win10下轻松安装tensorflow,踩坑后总结

一、第一次些博文的初衷

二、下载ananconda

三、利用anaconda创建新的虚拟环境进行安装tensorflow

3.1 打开 anaconda prompt

3.2 查看当前的所有虚拟环境

3.3 创建新的虚拟环境

3.4 在pycharm中创建新的项目

3.5 线性回归例子验证环境

四、总结

**一、第一次些博文的初衷 **

1.由于代码写多了，慢慢地知道了代码记录以及踩坑记录的重要性。一开始我接触python就是为了学习opencv,环境配置的问题我花费了不少时间，后面尝试学习深度学习，在环境配置上也踩了很多坑，不过也感谢这些坑让我学习如何发现问题，解决问题。

2.一方面写博文是为了个人的记录，同时也能在大家遇到类似德问题时，对大家有所帮助。
3.第一篇博文主要写一些如何在win10下（我电脑是CPU处理器）配置tensorflow。其实过程并不难希望大家一起加油！

**二、下载anaconda **

.如果大家还没有安装以及下载anaconda,请借鉴一下博主的链接，都是相当仔细。
链接: https://blog.csdn.net/qq_37245397/article/details/80813850

三、利用anaconda创建新的虚拟环境进行安装tensorflow

• 3.1 打开 anaconda prompt
  
• 3.2 查看当前的所有虚拟环境

conda env list

复制后输入，便可以查看当前的所有虚拟环境，现在大家虚拟环境是没有的，大家可以待会创建好后进行验证

• 3.3 创建新的虚拟环境

conda create -n your_env_name python=x.x

your_env_name：新环境的名字
python=x.x：需要依赖的编译器

这里简单的说一下，之前一直以为我需要什么版本的编译器就要重新下载一个，但是后面发现，有了anaconda之后，真的方便，之前其它项目用的是3.7的编译器，后面由于tensorflow需要3.5的版本，所以就直接写python3.5就可以了。这也是虚拟环境的好处，不会对之前的环境照成干扰。下面就以用python3.5编译器创建一个名为tensorflow的虚拟环境。

conda create -n  tensorflow python=3.5

创建好显示如下：

查看虚拟环境就可以看到多了一个 tensorflow的环境

*3.4 在pycharm创建一个新的项目

• 3.5 导入相应的库

导入库可以通过一下两种形式
第一种是在anaconda prompt中激活所在的虚拟环境，然后直接pip就可以了

#Linux:  source activate your_env_name(虚拟环境名称)

#Windows: activate your_env_name(虚拟环境名称)

#本例子激活代码：
activate tensorflow

第二种是在pycharm中的终端下载

普通pip下载的话可能速度会比较慢，所以利用加入豆瓣源会快非常多。

#pip install --index-url https://pypi.douban.com/simple 需要导入的库
pip install --index-url https://pypi.douban.com/simple  tensorflow==1.4.0

显示安装完成

• 3.5 线性回归例子验证环境
  

import tensorflow as tf

import numpy as np
import matplotlib .pyplot as plt


# 随机生成1000个点，围绕在,y=0.1x+0.3的直线之间
num_points = 1000
vectors_set = []


for i in range(num_points):
    x1 = np.random.normal(0.0,0.55)
    y1 = x1*0.1+0.3+np.random.normal(0.0,0.03)
    vectors_set.append([x1,y1])


#生成一些样本
x_data = [v[0] for v in vectors_set]
y_data = [v[1] for v in vectors_set]
plt.scatter(x_data,y_data,c = 'r')
plt.show()



# 生成1维的W矩阵，取值是[-1,1]之间的随机数
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='W')
# 生成1维的b矩阵，初始值是0
b = tf.Variable(tf.zeros([1]), name='b')
# 经过计算得出预估值y
y = W * x_data + b

# 以预估值y和实际值y_data之间的均方误差作为损失
loss = tf.reduce_mean(tf.square(y - y_data), name='loss')
# 采用梯度下降法来优化参数
optimizer = tf.train.GradientDescentOptimizer(0.5)
# 训练的过程就是最小化这个误差值
train = optimizer.minimize(loss, name='train')

sess = tf.Session()

init = tf.global_variables_initializer()
sess.run(init)

# 初始化的W和b是多少
print ("W =", sess.run(W), "b =", sess.run(b), "loss =", sess.run(loss))
# 执行20次训练
for step in range(20):
    sess.run(train)
    # 输出训练好的W和b
    print ("W =", sess.run(W), "b =", sess.run(b), "loss =", sess.run(loss))

四、总结
第一次写博文，排版有些混乱，后面也会继续分享opencv的一个学习，希望对大家有所帮助，支持的请大家点赞支持哦！！！