Windows上安装TensorFlow简单示例

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。

来自Anaconda官方下载页面 (https://www.continuum.io/downloads#windows)

具体使用见Anaconda官方教程(https://conda.io/docs/test-drive.html)，简单易懂！

Anaconda初步学习

0.下载Anaconda安装包：Anaconda官方下载地址(https://www.continuum.io/downloads/)

我下载的是Anaconda3-5.0.1-Windows-x86_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：conda --version

2.检测目前安装了哪些环境：conda info --envs

(只有一个，继续来！）

3.检查目前有哪些版本的python可以安装：conda search --full-name python

（好多要哪个？当然是python3.6啦）

4.安装不同版本的python：conda create --name tensorflow python=3.6

（猜想输入python=3.6版本后，系统会自动选择一个3.6.x的版本吧）

5.按照提示，激活之：activate tensorflow

（它有了一顶小帽子~代表我的当前环境）

6.确保名叫tensorflow的环境已经被成功添加：conda info --envs

7.检查新环境中的python版本：python --version

（开心开心~）

8.退出当前环境：deactivate ,（小帽子掉了)!切换环境：activate tensorflow

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!

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，作为英特尔的显卡，掩面哭）Anaconda3-5.0.1(带有python3.6）。在Anaconda里面配了python3.6.6

1.输入：pip install tensorflow

GPU版：pip install tensorflow-gpu

2.更新pip:python -m pip install --upgrade pip

3.确认tensorflow安装成功：

直接在cmd里面键入python，然后键入import tensorflow as tf，打印版本键入print(tf.__version__)退出使用exit()

如果没有问题，屏幕会输出当前安装的TensorFlow版本号。

如果python不是默认3.6，而是其他版本怎么办？别急，自有办法！进入Anaconda Prompt-python里面，进入安装的名叫tensorflow的环境（按安装的python版本来~），键入python，然后再键入import tensorflow as tf

4.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spyder了。

5.在spyder里对tensorflow说Hello!

import tensorflow as tf
hello = tf.constant('Hello,tensorFlow!')
sess = tf.Session()
print(sess.run(hello))

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：

1.55000训练集，10000测试集，5000验证集

2.每张图片都是28pixels*28pixels

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, [None, 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}))

参考资料：https://blog.csdn.net/darlingwood2013/article/details/60322258

（接上文）

6.安装theano

在tensorflow的环境下继续安装theano,输入pip install theano