tensorflow个人级快速上手探雷

本人环境是win10+1050tinotebook+python3.6.5+cuda9.0+cudnn7.1+tensorflow1.10.0。总之呢，差不多吃鸡本通用配置了，刚刚够摸到机器学习的边。然后环境胡乱弄的。

搞这套东西的时候感觉tensorflow中文社区里面有些东西不太好理解，就写了这么个鬼东西，希望能给新手帮助。中文社区网址：http://www.tensorfly.cn/tfdoc/get_started/introduction.html

首先是python，这个是以前弄的了，这里不谈。

然后是cuda，tensorflow的1.10版本暂时不支持cuda9.2，如果硬上9.2版本会报错，如图所示。进阶选手可以上github上找找有没有cuda9.2对应的版本，新手略过。

然后就去nvdia官网下cuda，下载地址（百度给的）：https://developer.nvidia.com/cuda-90-download-archive

如图所示：

这里面的base installer是cuda安装包，剩下四个patch是补丁，新手不打补丁不影响运行，可以后续需要了再说。

        

然后把第一个最大的东西下载下来安装。第一个安装框是让选解压路径，不是安装路径。这个安完可以删掉。

解压完成之后一路点继续就行了。安装成功可以在cmd里面输入

nvcc -V

 查看cuda安装好了没，安好了会显示版本。

但是偶尔有人会在安装之前卸载显卡驱动（比如我安完9.2发现不对给卸了），如果卸了驱动就会出现cuda安好了但不能用的情况。这时只要给驱动安回来就行了。

另外cuda安装时会自动配置环境变量path，不用自己操心，安完就能用。

安完cuda去下个cudnn，网址（tensorflow中文社区给的）：https://developer.nvidia.com/rdp/cudnn-archive

进去选择对应的版本，下载后解压，得到下面的文件夹：

 这个东西里面的bin、include、lib三个需要粘贴到cuda目录当中，如下：

 这样cudnn就算搞完了。

然后是tensorflow，cmd下输入pip install tensorflow-gpu，然后回车，等它下载安装完成就好。如果pip版本太低可能会报warning，按照提示更新即可。

gpu运行按教程的说法好像需要配置一个什么东西，我win10没找到，就直接试项目了，发现可以用。作为上手级别的介绍来说就不讨论那个配置了。

中文社区给了测试gpu运行情况的例子，如下：

# 新建一个 graph.
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
# 新建session with log_device_placement并设置为True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# 运行这个 op.
print sess.run(c)

 运行结果似乎是GPU发挥作用了。这么大一串东西跟官网实例不太一样啊，不过能用上就行。

 然后上图像分类的demo，这个是社区给的mnist，但是那个不能直接用。import input_data要改成from tensorflow.examples.tutorials.mnist import input_data，不然会报如下错误：

可能是版本变动导致的input_data不能用，只好换了。换完这个还要把print换成括号形式的，给的是python2，3代换语法了，程序也要稍加改动。这里直接贴整段的上来了，需要详解的看中文社区的介绍就行。

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf


mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
x = tf.placeholder("float", [None, 784])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x,W) + b)    
y_ = tf.placeholder("float", [None,10])
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

for i in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

但是正常使用的代码同样会报很多warning，这个别的博客里面有介绍，这里为了快速上手就不管了，反正warning不影响运行。影响运行的东西在于mnist数据的获取，这个要从google外网下载。没条件搭企业级网络走外网下载的，可以在github或者别的什么论坛找找看。mnist是个长这样的文件夹，跟python脚本扔在同一个目录下就能用了。

运行结果如下：

0.91的正确率， 正常结果。相比昨天用cpu算的速度，gpu要快很多，毕竟人家就擅长算这些东西嘛。任务管理器上的尖峰说明确实是GPU在算东西。

 差不多就这样了，tensorflow还是很好玩的，拉上gpu速度也没那么墨迹了，以后找到好玩的继续发给大家。