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:
- 在windows上目前支持python3.5.x
- 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！
minst數據集：
- 55000訓練集，10000測試集，5000驗證集
- 每張圖片都是28pixels*28pixels
代碼：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
|
#獲得數據集from tensorflow.examples.tutorials.mnist import input_datamnist = 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0.5train_step = tf.train.gradientdescentoptimizer(0.5).minimize(cross_entropy)#sessionsess = 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服務器之家。
原文鏈接：http://blog.csdn.net/darlingwood2013/article/details/60322258
