详解TensorFlow在windows上安装与简单示例
|
本文介绍了详解TensorFlow在windows上安装与简单示例，分享给大家，具体如下： 安装说明 平台：目前可在Ubuntu、Mac OS、Windows上安装 版本：提供gpu版本、cpu版本 安装方式：pip方式、Anaconda方式 Tips:
安装进度 2017/3/4进度： 行文思路 在看别人教程时候总遇到些没见过的名词，让人望而生畏。 CUDA CUDA(Compute Unified Device Architecture)，是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。 开发人员现在可以使用C语言来为CUDA™架构编写程序，C语言是应用最广泛的一种高级编程语言。所编写出的程序于是就可以在支持CUDA™的处理器上以超高性能运行。CUDA3.0已经开始支持C++和FORTRAN。 （所以我的A卡是用不成它的） Anaconda Anaconda是由Python提供支持的领先的开放数据科学平台。 Anaconda的开源版本是Python和R的高性能分发版本，包括超过100个用于数据科学的最流行的Python，R和Scala软件包。 具体使用见Anaconda官方教程，简单易懂！ Anaconda初步学习 0.下载Anaconda安装包：Anaconda官方下载地址 我下载的是Anaconda4.3.0For Windows 64bit（内置python3.6） 下载好了就安装，一直下一步。 1.检查Anaconda是否成功安装：
（嘻嘻，第一步成功了，开心点） 2.检测目前安装了哪些环境：
（只有一个呀！不怕，继续来！） 3.检查目前有哪些版本的python可以安装：
（好多呀，要哪个呢？嘻嘻当然是python3.5啦） 4.安装不同版本的python： （猜想输入python=3.5版本后，系统会自动选择一个3.5.x的版本吧）
（python3.5.3要不要？实验室服务器上是3.5.2，统一好啦！）
（好啦，GO！）
（嘻嘻！安好啦！又离成功近了一步！） 5.按照提示，激活之：
（嘻嘻它有了一顶小帽子~代表我的当前环境哦） 6.确保名叫tensorflow的环境已经被成功添加：
（Bravo!） 7.检查新环境中的python版本：
（^^开心开心~） 8.退出当前环境：
（小帽子掉了） 9.切换环境：
想切换到哪个环境就 activate哪个~ 这篇文章既然是安装tensorflow的，当然要avtivate tensorflow! 小妖精！我来了！ PS：想了解更多请看Anaconda官方教程，简单易懂好上手！别乱搜网上的教程，没有官方教程看着清爽！ TensorFlow安装 本文是将tensorflow在原生windows系统上安装， 采用anocanda的安装方式， 安装的是cpu版本（嗯，作为AMD的显卡，掩面哭） Anaconda 4.3.0.1(带有python3.6） 在Anaconda里面配了python3.5.2 下面是今天的主角！（噼里啪啦） 1.按照官网的指示：
（好吧，先是打错，接下来又这样！我不知道该怎么办了(ㄒoㄒ)/~~） 2.另一种尝试：
（划重点了，原来是这样子！我是AMD的卡，对应的不一样！） 3.确认tensorflow安装成功： 错误尝试:直接在cmd里面键入python，然后键入
（小伙子默认的是python3.6啊啊啊啊啊，要从anaconda进入刚刚装的那个python3.5里面哦！~） 正确尝试：进入Anaconda Prompt-python里面，进入安装的名叫tensorflow的环境（我们装的python3.5.2记得吗？~），键入python，然后再键入 在这里可以找到Anaconda Prompt-python：
打开Anaconda Navigator（开始菜单->Anaconda 3->Anaconda Navigator），搞一个spyder玩，点击spyder下面的“install”，安装好就变成“Launch”了，点击就可以进去了。
在spyder里对tensorflow说Hello!
输出：
（嘿嘿嘿哈哈哈我感觉我好像成功了！！！你呢？~~） 参考tensorflow官方文档，请上英文官网，中文社区似乎没有更新windows上的安装 TensorFlow例程上手 装了个新东西，我们先把它用起来吧！ 概念什么的跑完第一个小程序再看！ 找点成就感才好继续下去！ 示例来源：MINIST For ML Beginners MINST数据集：
代码：
#获得数据集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)
import tensorflow as tf
#输入图像数据占位符
x = tf.placeholder(tf.float32,[None,784])
#权值和偏差
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
#使用softmax模型
y = tf.nn.softmax(tf.matmul(x,W) + b)
#代价函数占位符
y_ = tf.placeholder(tf.float32,10])
#交叉熵评估代价
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),reduction_indices=[1]))
#使用梯度下降算法优化：学习速率为0.5
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
#Session
sess = tf.InteractiveSession()
#初始化变量
tf.global_variables_initializer().run()
#训练模型，训练1000次
for _ in range(1000):
batch_xs,batch_ys = mnist.train.next_batch(100)
sess.run(train_step,feed_dict={x: batch_xs,y_: batch_ys})
#计算正确率
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
print(sess.run(accuracy,feed_dict={x: mnist.test.images,y_: mnist.test.labels}))
运行结果：输出显示得到模型的准确率
结语 昨天花费了大半天部署环境，不但一无所获且搞得焦头烂额。今天再战，索性边做边写，好像和旁边的人在聊天一样。嗯，心情愉悦的时候容易做出东西。时间很宝贵，但还是希望你的学习曲线不要太陡峭，希望你能愉快地走进新领域。 以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持编程小技巧。 您可能感兴趣的文章:
（编辑：李大同） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
