Getting started with TensorFlow

Getting started with TensorFlow

本篇文章主要是记录如何从零开始接触TensorFlow:

  • 由于个人比较喜欢用Python, 所以本文中介绍的是Python 版本
  • 由于没有Linux 电脑, clone 一个也比较麻烦, 所以直接安装Windows 版本
  • TensorFlow 的新手入门学习

Python 安装

-参考的文档是:博客地址
- TensorFlow 的对应 Python版本必须是 Python3.5 版本及以上, (Python2.X 和Python3.X 是不兼容的, 所以必须看好Python的安装版本)
- Python 3.5.4安装:
安装地址
- 设置python的环境变量:
1. Control Panel\System and Security\System\ , 点击 Advanced system settings , 进入 Environment Variables, 设置PATH
2. 字符串后面添加 Python35 路径以及Python35的Scripts 路径(别忘记分号)

;C:\Users\ref3oz\AppData\Local\Programs\Python\Python35\;C:\Users\ref3oz\AppData\Local\Programs\Python\Python35\Scripts;
  1. note:需要把script里面的pip文件copy到python35这个目录;

TensorFlow 安装

最简单的安装方式就是通过pip 安装, 只要一条command line :

pip3 install –upgrade tensorflow


pip 之后出现Syntax error 的解决方案

具体步骤:

  1. TensorFlow 安装官方教程: https://www.tensorflow.org/install/install_windows
  2. start 一个command prompt, cd 到Python35 路径下, in my case :
    C:\Users\ref3oz\AppData\Local\Programs\Python\Python35
  3. run command line:

    pip3 install –upgrade tensorflow

  4. 安装好之后command显示如下:
    command prompt after installed

  5. 安装好之后测试: (直接 启用Python的command Shell,再进行测试)

    python

import tensorflow as tf
hello = tf.constant(‘Hello, TensorFlow!’)
sess = tf.Session()
print(sess.run(hello))

为防止有些童鞋不晓得,特意截屏:
Python Shell

TensorFlow 入门

如果是首次接触TensorFlow, 可以看看官方网站上面有关TensorFlow的介绍:
https://www.tensorflow.org/get_started/get_started

在本地将这些命令跑一遍就能大致简单理解各个command的作用.

尾注

  1. 今天是开始学习的第一天, 由于本人也是为在职旁枝coding人员, 对于图像处理感兴趣,所以利用业余时间充实一下自己,有何意见与建议,欢迎批评指正.
开始学习机器学习可以是一个令人兴奋和有趣的过程。以下是一些帮助你入门的步骤和建议。 步骤1:学习基本概念和理论 了解机器学习的基本概念、算法和技术是开始的第一步。你可以通过阅读教科书、学术论文或参加在线教育平台上的机器学习课程来学习这些知识。确保你对基本的数学和统计学概念有一定的了解,因为它们与机器学习密切相关。 步骤2:选择适当的编程语言和工具 机器学习的实现通常需要编程来处理和分析数据集。选择适合你的需求的编程语言,如Python或R,并熟悉与机器学习相关的库和工具,如Scikit-Learn、TensorFlow或PyTorch。 步骤3:实践和探索数据集 找到适合初学者的数据集,可以是公开可用的数据集或者自己收集的数据。通过使用所选编程语言和工具,将数据导入和处理,并探索数据集的不同特征和模式。 步骤4:选择合适的机器学习算法 根据你的数据和问题类型选择合适的机器学习算法。有监督学习、无监督学习和强化学习是常见的算法类型。根据你的研究方向和目标,选择合适的算法来训练模型。 步骤5:训练和评估模型 使用你的数据集来训练机器学习模型,并使用评估指标来评估模型的性能。这可以帮助你了解模型的准确性和效果,并根据需要进行改进。 步骤6:调整和优化模型 通过调整模型的超参数、改变特征工程方法或尝试其他算法来进一步改进模型的性能。这是一个迭代的过程,可以帮助你逐渐提高模型的准确性和泛化能力。 步骤7:实际应用和持续学习 将机器学习模型应用到实际问题中,探索更多的数据和场景。保持对最新研究和技术的学习,并与机器学习社区保持联系,以不断提升自己的技能和知识。 通过以上步骤,你可以开始你的机器学习之旅,并逐渐提高自己在这个领域的技能水平。记住,持续学习和实践是成为一名优秀的机器学习从业者的关键。
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