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: