win10安装tf-gpu2.0.0出现的坑
在import tensorflow时出现以下错误
错误①：Could not load dynamic library 'cudart64_100.dll'; dlerror: cudart64_100.dll not found
解决方法：进入C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin，将 cudart64_101.dll复制一份，并重命名为cudart64_100.dll，问题解决
七、记录win7安装tensorflow-gpu1.13.1的坑
已经安装了CUDA10.1和cudnn7.5
在import tensorflow时出现以下错误
错误①：TypeError: init() got an unexpected keyword argument 'serialized_options'
问题原因：tensorFlow版本与protobuf版本不匹配
解决方法：先卸载protobuf
pip uninstall protobuf然后重新安装tensorflow
tensorflow各版本及其匹配的依赖库的查询：https://docs.floydhub.com/guides/tensorflow/
错误②： return _load(spec)
ImportError: DLL load failed: 找不到指定的模块
解决方法：将CUDA的默认安装目录C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin里的cudart_64_101.dll，cublas64_10.dll，cusolver64_10.dll对应修改为cudart_64_100.dll，cublas64_100.dll，cusolver64_100.dll
八、记录win10安装tensorflow-gpu1.1.0的坑
问题背景：
- Anaconda3-4.2.0(自带的python是3.5)
- cuda8
- cudnn6
在import tensorflow时出现以下错误ImportError: No module named '_pywrap_tensorflow_internal'
问题原因：安装的cuda版本和cudnn版本不匹配
解决方法：将cudnn6换成cudnn5.1，问题解决
解决方法参考：https://github.com/tensorflow/tensorflow/issues/9469
九、使用conda安装tensorflow-gpu
使用conda安装tensorflow-gpu，会自动安装相应的cuda和cudnn，这种方式安装需要网速通畅
conda install tensorflow-gpu==2.0.0
也能通过测试
#tf-gpu安装成功测试：
import tensorflow as tf
tf.__version__
#返回为True,则使用了GPU
tf.test.is_gpu_available()
7、tensorflow-federated库安装
TensorFlow Federated (TFF) 是一个开源框架，可用于对分散数据进行机器学习和其他计算
github源码链接：https://github.com/tensorflow/federated/tree/v0.16.1
tensorflow-federated与tensorflow之间的匹配关系如下：
先安装tensorflow
pip install tensorflow==2.2.0然后安装tensorflow-federated
pip install tensorflow==0.16.1测试
python -c "import tensorflow_federated as tff; print(tff.federated_computation(lambda: 'Hello World')())"出现Hello World等信息说明安装成功
8、pytorch-cpu安装
首先电脑必须是64位的系统，32位的系统装不上的。
pytorch各个版本离线whl包下载地址：https://download.pytorch.org/whl/torch_stable.html
pytorch各个版本下载地址：https://pytorch.org/get-started/previous-versions/
pytorch的cpu版本的清华镜像下载地址：https://pypi.tuna.tsinghua.edu.cn/simple/torch/
PyTorch: a deep learning framework.
Requires numpy+mkl.安装pytorch前需要安装numpy和mkl
python3.7的话也可以安装pytorch1.0.1版本的，蓝奏云链接：https://www.lanzoux.com/iCo47ecwq0j
windows python3.6环境下安装PyTorch0.4.0
安装numpy
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple/安装mkl
pip install mkl -i https://pypi.tuna.tsinghua.edu.cn/simple/安装pytorch
pip install http://download.pytorch.org/whl/cpu/torch-0.4.0-cp36-cp36m-win_amd64.whl在import torch时出现以下错误
错误①：如果anaconda自带的python的版本是3.6.0的话，import torch会出现from torch._C import *
ImportError: DLL load failed: 找不到指定的模块
解决方法：Python3.6.0有问题，升级Python版本，Python3.6.x(x>0)版本就没问题，在Anaconda Promot中，输入：
conda update conda
conda update anaconda
conda update python错误②：ImportError: numpy.core.multiarray failed to import
错误原因：numpy版本低
解决方法：先把numpy卸载了
pip uninstall numpy然后重新安装numpy
pip install numpy9、pytorch-gpu安装
pytorch各个版本离线whl包下载地址：https://download.pytorch.org/whl/torch_stable.html
pytorch-gpu(cuda8)离线whl包下载地址：https://download.pytorch.org/whl/cu80/torch_stable.html
pytorch-gpu(cuda9)离线whl包下载地址：https://download.pytorch.org/whl/cu90/torch_stable.html
pytorch-gpu(cuda9.2)离线whl包下载地址：https://download.pytorch.org/whl/cu92/torch_stable.html
pytorch-gpu(cuda10)离线whl包下载地址：https://download.pytorch.org/whl/cu100/torch_stable.html
pytorch、torchvision、python和cuda之间版本对应关系如下：
先安装所需的Visual Studio、CUDA、cuDNN，可以参考安装tensorflow-gpu的过程
在python3.6中安装pytorch-gpu1.2.0
在https://download.pytorch.org/whl/torch_stable.html中下载torch离线包，因为我之前安装的是CUDA9的，所以这里选择torch-1.2.0+cu92-cp36-cp36m-win_amd64.whl包，文叔叔通道，643MB，链接七天有效
pip install torch-1.2.0+cu92-cp36-cp36m-win_amd64.whl
下载torchvision-0.6.1+cu92-cp36-cp36m-win_amd64.whl，1.2MB
pip install torchvision-0.6.1+cu92-cp36-cp36m-win_amd64.whl
确认pytorch是否使用gpu加速
import torch
torch.__version__
#输出为True，就确认使用了gpu加速
torch.cuda.is_available()
如果torch.cuda.is_available()输出为False，可以查看NAVIDIA控制面板是否不小心被卸载了，去NAVIDIA官网，选择对应的版本下载安装即可
安装完重启一下电脑，看是否可以正常显示
10、keras库安装
没有安装tensorlfow，要先安装tensorlfow
pip install tensorflow安装keras
pip install keras测试
import keras如果出现No module named tensorflow.python.eager，就是tensorlfow和keras之间的版本不匹配
关于tensorflow和keras以及python对应版本号可以查看这个网址：https://docs.floydhub.com/guides/environments/
| Framework | Env name (–env parameter) | Description | Docker Image | Packages and Nvidia Settings |
| TensorFlow 2.2 | tensorflow-2.2 | TensorFlow 2.2.0 + Keras 2.3.1 on Python 3.7. | floydhub/tensorflow | TensorFlow-2.2 |
| TensorFlow 2.1 | tensorflow-2.1 | TensorFlow 2.1.0 + Keras 2.3.1 on Python 3.6. | floydhub/tensorflow | TensorFlow-2.1 |
| TensorFlow 2.0 | tensorflow-2.0 | TensorFlow 2.0.0 + Keras 2.3.1 on Python 3.6. | floydhub/tensorflow | TensorFlow-2.0 |
| TensorFlow 1.15 | tensorflow-1.15 | TensorFlow 1.15.0 + Keras 2.3.1 on Python 3.6. | floydhub/tensorflow | TensorFlow-1.15 |
| TensorFlow 1.14 | tensorflow-1.14 | TensorFlow 1.14.0 + Keras 2.2.5 on Python 3.6. | floydhub/tensorflow | TensorFlow-1.14 |
| TensorFlow 1.13 | tensorflow-1.13 | TensorFlow 1.13.0 + Keras 2.2.4 on Python 3.6. | floydhub/tensorflow | TensorFlow-1.13 |
| TensorFlow 1.12 | tensorflow-1.12 | TensorFlow 1.12.0 + Keras 2.2.4 on Python 3.6. | floydhub/tensorflow | TensorFlow-1.12 |
| tensorflow-1.12:py2 | TensorFlow 1.12.0 + Keras 2.2.4 on Python 2. | floydhub/tensorflow | ||
| TensorFlow 1.11 | tensorflow-1.11 | TensorFlow 1.11.0 + Keras 2.2.4 on Python 3.6. | floydhub/tensorflow | TensorFlow-1.11 |
| tensorflow-1.11:py2 | TensorFlow 1.11.0 + Keras 2.2.4 on Python 2. | floydhub/tensorflow | ||
| TensorFlow 1.10 | tensorflow-1.10 | TensorFlow 1.10.0 + Keras 2.2.0 on Python 3.6. | floydhub/tensorflow | TensorFlow-1.10 |
| tensorflow-1.10:py2 | TensorFlow 1.10.0 + Keras 2.2.0 on Python 2. | floydhub/tensorflow | ||
| TensorFlow 1.9 | tensorflow-1.9 | TensorFlow 1.9.0 + Keras 2.2.0 on Python 3.6. | floydhub/tensorflow | TensorFlow-1.9 |
| tensorflow-1.9:py2 | TensorFlow 1.9.0 + Keras 2.2.0 on Python 2. | floydhub/tensorflow | ||
| TensorFlow 1.8 | tensorflow-1.8 | TensorFlow 1.8.0 + Keras 2.1.6 on Python 3.6. | floydhub/tensorflow | TensorFlow-1.8 |
| tensorflow-1.8:py2 | TensorFlow 1.8.0 + Keras 2.1.6 on Python 2. | floydhub/tensorflow | ||
| TensorFlow 1.7 | tensorflow-1.7 | TensorFlow 1.7.0 + Keras 2.1.6 on Python 3.6. | floydhub/tensorflow | TensorFlow-1.7 |
| tensorflow-1.7:py2 | TensorFlow 1.7.0 + Keras 2.1.6 on Python 2. | floydhub/tensorflow | ||
| TensorFlow 1.5 | tensorflow-1.5 | TensorFlow 1.5.0 + Keras 2.1.6 on Python 3.6. | floydhub/tensorflow | TensorFlow-1.5 |
| tensorflow-1.5:py2 | TensorFlow 1.5.0 + Keras 2.1.6 on Python 2. | floydhub/tensorflow | ||
| TensorFlow 1.4 | tensorflow-1.4 | TensorFlow 1.4.0 + Keras 2.0.8 on Python 3.6. | floydhub/tensorflow | |
| tensorflow-1.4:py2 | TensorFlow 1.4.0 + Keras 2.0.8 on Python 2. | floydhub/tensorflow | ||
| TensorFlow 1.3 | tensorflow-1.3 | TensorFlow 1.3.0 + Keras 2.0.6 on Python 3.6. | floydhub/tensorflow | |
| tensorflow-1.3:py2 | TensorFlow 1.3.0 + Keras 2.0.6 on Python 2. | floydhub/tensorflow | ||
| TensorFlow 1.2 | tensorflow-1.2 | TensorFlow 1.2.0 + Keras 2.0.6 on Python 3.5. | floydhub/tensorflow | |
| tensorflow-1.2:py2 | TensorFlow 1.2.0 + Keras 2.0.6 on Python 2. | floydhub/tensorflow | ||
| TensorFlow 1.1 | tensorflow | TensorFlow 1.1.0 + Keras 2.0.6 on Python 3.5. | floydhub/tensorflow | |
| tensorflow:py2 | TensorFlow 1.1.0 + Keras 2.0.6 on Python 2. | floydhub/tensorflow | ||
| TensorFlow 1.0 | tensorflow-1.0 | TensorFlow 1.0.0 + Keras 2.0.6 on Python 3.5. | floydhub/tensorflow | |
| tensorflow-1.0:py2 | TensorFlow 1.0.0 + Keras 2.0.6 on Python 2. | floydhub/tensorflow | ||
| TensorFlow 0.12 | tensorflow-0.12 | TensorFlow 0.12.1 + Keras 1.2.2 on Python 3.5. | floydhub/tensorflow | |
| tensorflow-0.12:py2 | TensorFlow 0.12.1 + Keras 1.2.2 on Python 2. | floydhub/tensorflow | ||
| PyTorch 1.5 | pytorch-1.5 | PyTorch 1.5.0 + fastai 1.0.61 on Python 3.7. | floydhub/pytorch | PyTorch-1.5 |
| PyTorch 1.4 | pytorch-1.4 | PyTorch 1.4.0 + fastai 1.0.60 on Python 3.6. | floydhub/pytorch | PyTorch-1.4 |
| PyTorch 1.3 | pytorch-1.3 | PyTorch 1.3.0 + fastai 1.0.60 on Python 3.6. | floydhub/pytorch | PyTorch-1.3 |
| PyTorch 1.2 | pytorch-1.2 | PyTorch 1.2.0 + fastai 1.0.60 on Python 3.6. | floydhub/pytorch | PyTorch-1.2 |
| PyTorch 1.1 | pytorch-1.1 | PyTorch 1.1.0 + fastai 1.0.57 on Python 3.6. | floydhub/pytorch | PyTorch-1.1 |
| PyTorch 1.0 | pytorch-1.0 | PyTorch 1.0.0 + fastai 1.0.51 on Python 3.6. | floydhub/pytorch | PyTorch-1.0 |
| pytorch-1.0:py2 | PyTorch 1.0.0 on Python 2. | floydhub/pytorch | ||
| PyTorch 0.4 | pytorch-0.4 | PyTorch 0.4.1 on Python 3.6. | floydhub/pytorch | PyTorch-0.4 |
| pytorch-0.4:py2 | PyTorch 0.4.1 on Python 2. | floydhub/pytorch | ||
| PyTorch 0.3 | pytorch-0.3 | PyTorch 0.3.1 on Python 3.6. | floydhub/pytorch | PyTorch-0.3 |
| pytorch-0.3:py2 | PyTorch 0.3.1 on Python 2. | floydhub/pytorch | ||
| PyTorch 0.2 | pytorch-0.2 | PyTorch 0.2.0 on Python 3.5 | floydhub/pytorch | |
| pytorch-0.2:py2 | PyTorch 0.2.0 on Python 2. | floydhub/pytorch | ||
| PyTorch 0.1 | pytorch-0.1 | PyTorch 0.1.12 on Python 3. | floydhub/pytorch | |
| pytorch-0.1:py2 | PyTorch 0.1.12 on Python 2. | floydhub/pytorch | ||
| Theano 0.9 | theano-0.9 | Theano rel-0.8.2 + Keras 2.0.3 on Python3.5. | floydhub/theano | |
| theano-0.9:py2 | Theano rel-0.8.2 + Keras 2.0.3 on Python2. | floydhub/theano | ||
| Caffe | caffe | Caffe rc4 on Python3.5. | floydhub/caffe | |
| caffe:py2 | Caffe rc4 on Python2. | floydhub/caffe | ||
| Torch | torch | Torch 7 with Python 3 env. | floydhub/torch | |
| torch:py2 | Torch 7 with Python 2 env. | floydhub/torch | ||
| Chainer 1.23 | chainer-1.23 | Chainer 1.23.0 on Python 3. | floydhub/chainer | |
| chainer-1.23:py2 | Chainer 1.23.0 on Python 2. | floydhub/chainer | ||
| Chainer 2.0 | chainer-2.0 | Chainer 1.23.0 on Python 3. | floydhub/chainer | |
| chainer-2.0:py2 | Chainer 1.23.0 on Python 2. | floydhub/chainer | ||
| MxNet 1.0 | mxnet | MxNet 1.0.0 on Python 3.6. | floydhub/mxnet | |
| mxnet:py2 | MxNet 1.0.0 on Python 2. | floydhub/mxnet |
11、mxnet库安装
从https://pypi.org/project/mxnet/#files下载对应的whl包安装
pip install D:\mxnet-1.6.0-py2.py3-none-win_amd64.whl测试是否安装成功
import mxnet as mx
a=mx.nd.zeros((2,3))
print(a.asnumpy())
12、scipy库的安装
pip install scipy①如果导入Scipy子模块时出现ImportError:DLL load failed:找不到指定的模块
解决方法：从这里（http://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy）下载numpy whl文件，然后pip intstall *.whl安装
例如：numpy‑1.16.6+mkl‑cp36‑cp36m‑win_amd64.whl，文叔叔通道
②如果导入Scipy子模块时出现AttributeError: module 'scipy.misc' has no attribute 'imread'
解决方法：scipy的版本问题， 降级到scipy==1.2.1就可以完美解决了
pip install scipy==1.2.1 -i https://pypi.tuna.tsinghua.edu.cn/simple/13、pyqt5库安装
先安装SIP
pip install Sip再安装PyQt5
pip install PyQt5再安装PyQt5-tools
pip install PyQt5-tools安装完成后，在/Python/Lib/site-packages/pyqt5-tools目录下可找到designer.exe
14、pil库安装
pip install pillow测试
import PIL关于Pillow与PIL
PIL(Python Imaging Library)是Python一个强大方便的图像处理库，名气也比较大。不过只支持到Python 2.7。
PIL官方网站：http://www.pythonware.com/products/pil/
Pillow是PIL的一个派生分支，但如今已经发展成为比PIL本身更具活力的图像处理库
Pillow的Github主页：https://github.com/python-pillow/Pillow
15、skimage库安装
pip install scikit-image16、selenium库安装
pip install selenium17、ChromeDriver安装
用来搭配selenium
①首先从火狐浏览器官网下载火狐浏览器
②首先查看谷歌浏览器版本chrome://settings/help
比如我的是83.0.4103.61
③从https://npm.taobao.org/mirrors/chromedriver/下载你的谷歌浏览器对应的驱动，选择最接近的版本
④下载解压完成后，将chromedriver.exe文件拖到python的Scripts的目录下即可
⑤代码测试
from selenium import webdriver
browser = webdriver.Chrome()若弹出一个空白的Chrome浏览器，则证明所有的配置都没有问题了
18、GeckoDriver安装
用来搭配selenium
①首先从火狐浏览器官网下载火狐浏览器
②从https://github.com/mozilla/geckodriver/releases下载对应的系统版本，与ChromeDriver不同的是，GeckoDriver不需要匹配浏览器对应的版本
③下载解压完成后，将geckodriver.exe文件拖到python的Scripts的目录下即可
④代码测试
from selenium import webdriver
browser = webdriver.Firefox()若弹出一个空白的Firefox浏览器，则证明所有的配置都没有问题了
19、wordcloud库安装
pip install wordcloud20、jieba库安装
1、使用pip安装
pip install jieba2、使用源码安装
https://pypi.org/project/jieba/#files获取源码包
jieba-0.42.1.tar.gz：蓝奏云通道
解压后，进入jieba-0.42.1目录，有个setup.py，执行
python setup.py install21、Scrapy库安装
安装依赖库lxml
pip install lxml安装依赖库pyOPenSSL
pip install pyOpenSSL-19.1.0-py2.py3-none-any.whl安装依赖库Twisted
从http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted下载对应python版本的wheel文件
安装Pywin32
从https://sourceforge.net/projects/pywin32/files/pywin32/Build%20221下载
然后开始安装Scrapy
pip install scrapy22、cvxpy库安装
从这个网站：https://www.lfd.uci.edu/~gohlke/pythonlibs/可以看到cvxpy所需要的的依赖包有：numpy、mkl、scipy、cvxopt、scs、ecos、osqp
依次安装所需的依赖包即可
安装numpy
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple/安装mkl
pip install mkl -i https://pypi.tuna.tsinghua.edu.cn/simple/安装scipy
pip install scipy -i https://pypi.tuna.tsinghua.edu.cn/simple/安装cvxopt
pip install cvxopt -i https://pypi.tuna.tsinghua.edu.cn/simple/安装scs
pip install scs -i https://pypi.tuna.tsinghua.edu.cn/simple/注意： 安装scs时出现报错时，说需要安装Microsoft visual C++ 14.0
Microsoft Visual C++ 14.0官方下载地址 http://download.microsoft.com/download/5/F/7/5F7ACAEB-8363-451F-9425-68A90F98B238/visualcppbuildtools_full.exe
Microsoft Visual C++ 14.0蓝奏云链接 https://xinglingyingxue.lanzous.com/ictiref
官网最新支持的 Visual C++ 下载 https://support.microsoft.com/zh-cn/help/2977003/the-latest-supported-visual-c-downloads
安装ecos
pip install ecos -i https://pypi.tuna.tsinghua.edu.cn/simple/安装osqp
pip install osqp -i https://pypi.tuna.tsinghua.edu.cn/simple/最后安装
pip install cvxpy -i https://pypi.tuna.tsinghua.edu.cn/simple/23、pyspark配置
所安装的软件汇总：jdk-8u251-windows-x64、spark-3.0.0-bin-hadoop2.7.gz、hadoop-2.7.0.tar.gz、winutils-master.zip，文叔叔通道，628MB，七天有效
安装java环境
1、下载JDK
JDK1.8下载：https://www.oracle.com/java/technologies/javase/javase-jdk8-downloads.html
JDK所有历史版本下载地址：https://www.oracle.com/java/technologies/oracle-java-archive-downloads.html
2、配置环境变量
新建系统变量JAVA_HOME，变量值填写你刚才安装jdk的路径，例如E:\java\jdk1.8.0
新建系统变量CLASSPATH添加;%JAVA_HOME%\lib\dt.jar;\%JAVA_HOME%\lib\tools.jar;%JAVA_HOME%\bin;
java1.5之后不用再设置CLASSPATH了
在系统变量Path中添加%JAVA_HOME%\bin、%JAVA_HOME%\jre\bin
3、验证是否安装成功
cmd里面输入java
输入java -version
输入javac
安装spark
下载spark： http://spark.apache.org/downloads.html
注意spark与hadoop版本的匹配
下载后解压即可，无需安装，将文件名改为spark
新建系统变量 SPARK_HOME ，变量值填写你刚才安装spark的路径，例如E:\spark
编辑系统变量path，添加%SPARK_HOME%\bin
安装hadoop
由于spark是基于hadoop建立的，所以需要下载Hadoop
这里我选择hadoop-2.7.0下载：https://archive.apache.org/dist/hadoop/common/hadoop-2.7.0/
hadoop历史版本下载地址：https://archive.apache.org/dist/hadoop/common/
新建系统变量HADOOP_HOME，值为Hadoop安装路径E:\hadoop-2.7.0
编辑系统变量path，添加%HADOOP_HOME%\bin
配置spark环境
Spark提供了2个交互式shell, 一个是pyspark(基于python), 一个是spark_shell(基于Scala). 这两个环境其实是并列的, 并没有相互依赖关系, 所以如果仅仅是使用pyspark交互环境, 而不使用spark-shell的话, 甚至连scala都不需要安装
CMD窗口输入spark-shell会报下面的错误，是因为Hadoop的bin目录下没有winutils.exe文件的原因。
到GitHub下载对应Hadoop版本的winutils.exe文件，我选择2.7.1版本的winutils.exe文件
winutils.exe下载地址：https://github.com/steveloughran/winutils，github如果下载速度较慢，可以使用Edge浏览器下载
下载winutils.exe后放到Hadoop的bin目录下。
打开命令行，输入pyspark
pycharm中测试
import os
import sys
os.environ['JAVA_HOME'] = "E:\java\jdk1.8.0"
os.environ['HADOOP_HOME'] = "E:\hadoop-2.7.0"
os.environ['SPARK_HOME'] = "E:\spark"
sys.path.append("E:\spark\python")
sys.path.append("E:\spark\python\lib\py4j-0.10.9-src.zip")
from pyspark import SparkContext
sc = SparkContext('local')
doc = sc.parallelize([['a', 'b', 'c'], ['b', 'd', 'd']])
words = doc.flatMap(lambda d: d).distinct().collect()
word_dict = {w: i for w, i in zip(words, range(len(words)))}
word_dict_b = sc.broadcast(word_dict)
def wordCountPerDoc(d):
dict_new = {}
wd = word_dict_b.value
for w in d:
if wd[w] in dict_new:
dict_new[wd[w]] += 1
else:
dict_new[wd[w]] = 1
return dict_new
print(doc.map(wordCountPerDoc).collect())
print("successful!")
24、basemap库安装
Basemap 是 Python 可视化库 Matplotlib 下的一个工具包，主要功能是绘制二维地图，对于空间数据的可视化非常重要。Basemap本身不会进行任何绘图，但提供了将坐标转换为25个不同地图投影之一的功能。 Matplotlib也可以用于绘制变换坐标中的轮廓，图像，向量，线或点。basemap包括GSSH海岸线数据集，以及来自GMT的河流、州和国家边界的数据集。这些数据集可用于在地图上以几种不同的分辨率绘制海岸线，河流和政治边界。basemap底层使用了Geometry Engine-Open Source(GEOS)库，用来将海岸线和边界特征剪切到所需的地图投影区域。此外，basemap还提供读取shapefile的功能。
这个库最好是在anaconda中安装，需要很多依赖库：numpy、matplotlib、scipy、six、geos等等
在https://www.lfd.uci.edu/~gohlke/pythonlibs/下载对应系统和python版本的Pyproj和Basemap的whl包
安装geos
pip install geos -i https://pypi.tuna.tsinghua.edu.cn/simple/安装pyproj
pip install D:\pyproj-2.6.1.post1-cp36-cp36m-win_amd64.whl安装basemap
pip install D:\basemap-1.2.1-cp36-cp36m-win_amd64.whl测试basemap是否安装成功
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.basemap import Basemap
#运用 Basemap 函数我们可以在绘图区域中绘制地理信息相关的图像，当参数 projection 的值为 'ortho' #时，我们将得到一个如下所示的地球仪截面：
plt.figure(figsize=(8, 8))
m = Basemap(projection='ortho', resolution=None, lat_0=50, lon_0=-100)
m.bluemarble(scale=0.5)
plt.show()
如果from mpl_toolkits.basemap import Basemap导入时出现如下问题
问题①：ImportError:cannot import name 'dedent'
解决方法：安装basemap自带的matplotlib版本太高，将matplotlib版本降为2.2.0，问题解决
问题②：
ModuleNotFoundError: No module named 'numpy.core._multiarray_umath'
Traceback (most recent call last):
File "<ipython-input-1-4fc84cbcc854>", line 2, in <module>
from mpl_toolkits.basemap import Basemap
File "D:\anaconda3\lib\site-packages\mpl_toolkits\basemap\__init__.py", line 45, in <module>
import _geoslib
SystemError: execution of module _geoslib raised unreported exception解决方法：升级numpy版本
pip install --upgrade numpy25、cartopy库安装
与basemap一样，这个库最好也是在anaconda中安装，需要很多依赖库：numpy、matplotlib、scipy、six等等
在https://www.lfd.uci.edu/~gohlke/pythonlibs/下载对应系统和python版本的Cartopy的whl包
pip install D:\Cartopy-0.18.0-cp36-cp36m-win_amd64.whl测试cartopy是否安装成功
import cartopy.crs as ccrs
import matplotlib.pyplot as plt
f = plt.figure(figsize=(16,9))
ax = plt.axes(projection=ccrs.Robinson())
ax.stock_img()
plt.show()
如果import cartopy.crs as ccrs导入时出现OSError: [WinError 126] 找不到指定的模块
解决方法：先用Everying搜索geos_c.dll这个文件在哪儿
将E:\Anaconda3\envs\py36\Lib\site-packages\geos_c.dll复制到你安装环境下的python的Library\bin\目录下，比如我的是E:\Anaconda3\envs\py36\Library\bin
此部分参考：https://zhuanlan.zhihu.com/p/129068488
26、imgaug库安装
在https://pypi.org/project/imgaug/#files中下载whl安装，安装的时候会安装很多依赖库的，例如scikit_image等等
pip install D:\imgaug-0.4.0-py2.py3-none-any.whl27、gensim库安装
pip install gensim28、pyephem库安装
用于执行高精度天文计算
pip install pyephem -i https://pypi.tuna.tsinghua.edu.cn/simple/测试
>>> import ephem
>>> mars = ephem.Mars()
>>> mars.compute('2008/1/1')
>>> print mars.ra, mars.dec
5:59:27.35 26:56:27.429、visdom库安装
用于创建，组织和共享实时丰富数据可视化的灵活工具。支持Torch和Numpy
pip install visdom -i https://pypi.tuna.tsinghua.edu.cn/simple/在线可视化工具visdom启动
在当前python环境下输入
python -m visdom.server
出现Downloading scripts,this may take a little while时，如果网速较慢，等了很长时间一直不能够下载，解决方法：
①首先打开visdom包下的sever.py文件
我的路径如下H:\Anaconda3\Lib\site-packages\visdom，根据你环境的安装位置找打sever.py。
2.注释掉download_scripts()
3.文件替换
下载链接https://download.csdn.net/download/zl1107604962/12144503
蓝奏云下载链接：https://www.lanzoux.com/i5Apyfmg8of
我的路径如下H:\Anaconda3\Lib\site-packages\visdom，直接替换visdom下的static文件即可，然后就可以正常启动vidom-sever了
4.执行python -m visdom.server，可以通过http://localhost:8097来访问visdom的web界面可视化工具
此处参考：https://blog.csdn.net/zl1107604962/article/details/104229548
30、wxpython库安装
pip install wxpython -i https://pypi.tuna.tsinghua.edu.cn/simple/测试
import wx # 导入wx包
app = wx.App() # 创建应用程序对象
win = wx.Frame(None, -1, '窗体') # 创建窗体
btn = wx.Button(win, label='Button') # 创建Button
win.Show() # 显示窗体
app.MainLoop()
31、torch-geometric库安装
github源码地址：https://github.com/rusty1s/pytorch_geometric
匹配pytorch-cpu-1.5.0
匹配pytorch-1.5.0的whl包下载地址：https://pytorch-geometric.com/whl/torch-1.5.0.html
先安装torch-scatter
pip install torch_scatter-2.0.4+cpu-cp37-cp37m-win_amd64.whl安装torch-sparse
pip install torch_sparse-0.6.2+cpu-cp37-cp37m-win_amd64.whl安装torch-cluster
pip install torch_cluster-1.5.4+cpu-cp37-cp37m-win_amd64.whl安装torch-spline-conv
pip install torch_spline_conv-1.2.0+cpu-cp37-cp37m-win_amd64.whl最后安装torch-geometric
pip install torch-geometric匹配pytorch-cpu-1.6.0的方法相同
匹配pytorch-1.6.0的whl包下载地址：https://pytorch-geometric.com/whl/torch-1.6.0.html
匹配pytorch-cpu-1.4.0的方法相同
匹配pytorch-1.4.0的whl包下载地址：https://pytorch-geometric.com/whl/torch-1.4.0.html
此处参考：https://blog.csdn.net/YPP0229/article/details/106328173/
32、sklearn库安装
scikit-learn是Python的一个开源机器学习模块，它建立在NumPy，SciPy和matplotlib模块之上能够为用户提供各种机器学习算法接口，可以让用户简单、高效地进行数据挖掘和数据分析
pip install sklearn -i https://pypi.tuna.tsinghua.edu.cn/simple/测试
import sklearn如果导入时出现ModuleNotFoundError: No module named 'numpy.testing.nosetester'
问题原因：numpy版本>1.18，而scipy的版本<=0.19
解决方法：把scipy的版本更新，比如1.1.0就行了
此处参考：https://blog.csdn.net/qq_20674643/article/details/104969075
33、PDPbox库安装
python部分依赖图工具箱
PDPbox源码链接：https://github.com/SauceCat/PDPbox
pip install pdpbox -i https://pypi.tuna.tsinghua.edu.cn/simple/34、pyansys库安装
pip install pyansys -i https://pypi.tuna.tsinghua.edu.cn/simple/测试
from pyansys import examples
examples.run_all()35、talib库安装
python量化交易常用库
使用pip安装可能会出现这个问题：error: Microsoft Visual C++ 14.0 is required. Get it with “Microsoft Visual C++ Build Tools”: https://visualstudio.microsoft.com/downloads/
所以直接从https://www.lfd.uci.edu/~gohlke/pythonlibs/#ta-lib中下载对应系统和python版本的whl包即可
测试
import talib36、turtle库安装
python2可以直接使用pip安装
pip install turtlepython3使用pip安装，会出现SyntaxError：invalid syntax
问题原因：setup.py，第40行中except ValueError, ve
是python2的语法
问题解决：
①从https://pypi.org/project/turtle/#files中下载turtle的源码
②将setup.py，第40行中except ValueError, ve修改为except (ValueError, ve)
turtle修改后的源码，文叔叔下载地址：
③进入到turtle的源码目录，执行
pip install -e turtle-0.0.2
测试一段绘制贪吃蛇的代码
import turtle
turtle.setup(650, 350, 200, 200)
turtle.penup()
turtle.fd(-250)
turtle.pendown()
turtle.pensize(25)
turtle.pencolor("purple")
turtle.seth(-40)
for i in range(4):
turtle.circle(40, 80)
turtle.circle(-40, 80)
turtle.circle(40, 80/2)
turtle.fd(40)
turtle.circle(16, 180)
turtle.fd(40*2/3)
turtle.done()
37、hddm库安装
HDDM是一个python工具箱，用于漂移扩散模型的层次贝叶斯参数估计（通过PyMC）。漂移扩散模型在心理学和认知神经科学中被广泛应用于研究决策。
HDDM库源码链接：https://github.com/hddm-devs/hddm
安装pandas
pip install pandas安装numpy+mkl，从https://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy中下载对应的whl包安装
pip install numpy-1.16.6+mkl-cp35-cp35m-win_amd64.whl安装pymc，依赖numpy+mkl
pip install pymc或者从https://www.lfd.uci.edu/~gohlke/pythonlibs/#pymc中下载对应的whl包安装
安装kabuki
pip install kabuki或者从https://www.lfd.uci.edu/~gohlke/pythonlibs/#kabuki中下载对应的whl包安装
安装hddm
pip install hddm或者从https://www.lfd.uci.edu/~gohlke/pythonlibs/#hddm中下载对应的whl包安装
测试
import hddm38、geatpy库安装
Geatpy是一个高性能实用型进化算法工具箱，提供许多已实现的进化算法中各项重要操作的库函数，并提供一个高度模块化、耦合度低的面向对象的进化算法框架，利用“定义问题类 + 调用算法模板”的模式来进行进化优化，可用于求解单目标优化、多目标优化、复杂约束优化、组合优化、混合编码进化优化等，并且能和SCOOP等框架紧密配合进行分布式计算
geatpy库安装链接：http://geatpy.com/index.php/install/
pip install geatpy==2.5.1测试
import geatpy39、geopandas库安装
GeoPandas是一个向pandas对象添加对地理数据的支持的项目 。
geopandas官方文档安装地址：https://geopandas.org/install.html
方法一：使用conda安装
conda install --channel conda-forge geopandas
方法二：使用pip安装
从官方文档中可以看出所需的依赖为numpy、pandas、shapely、GDAL、finoa、pyproj
安装shapely，从https://www.lfd.uci.edu/~gohlke/pythonlibs/#shapely寻找对应的系统和python版本的whl包下载
pip install Shapely-1.7.1-cp37-cp37m-win_amd64.whl安装GDAL，从https://www.lfd.uci.edu/~gohlke/pythonlibs/#gdal寻找对应的系统和python版本的whl包下载
pip install GDAL-3.1.2-cp37-cp37m-win_amd64.whl安装fiona，从https://www.lfd.uci.edu/~gohlke/pythonlibs/#fiona寻找对应的系统和python版本的whl包下载
pip install Fiona-1.8.13-cp37-cp37m-win_amd64.whl安装pyproj，从https://www.lfd.uci.edu/~gohlke/pythonlibs/#pyproj寻找对应的系统和python版本的whl包下载
pip install pyproj-2.6.1.post1-cp37-cp37m-win_amd64.whl安装geopandas，
pip install geopandas-0.8.1-py2.py3-none-any.whl
安装geopandas后，可以另外安装descartes模块：
pip install descartes测试
import geopandas
40、geoplot库安装
geoplot是高级Python地理空间绘图库。这是一个扩展cartopy和matplotlib这使得映射简单
源码地址：https://github.com/ResidentMario/geoplot
官方文档：https://residentmario.github.io/geoplot/index.html
方法一：使用conda安装(有可能不行)
conda install geoplot -c conda-forge方法二：使用pip安装
安装依赖Cartopy，从https://www.lfd.uci.edu/~gohlke/pythonlibs/#cartopy寻找对应的系统和python版本的whl包下载
pip install Cartopy-0.18.0-cp37-cp37m-win_amd64.whl安装依赖rasterio，从https://www.lfd.uci.edu/~gohlke/pythonlibs/#rasterio寻找对应的系统和python版本的whl包下载
pip install rasterio-1.1.5-cp37-cp37m-win_amd64.whl最后安装geoplot
pip install geoplot测试
import geoplot41、pyradiomics库安装
用于从医学成像中提取Radiomics功能
源码地址：https://github.com/Radiomics/pyradiomics
支持在windows中的python3.6和python3.7上安装
pip install pyradiomics测试
import radiomics42、quilt库安装
quilt是一个命令行实用程序，用于生成，推送和安装数据包
pip install quilt使用quilt安装geoplot_data
import quilt
quilt.install("ResidentMario/geoplot_data")quiltdata源码地址：https://github.com/quiltdata/quilt/tree/2.9.15
测试
from quilt.data.ResidentMario import geoplot_data43、django-auth-ldap库安装
这是一个针对LDAP服务进行身份验证的Django身份验证后端。配置可以像单个可分辨名称模板一样简单，但是有许多丰富的配置选项可用于处理用户，组和权限。
github项目地址：https://github.com/django-auth-ldap/django-auth-ldap
先去https://www.lfd.uci.edu/~gohlke/pythonlibs/#python-ldap下载对应的系统和python版本的python-ldap
进入到python-ldap的安装目录
pip install python_ldap-3.3.1-cp37-cp37m-win_amd64.whl然后安装django-auth-ldap
pip install django-auth-ldap测试
import django_auth_ldap44、tensorlayer库安装
TensorLayer是基于TensorFlow的新型深度学习和强化学习库，专为研究人员和工程师设计。它提供了大量可定制的神经层/功能集合，这些对于构建现实世界的AI应用程序至关重要。
github项目地址：https://github.com/tensorlayer/tensorlayer
tensorflow的版本必须是1.6.0以上的
如果您是TensorFlow 1.X用户，则可以使用TensorLayer 1.11.0：
pip install tensorlayer==1.11.0TensorFlow 2.X用户可以安装最新版本的tensorlayer
pip install tensorlayer测试
import tensorflow as tf
import tensorlayer45、scikit-garden库
Scikit-Garden依赖于NumPy，SciPy，Scikit-Learn和Cython。因此，请确保使用pip安装了这些依赖项：
pip3 install setuptools numpy scipy scikit-learn cython之后，可以使用pip安装Scikit-Garden，会出现Building wheel for scikit-garden (setup.py) ... error
pip install scikit-garden
解决方法：使用conda安装
conda install -c conda-forge scikit-garden测试
import skgarden
想要忽略python的警告，加入这两行代码即可
import warnings
warnings.filterwarnings("ignore")
此处参考：
46、pypianoroll库安装
依赖库有：six, pretty-midi, scipy, numpy
pip install pypianoroll测试
import pypianoroll47、d2lzh库安装
依赖库有：numpy, matplotlib, jupyter
pip install d2lzh测试
import d2lzh as d2l48、dgl库安装
DGL是易于使用，高性能和可扩展的Python软件包，用于图的深度学习
github项目地址：https://github.com/dmlc/dgl
安装说明：
DGL应该致力于
- 所有Linux发行版均不早于Ubuntu 16.04
- macOS X
- Windows 10
DGL需要Python 3.6或更高版本。
目前，DGL适用于PyTorch 1.5.0 +，MXNet 1.6+和TensorFlow 2.3+。
Using pip
| Latest Nightly Build Version | Stable Version | |
|---|---|---|
| CPU | pip install --pre dgl |
pip install dgl |
| CUDA 9.0 | pip install --pre dgl-cu90 |
pip install dgl-cu90 |
| CUDA 9.2 | pip install --pre dgl-cu92 |
pip install dgl-cu92 |
| CUDA 10.0 | pip install --pre dgl-cu100 |
pip install dgl-cu100 |
| CUDA 10.1 | pip install --pre dgl-cu101 |
pip install dgl-cu101 |
| CUDA 10.2 | pip install --pre dgl-cu102 |
pip install dgl-cu102 |
DGL默认使用pytorch作为后端，要修改，编辑C:\Users\xxx\.dgl下的config.json文件，改为
{"backend": "tensorflow"}或者
{"backend": "mxnet"}测试
import dgl49、fastText库安装
fastText是一个用于高效学习单词表示和句子分类的库
github项目地址：https://github.com/facebookresearch/fastText
https://www.lfd.uci.edu/~gohlke/pythonlibs/#fasttext下载对应的whl包安装
50、pydot库安装
conda install pydot
conda install pydot-ng
conda install graphviz注意：此处不要使用pip安装，pip安装会出现一些问题。
如下图：
再将C:/Program Files (x86)/Graphviz2.38/bin/添加进环境变量的Path
在cmd中输入dot -V出现如下信息即可
Python中使用的whl包
windows64位python3.7的whl包
python3.7.5的安装包：https://xinglingyingxue.lanzous.com/iDP6Wdusqhe
1、dlib-19.17：
https://xinglingyingxue.lanzous.com/icsk8ud
2、pytorch-1.0.1：
https://www.lanzoux.com/iCo47ecwq0j
windows64位python3.6的whl包
1、dlib-19.7.0：
https://xinglingyingxue.lanzous.com/iczuylc
2、torch-1.0.1：
https://xinglingyingxue.lanzous.com/i3Fwrddg0eb
3、opencv-4.2.0.34：
https://xinglingyingxue.lanzous.com/ie9gddc4xpc
4、numpy-1.18.5：
https://xinglingyingxue.lanzous.com/i5CHNdjwxeb
5、pandas-1.0.4：
https://xinglingyingxue.lanzous.com/iMQdqdjwykd
6、numpy-1.16.6+mkl-cp36-cp36m-win_amd64：
https://ws28.cn/f/2yayopa821z，文叔叔通道，七天有效
windows64位python3.5的whl包
1、dlib-18.17.100：
https://xinglingyingxue.lanzous.com/iczue6h
如果使用pthon3.5的dlib18.17.100包出现AttributeError: 'module' object has no attribute 'face_recognition_model_v1'
解决：将python版本换成3.6的，然后使用dlib19.7.0版本
2、torch-1.0.1：
https://xinglingyingxue.lanzous.com/iZMRPddfreh
如果导入torch1.0.1出现from torch._C import *、ImportError：DLL load failed：找不到指定的模块
解决：
方法一：可能因为先前没有安装pytorch的依赖库mkl，安装mkl即可
pip install mkl -i https://pypi.tuna.tsinghua.edu.cn/simple/方法二：直接使用python3.6安装torch0.4.0的吧
pip install http://download.pytorch.org/whl/cpu/torch-0.4.0-cp36-cp36m-win_amd64.whl3、opencv-4.2.0.34：
https://xinglingyingxue.lanzous.com/isYtudqql9a
4、numpy-1.18.5：
https://xinglingyingxue.lanzous.com/izPkndjx3jc
windows64位的whl包
1、mkl-2019.0-py2.py3-none-win_amd64：
文叔叔通道，七天有效
python使用问题汇总：
1、cmd中输入python(是位于anaconda中的python)出现UnicodeDecodeError: 'gbk' codec can't decode byte 0xa2 in position 170: illegal multibyte sequence
原因：在读取filename的时候，是以unicode来读取的，需要打开E:\Anaconda3\Lib\site-packages\pyreadline\lineeditor\history.py这个文件
解决方法：使用notepad++打开history.py，Ctrl+F搜索read_history_file并修改enconding='utf-8‘即可
此部分参考：https://www.cnblogs.com/heenhui2016/p/11372461.html
2、pycharm双击无反应
解决方法：本地搜索，建议可以使用Everying搜索vmoptions文件，编辑位于C盘的vmoptions文件，比如我的是C:\Users\XXX\AppData\Roaming\JetBrains\PyCharm2020.1\pycharm64.exe.vmoptions
把最后一行的-javaagent删掉即可
3、之前在帮别人的电脑（win8.1）单独安装python3.4以上的版本都用不了，出现了“无法启动此程序，因为计算机中丢失api-ms-win-crt-runtime-|1-1-0.dll”的问题
解决方法①：发现python3.4的版本可以用，但是pycahrm已经不支持python3.4的了
解决方法②：安装anaconda，问题解决
4、使用pip安装库出现“由于目标计算机积极拒绝，无法连接”
解决方法：关闭代理服务器
途径1：打开win10设置>网络和Internet
点击代理
关闭代理服务器
5、使用pip安装库出现pip is configured with locations that require TLS/SSL, however the ssl module in Python is not available
解决方法：在windows用户目录下新建pip/pip.ini（utf-8编码），使用国内阿里云镜像：
[global]
index-url=http://mirrors.aliyun.com/pypi/simple/
[install]
trusted-host=mirrors.aliyun.com解决方法②：到https://slproweb.com/products/Win32OpenSSL.html上下载winopessl，直接下载第一个MSI安装
6、安装python3.8.2时报错Setup failedError 0x80070003-系统找不到指定的路径
解决方法：进入到C:\ProgramData目录下，原来Package Cache目录变成了一个快捷方式，这直接导致了Win10的cache目录创建失败，于是删掉此文件Package Cache，问题解决
此部分参考：https://blog.csdn.net/Confident_ZYL/article/details/106886248
7、在Anaconda中创建虚拟环境时出现CondaHTTPError
解决方法：编辑用户目录下的.condarc文件，将里面的东西换成下面这样，换之前建议先备份一个副本
清华镜像链接描述：https://mirror.tuna.tsinghua.edu.cn/help/anaconda/
channels:
- defaults
show_channel_urls: true
channel_alias: https://mirrors.tuna.tsinghua.edu.cn/anaconda
default_channels:
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud8、pip安装库时出现Fatal error in launcher：Unable to create process using
解决方法：升级pip
python -m pip install --upgrade pip9、打开IDLE出现unable to update breakpoint list:[Error 13]Permission denied‘C\\Users\xxx\.idlerc\breakpoints.lst’
问题原因：.idlerc文件夹被隐藏了，Python将无法正确访问它
解决方法：鼠标右键点击.idlerc文件夹，选择属性，取消隐藏
10、使用pip时出现Script file ‘D:\software_install\Anaconda_install\Scripts\pip-script.py‘ is not present
问题原因：pip损坏
解决方法：1、https://pypi.org/project/pip中下载pip的whl包
2、使用easy_install pip-20.1.1-py2.py3-none-any.whl
此处参考：https://blog.csdn.net/weixin_41010198/article/details/107174343
