Ubuntu16.04安装CPU版TensorFlow2，并跑一个简单的程序

一.下载Anaconda3安装包

先到官网或清华的镜像站下载安装包：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
或者直接下载我已经上传到百度网盘的包：
链接：https://pan.baidu.com/s/1EmpScgLg-kQ8eEndHSDALQ
提取码：abcd
复制这段内容后打开百度网盘手机App，操作更方便哦–来自百度网盘超级会员V4的分享

包的版本我选择：Anaconda3-5.2.0-Linux-x86_64

二.安装Anaconda3

找到Ubuntu下包的路径：cd /home/本机用户名/Downloads
接着输入：bash Anaconda3-5.2.0-Linux-x86_64.sh
然后就是等待，接着会出来一个安装协议，需要一直回车，直到出现提示：

输入yes即可。然后确认安装路径：

这里我确认安装在这个默认路径下，所以直接回车。

出现以上图片所示情况即说明已经在安装了。等待一点时间即可。
等到出现下面的情况：

再次输入yes。
等到出现：

可以自己选择要不要安装VSCode，这里我不安装。所以选择no.

最后再确认一下：
输入python进入Python环境：

看到Python版本是3.6.5就对了。

备注：如果发现Python版本还是2.7，说明可能没有添加Anaconda的环境变量，这时可以输入：export PATH=~/anaconda3/bin:$PATH。再重新进入Python环境应该就可以了。

接着输入quit()退出Python环境，输入：conda info查看Anaconda的一些信息：

输入conda list可以查看已经安装好的第三方库：

三.安装tensorflow2(CPU版)

1.首先更新一下软件包：sudo apt-get update

2.接着安装tensorflow2：

pip install tensorflow （python2.7的版本，CPU）
pip3 install tensorflow （python3.x的版本，CPU）

因为前面已经知道我的python是3.6.5版本的，所以在终端输入：pip3 install tensorflow

等待下载，默认下载最新版本。
安装过程的一些图片：


出现上面的界面即说明安装完成。

输入pip3 list检查一下：

可以看到安装了最新的2.5.0版本。

3.接着输入python进入python环境，导入tensorflow：import tensorflow as tf

没有报错，说明tensorflow可用。

四.试跑tensorflow程序

我在网上找了一个简单的程序：

#coding:utf-8
from __future__ import absolute_import, division, print_function, unicode_literals

import tensorflow as tf
from tensorflow import keras

import numpy as np

print(tf.__version__)

imdb = keras.datasets.imdb

(train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000)

print("Training entries: {}, labels: {}".format(len(train_data), len(train_labels)))

print(train_data[0])

len(train_data[0]), len(train_data[1])

# 一个映射单词到整数索引的词典
word_index = imdb.get_word_index()

# 保留第一个索引
word_index = {k:(v+3) for k,v in word_index.items()}
word_index["<PAD>"] = 0
word_index["<START>"] = 1
word_index["<UNK>"] = 2  # unknown
word_index["<UNUSED>"] = 3

reverse_word_index = dict([(value, key) for (key, value) in word_index.items()])

def decode_review(text):
    return ' '.join([reverse_word_index.get(i, '?') for i in text])

decode_review(train_data[0])

train_data = keras.preprocessing.sequence.pad_sequences(train_data,
                                                        value=word_index["<PAD>"],
                                                        padding='post',
                                                        maxlen=256)

test_data = keras.preprocessing.sequence.pad_sequences(test_data,
                                                       value=word_index["<PAD>"],
                                                       padding='post',
                                                       maxlen=256)
len(train_data[0]), len(train_data[1])

print(train_data[0])

# 输入形状是用于电影评论的词汇数目（10,000 词）
vocab_size = 10000

model = keras.Sequential()
model.add(keras.layers.Embedding(vocab_size, 16))
model.add(keras.layers.GlobalAveragePooling1D())
model.add(keras.layers.Dense(16, activation='relu'))
model.add(keras.layers.Dense(1, activation='sigmoid'))

model.summary()

model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])

x_val = train_data[:10000]
partial_x_train = train_data[10000:]

y_val = train_labels[:10000]
partial_y_train = train_labels[10000:]

history = model.fit(partial_x_train,
                    partial_y_train,
                    epochs=40,
                    batch_size=512,
                    validation_data=(x_val, y_val),
                    verbose=1)

results = model.evaluate(test_data,  test_labels, verbose=2)

print(results)

history_dict = history.history
history_dict.keys()

import matplotlib.pyplot as plt

acc = history_dict['accuracy']
val_acc = history_dict['val_accuracy']
loss = history_dict['loss']
val_loss = history_dict['val_loss']

epochs = range(1, len(acc) + 1)

# “bo”代表 "蓝点"
plt.plot(epochs, loss, 'bo', label='Training loss')
# b代表“蓝色实线”
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()

plt.show()

plt.clf()   # 清除数字

plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()

plt.show()

这个程序是进行电影评论的分析。

我把它存成test.py并放在指定目录下。

只需要cd进入特定目录即可，接着输入python3 test.py执行脚本：

可以看到是在从网上下载数据集（或者说是语料库）。

我们一直等待执行即可。
可以看到输出了网络的结构：

开始迭代训练（一共40轮）：

训练完成：

可以看到准确率达到了87%。

将训练和验证的结果可视化了出来：

以及相应的准确率：