vscode配置anaconda的tensorflow-gpu环境

### 配置 VSCode 使用 Anaconda 创建的 TensorFlow-GPU 环境 #### 1. 安装并配置 Anaconda 和 TensorFlow-GPU 确保已通过 Anaconda 成功创建了一个支持 GPU 的 TensorFlow 环境。以下是具体操作： - **创建虚拟环境** 使用 `conda` 命令创建一个新的 Python 虚拟环境，并指定所需的 Python 版本以及安装 TensorFlow-GPU[^3]： ```bash conda create -n tf-gpu python=3.6 conda activate tf-gpu conda install tensorflow-gpu==1.7 ``` - **验证安装成功** 运行以下代码片段来确认 TensorFlow 已正确安装并且能够检测到 GPU 设备[^2]: ```python import tensorflow as tf print(tf.__version__) sess = tf.Session(config=tf.ConfigProto(log_device_placement=True)) ``` #### 2. 在 VSCode 中设置 Python 解释器 为了使 VSCode 使用上述创建的 Conda 环境作为其默认解释器，需完成如下步骤： - 打开 VSCode 并按快捷键 `Ctrl+Shift+P` 或者点击顶部菜单栏中的“视图 -> 命令面板”。 - 输入 `Python: Select Interpreter` 并回车。 - 在弹出的选择列表中找到之前创建好的名为 `tf-gpu` 的 Conda 环境路径（通常类似于 `/path/to/anaconda/envs/tf-gpu/bin/python`），然后选中它。 此过程会自动更新 `.vscode/settings.json` 文件以记录所选用的 Python 解析程序位置[^1]。 #### 3. 配置调试选项 (Optional) 如果计划利用内置调试功能运行项目，则还需要进一步调整 launch configuration 设置: - 在左侧活动栏里选择 “Run and Debug”，再点击齿轮图标生成新的 launch.json 文件； - 修改其中的内容使其指向刚才选定之解析器及其参数, 如下所示: ```json { "name": "Python: Current File", "type": "python", "request": "launch", "program": "${file}", "console": "integratedTerminal" } ``` 至此便完成了全部准备工作，在后续开发过程中可以直接借助于该集成化平台开展工作而无需额外考虑底层依赖关系等问题了。 ```python import tensorflow as tf print("TensorFlow version:", tf.__version__) # Check available devices. from tensorflow.python.client import device_lib local_devices = device_lib.list_local_devices() gpu_names = [x.name for x in local_devices if x.device_type == 'GPU'] if not gpu_names: raise Exception('No GPUs found.') else: print(f'GPUs detected: {", ".join(gpu_names)}') ```