从意识上认识Anaconda（音标：[ˌænəˈkɑ:ndə]）/（拼读：安娜康达）。
　　Anaconda：水蟒的意思，如图logo像不像水蟒。其最后五个字母是conda（包管理器），而Anaconda正是在conda（一个包管理器和环境管理器）上发展出来的。

　　Anaconda的用处：能帮你建立不同的运行环境。比如有两个项目A和B，一个是GitHub上拉取的python2版本的，一个是你项目组的python3，如果想要在你的电脑上运行，同时安装两个版本的Python会出现环境混乱或错误。再比如你需要不同版本的Keras，明确的是不能同时安装两个版本，那么Anaconda就为你解决了这个问题。

　　Anaconda的定义：anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。Anaconda 的下载文件比较大（约 515 MB）。

下面我们将正式开始安装Anaconda：

1.下载Anaconda安装包，通过各种方法以最下载速度方式获取安装包，这里我使用的Anaconda官网：https://www.anaconda.com/download/

2.双击安装包，出现授权窗口时，选择是。过程中注意两个点：

一是注意安装位置，尽量别安装在C盘占用系统空间（因为待会我们的新建的环境就会在Anaconda的安装下的envs文件夹里）;

二是注意当出现如图，以下安装选项时都打对勾。（第一个对勾是添加Anaconda到系统环境，第二个Anaconda中里面自动包含Python的包，允许其他Python工具访问。）

3.等待五至十分钟安装完成

　　安装完成后，我们需要构建一个conda管理，我在很多博客上看到的都是用Anaconda Prompt（Anaconda命令框）安装，但是本身来说Anaconda就是有图形界面管理的，所以我认为对Anaconda应该有个本质上的意识，这就是为什么一开头我并没有急着了解怎么安装，而是去认知Anaconda安装后我知道它是什么并且它该怎么用。

接下来我们就构建一个conda环境并用JetBrains Pycharm创建一个可用的项目案例：

1.打开快速启动栏的Anaconda Navigator（Anaconda导航），等待一下进入界面。

2.左边导航条选择Environments，这里的base（root）就是我们环境的一个根环境。

3.左下角选择Create，给环境取一个名字（以后激活环境使用的就是该环境名），然后选择Python版本。

4.等待片刻后，默认出现已安装的包。

5.点击右侧导航栏，切换到All，文本框输入tensorflow，出现三个版本的，我们选择tensorflow（默认CPU版本），根据需要选择tensorflow-gpu（GPU版本）。

6.根据需要添加各种包，这里我们测试的Keras，所以还要添加keras包。

　　到这里，这样一个Python3.5版本带有tensorflow包的helloenvs环境就配好了。如果在过程中发现有些包不存在，就可以按照这样的方式添加，并且创建新环境也同样如此。

接下来我们就用JetBrains Pycharm构建一个例子，并配用刚才配好的helloenvs环境：

1.首先安装JetBrains Pycharm，通过各种方法以最快网速的方式获得安装包，然后自行安装，注意安装位置和工作空间的位置。

2.新建一个项目File->New Project->输入项目名HelloEnvs，点击Create

3.File->Settings->Project:HelloEnvs->Project Interpreter，点击添加设置Add。

4.弹出Add Python Interpreter窗口，选择Conda Environment，选择Existing environment，点击右侧按钮，添加到刚才新建环境的Anaconda安装目录/envs文件夹/helloenvs环境/python.exe

5.新建helloenvs.py文件，复制代码，等待下面Update完成后再运行。

from keras.preprocessing.image import ImageDataGenerator

from keras.layers import Dense,MaxPool2D,Activation,Flatten,Conv2D,Input,Dropout

from keras.models import Model,Sequential

from keras.optimizers import rmsprop,SGD

import keras.backend as K

from keras.callbacks import TensorBoard

imagetrainpath='train'

imagepath3='./data/birds' #符号.点标识当前资源(BirdsClasserSimplyDemo.py的)路径（图片资源路径）

modelsavepath='XX'  #model保存路径

log_path='./tmp/logX' #日志生成路径

st_w=128 #预处理图片大小

st_h=128 #报错可改为299*299/244*244

nb_class=6 #分类个数

batch_size=32

epoch=4 #训练次数

step_each_batch=32

train_dataagen=ImageDataGenerator(rescale=1. /255,shear_range=0.2,zoom_range=0.2,horizontal_flip=True)

train_generator=train_dataagen.flow_from_directory(

    imagepath3,

    target_size=(st_w,st_h),

    batch_size=batch_size,

    class_mode='categorical'

)

if K.image_data_format()=='channels_first':

    input_tensor = Input(shape=(3,st_w,st_h))

else:

    input_tensor = Input(shape=(st_w,st_h,3))

model = Sequential()

model.add((Conv2D(32,5,5,input_shape=(st_w,st_h,3))))

model.add(Activation('relu'))

model.add(MaxPool2D(pool_size=(2,2)))

model.add(Conv2D(32,3,3))

model.add(Activation('relu'))

model.add(MaxPool2D(pool_size=(2,2)))

model.add((Conv2D(64,3,3)))

model.add(Activation('relu'))

model.add(MaxPool2D(pool_size=(2,2)))

model.add(Flatten())

model.add(Dense(64))

model.add(Activation('relu'))

model.add(Dropout(0.5))

model.add((Dense(nb_class)))

model.add(Activation('softmax'))

model.compile(optimizer='sgd',loss='categorical_crossentropy',

              metrics=['accuracy'])

model.fit_generator(train_generator,steps_per_epoch=step_each_batch,epochs=epoch,

                    callbacks=[TensorBoard(log_dir=log_path)])

model.save_weights(modelsavepath+'weights.h5')

model.save(modelsavepath)

6.运行结果如下，完成配置。

以上就是用win10下用Anaconda Navigator安装TensorFlow，并用JetBrains测试Keras的用例。如果有什么疑问，请提出，多多交流。