詳解TensorFlow在windows上安裝與簡單示例

本文介紹了詳解TensorFlow在windows上安裝與簡單示例，分享給大家，具體如下：

安裝說明

平臺：目前可在Ubuntu、Mac OS、Windows上安裝

版本：提供gpu版本、cpu版本

安裝方式：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

安裝進度

2017/3/4進度：
Anaconda 4.3（對應python3.6）正在安裝，又刪除了，一無所有了
2017/3/5進度：
Anaconda 4.3（對應python3.6）get
Anaconda中python3.5.2get
tensorflow1.0.0get

行文思路

在看別人教程時候總遇到些沒見過的名詞，讓人望而生畏。
所以索性從名詞解釋開始。
然后講述TensorFlow的安裝和簡單示例。
作為自己的筆記，
也希望像我一樣的小白看到這篇教程能覺得做起來很順暢！

CUDA

CUDA(Compute Unified Device Architecture)，是顯卡廠商NVIDIA推出的運算平臺。 CUDA™是一種由NVIDIA推出的通用并行計算架構，該架構使GPU能夠解決復雜的計算問題。 它包含了CUDA指令集架構（ISA）以及GPU內部的并行計算引擎。 開發人員現在可以使用C語言來為CUDA™架構編寫程序，C語言是應用最廣泛的一種高級編程語言。所編寫出的程序于是就可以在支持CUDA™的處理器上以超高性能運行。CUDA3.0已經開始支持C++和FORTRAN。
計算行業正在從只使用CPU的“中央處理”向CPU與GPU并用的“協同處理”發展。為打造這一全新的計算典范，NVIDIA™（英偉達™）發明了CUDA（Compute Unified Device Architecture，統一計算設備架構）這一編程模型，是想在應用程序中充分利用CPU和GPU各自的優點。現在，該架構已應用于GeForce™（精視™）、ION™（翼揚™）、Quadro以及Tesla GPU（圖形處理器）上。
來自百度百科。

（所以我的A卡是用不成它的）

Anaconda

Anaconda是由Python提供支持的領先的開放數據科學平臺。 Anaconda的開源版本是Python和R的高性能分發版本，包括超過100個用于數據科學的最流行的Python，R和Scala軟件包。
來自Anaconda官方下載頁面

具體使用見Anaconda官方教程，簡單易懂！

Anaconda初步學習

0.下載Anaconda安裝包：Anaconda官方下載地址

我下載的是Anaconda4.3.0For Windows 64bit（內置python3.6）

下載好了就安裝，一直下一步。

1.檢查Anaconda是否成功安裝：conda --version

（嘻嘻，第一步成功了，開心點）

2.檢測目前安裝了哪些環境：conda info --envs

（只有一個呀！不怕，繼續來！）

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

（好多呀，要哪個呢？嘻嘻當然是python3.5啦）

4.安裝不同版本的python：conda create --name tensorflow python=3.5

（猜想輸入python=3.5版本后，系統會自動選擇一個3.5.x的版本吧）

（python3.5.3要不要？實驗室服務器上是3.5.2，統一好啦！）

（好啦，GO！）

（嘻嘻！安好啦！又離成功近了一步！）

5.按照提示，激活之：activate tensorflow

（嘻嘻它有了一頂小帽子~代表我的當前環境哦）

6.確保名叫tensorflow的環境已經被成功添加：conda info --envs

（Bravo!）

7.檢查新環境中的python版本：python --version

（^^開心開心~）

8.退出當前環境：deactivate

（小帽子掉了）

9.切換環境：activate tensorflow

想切換到哪個環境就 activate哪個~

這篇文章既然是安裝tensorflow的，當然要avtivate tensorflow!

小妖精！我來了！

PS：想了解更多請看Anaconda官方教程，簡單易懂好上手！別亂搜網上的教程，沒有官方教程看著清爽！

TensorFlow安裝

本文是將tensorflow在原生windows系統上安裝，

采用anocanda的安裝方式，

安裝的是cpu版本（嗯，作為AMD的顯卡，掩面哭）

Anaconda 4.3.0.1(帶有python3.6）

在Anaconda里面配了python3.5.2

下面是今天的主角！（噼里啪啦）

1.按照官網的指示：
pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.0.0-cp35-cp35m-win_x86_64.whl

（好吧，先是打錯，接下來又這樣！我不知道該怎么辦了(ㄒoㄒ)/~~）

2.另一種嘗試：pip install tensorflow

（劃重點了，原來是這樣子！我是AMD的卡，對應的不一樣！）

3.確認tensorflow安裝成功：

錯誤嘗試:直接在cmd里面鍵入python，然后鍵入import tensorflow as tf

（小伙子默認的是python3.6啊啊啊啊啊，要從anaconda進入剛剛裝的那個python3.5里面哦！~）

正確嘗試：進入Anaconda Prompt-python里面，進入安裝的名叫tensorflow的環境（我們裝的python3.5.2記得嗎？~），鍵入python，然后再鍵入import tensorflow as tf

在這里可以找到Anaconda Prompt-python：

打開Anaconda Navigator（開始菜單->Anaconda 3->Anaconda Navigator），搞一個spyder玩，點擊spyder下面的“install”，安裝好就變成“Launch”了，點擊就可以進去了。

在spyder里對tensorflow說Hello!

輸出：

（嘿嘿嘿哈哈哈我感覺我好像成功了！！！你呢？~~）

參考tensorflow官方文檔，請上英文官網，中文社區似乎沒有更新windows上的安裝

TensorFlow例程上手

裝了個新東西，我們先把它用起來吧！

概念什么的跑完第一個小程序再看！

找點成就感才好繼續下去！

示例來源：MINIST For ML Beginners

MINST數據集：

1. 55000訓練集，10000測試集，5000驗證集
2. 每張圖片都是28pixels*28pixels

代碼：

#獲得數據集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

import tensorflow as tf

#輸入圖像數據占位符
x = tf.placeholder(tf.float32, [None, 784])

#權值和偏差
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)

#代價函數占位符
y_ = tf.placeholder(tf.float32, [None, 10])

#交叉熵評估代價
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))

#使用梯度下降算法優化：學習速率為0.5
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

#Session
sess = tf.InteractiveSession()

#初始化變量
tf.global_variables_initializer().run()

#訓練模型，訓練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})

#計算正確率
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}))

運行結果：輸出顯示得到模型的準確率

結語

昨天花費了大半天部署環境，不但一無所獲且搞得焦頭爛額。今天再戰，索性邊做邊寫，好像和旁邊的人在聊天一樣。嗯，心情愉悅的時候容易做出東西。時間很寶貴，但還是希望你的學習曲線不要太陡峭，希望你能愉快地走進新領域。

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持億速云。