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

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:

1. 在Windows上目前支持python3.5.x
2. gpu版本需要cuda8,cudnn5.1

安装进度

2017/3/4进度： Anaconda 4.3（对应python3.6）正在安装，又删除了，一无所有了 2017/3/5进度： Anaconda 4.3（对应python3.6）get Anaconda中python3.5.2get tensorflow1.0.0get

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。 所以索性从名词解释开始。 然后讲述TensorFlow的安装和简单示例。 作为自己的笔记， 也希望像我一样的小白看到这篇教程能觉得做起来很顺畅！

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。 计算行业正在从只使用CPU的“中央处理”向CPU与GPU并用的“协同处理”发展。为打造这一全新的计算典范，NVIDIA™（英伟达™）发明了CUDA（Compute Unified Device Architecture，统一计算设备架构）这一编程模型，是想在应用程序中充分利用CPU和GPU各自的优点。现在，该架构已应用于GeForce™（精视™）、ION™（翼扬™）、Quadro以及Tesla GPU（图形处理器）上。 来自百度百科。

（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。 来自Anaconda官方下载页面

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：conda --version

（嘻嘻，第一步成功了，开心点）

2.检测目前安装了哪些环境：conda info --envs

（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：conda search --full-name python

（好多呀，要哪个呢？嘻嘻当然是python3.5啦）

4.安装不同版本的python：conda create --name tensorflow python=3.5

（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：activate tensorflow

（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：conda info --envs

（Bravo!）

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）

9.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!

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： pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.0.0-cp35-cp35m-win_x86_64.whl

（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：pip install tensorflow

（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import tensorflow as tf

（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import tensorflow as tf

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：

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}))

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脚本之家。