TensorFlow环境搭建记录(截止2021-07-13)

记录说明

每次装环境费时费力,这次趁重装系统做个简单记录,以后就可以看自己的了(时间截止2021-07-13)

安装步骤

1.安装Anaconda

下载安装包

点击官网下载,此处为Anaconda3-2021.05-Windows-x86_64.exe,大小477MB。

双击安装

安装界面
一路默认,自定义路径
在这里插入图片描述
第一个添加环境变量打钩,两个选项都选
在这里插入图片描述
再然后安装,显卡会燃烧两分钟,到最后皮一下,不看推荐,去掉两个勾勾,结束。
在这里插入图片描述
运行 开始菜单->Anaconda3,安装成功!
在这里插入图片描述

2.安装Tensorflow

创建虚拟环境

运行 开始菜单->Anaconda3—>Anaconda Prompt (Anaconda3),打开终端,通过命令行操作。
在这里插入图片描述
(1)换用清华仓库镜像,会快一些:

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

(2)利用Anaconda创建一个python3.6的虚拟环境,名称为py36 ,输入下面命令:

conda create -n py36 python=3.6

输入 y
在这里插入图片描述
等待……

(3)激活 py36 环境:

activate py36

在这里插入图片描述

在该环境中安装对应TF

(4)安装cpu版本的TensorFlow,此处选择版本2.0.0
提示:环境匹配对应点击这里查看

pip install tensorflow==2.0.0

多说一嘴,速度不行就马上换源(清华源)。

pip install tensorflow==2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/

离线安装的话,换源就是本地路径
当然有轮子也可以离线安装(下载网址或者蓝盘

前提是知道对应轮子的名称,然后在这里搜索→【tensorflow-cputensorflow-gpu
把安装包放在"c:\users\用户名\“下,然后直接 pip install

(spyder-515) C:\Users\zbw>pip install  tensorflow_gpu-2.6.0-cp39-cp39-win_amd64.whl
Processing c:\users\zbw\tensorflow_gpu-2.6.0-cp39-cp39-win_amd64.whl

等待……
黄色警告,不怕
在这里插入图片描述
这是要我安装最新 pip 命令,复制安装即是。

python -m pip install --upgrade pip

测试效果

(5)测试tensorflow,当然也可不测试
在Anaconda Prompt中激活 py36 环境后,进行测试,操作和效果如下:
python命令进入
快捷键命令 Use quit() or Ctrl-Z plus Return to exit 退出
在这里插入图片描述
测试代码如下,逐行运行:

import tensorflow as tf
tf.compat.v1.disable_eager_execution()
hello = tf.constant('hello,tensorf')
sess = tf.compat.v1.Session()
print(sess.run(hello))

测试效果如下,警告可以先不用管
在这里插入图片描述
正常退出,或者直接关掉 Anaconda Prompt (Anaconda3) !!!

3.安装Spyder

通过 Anaconda Navigator 可视化界面安装

运行 开始菜单->Anaconda3—>Anaconda Navigator (Anaconda3),等待出现可视化界面
在这里插入图片描述
切换环境py36,安装Spyder,版本默认即可,等待……
在这里插入图片描述
关掉Anaconda,从 开始菜单->Anaconda3—>Spyder(py36) 进入,以后都可从这里进入
在这里插入图片描述

提示:后边需要安装的包 可以在 Anaconda Prompt (Anaconda3) 中操作,例如Keras

pip install keras==2.3.1

4.注意事项(2021/8/16更新)

降低某些包版本

1、由于h5py库的更新,安装过程中会自动安装h5py=3.0.0以上的版本,会导致decode(“utf-8”)的错误

各位一定要在安装完tensorflow后利用命令装h5py=2.10.0!最后重启Spyder!

pip uninstall h5py
pip install h5py==2.10.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/
2、解决AttributeError: module ‘scipy.misc’ has no attribute 'imread’报错问题

参考解决AttributeError: module ‘scipy.misc’ has no attribute 'imread’报错问题

pip uninstall scipy
pip install scipy==1.2.1 -i https://pypi.tuna.tsinghua.edu.cn/simple/

参考博客

安装思路参考
Win10下用Anaconda安装TensorFlow
测试报错参考
Python错误:AttributeError: module ‘tensorflow’ has no attribute ‘Session’(已解决)
注意事项参考
神经网络学习小记录42——windows下的tensorflow-gpu=1.13.2环境配置
解决AttributeError: module ‘scipy.misc’ has no attribute 'imread’报错问题

  • 2
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: tensorflow cifar-10-batches-py是一个经典的深度学习数据集,被广泛用于图像分类任务的训练和评估。 该数据集是CIFAR-10数据集的Python版本,提供了10个类别的60000个32x32彩色图像。其中,50000张图像作为训练集,10000张图像作为测试集。 这个数据集是用Python编写的,并且使用了pickle库来加载和处理数据。它可以通过执行"import cifar10"来导入,并使用"cifar10.load_data()"来加载其数据。 加载数据后,可以使用TensorFlow来构建一个图像分类模型。TensorFlow是一个开源的深度学习框架,可以用于构建、训练和评估机器学习模型。 使用tensorflow cifar-10-batches-py数据集,可以进行图像分类任务的实验和研究。可以结合卷积神经网络等深度学习模型,对图像进行特征提取和分类。 在训练模型时,可以使用训练集进行权重更新和优化,然后使用测试集来评估模型的性能。 总结来说,tensorflow cifar-10-batches-py是一个常用的深度学习数据集,可以用于图像分类任务的研究和实验。它结合了TensorFlow框架,提供了加载、处理和评估数据的功能。通过使用它,可以建立一个自定义的图像分类模型,并对其进行训练和评估。 ### 回答2: tensorflow cifar-10-batches-py是一个用于在tensorflow框架中处理CIFAR-10数据集的Python脚本。CIFAR-10数据集是一个广泛应用于图像分类的数据集,包含10个不同类别的影像数据,每个类别有6000个32x32大小的彩色图像。 这个Python脚本通过提供一些函数和类来加载CIFAR-10数据集,并且将图像和标签进行预处理,以便于在训练和测试模型时使用。脚本中的函数可以帮助我们将原始的二进制数据转换成可用于训练的张量形式。 该脚本提供的函数可以将CIFAR-10数据集分为训练集和测试集,并提供了一个函数用于获取下一个训练批或测试批的图像和标签。此外,该脚本还提供了一个函数用于显示CIFAR-10数据集中的图像。 使用tensorflow cifar-10-batches-py脚本,我们可以很方便地加载和预处理CIFAR-10数据集,并用于训练和测试图像分类模型。这个脚本是使用Python编写的,可以在tensorflow环境中直接使用。 ### 回答3: TensorFlow的cifar-10-batches-py是一个用于训练和验证图像分类模型的数据集。它是基于CIFAR-10数据集的一个版本,其中包含50000张用于训练的图像和10000张用于验证的图像。 CIFAR-10数据集是一个常用的图像分类数据集,包含10个不同的类别,每个类别有大约6000张图像。这些类别包括:飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车。每个图像的大小为32x32像素,是彩色图像。 cifar-10-batches-py数据集通过Python脚本cifar10.py提供,它将数据集分为5个训练批次和1个验证批次。在训练过程中,可以使用这些批次中的图像进行训练,并根据验证数据集的结果来评估模型的性能。 这个数据集提供了一个方便的方式来测试和评估不同的图像分类算法和模型。使用TensorFlow的cifar10.py脚本可以加载这个数据集,并提供一些函数,用于解析和处理图像数据。 在使用cifar-10-batches-py数据集进行训练时,通常会将图像数据进行预处理,例如将像素值进行归一化处理,以便于模型的训练。同时,还可以使用数据增强的技术,如随机翻转、旋转或裁剪图像,以增加数据的多样性。 总的来说,TensorFlow的cifar-10-batches-py数据集是为了方便机器学习研究人员进行图像分类模型训练和验证而提供的一个常用数据集。它可以用于测试和评估不同的图像分类算法和模型的性能。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值