1.因为之前在win10下装过caffe并实现可视化,即已装好cuda、cudnn、Anaconda2等库,安装tensorflow就轻松很多。类似于Linux,命令行工具下使用pip安装,但是不用cmd,win10下需要管理员身份,用Window PowerShell安装。
2. window版本的tensorflow需要python3.5及以上的版本,Anaconda2对应2.7,只好另外安装Anaconda3,Anaconda3的安装目录必须选在 *\Anaconda2\envs子目录下,并定义安装文件的名称,例如python3.5。安装过程中的添加环境变量和默认python3.5可以不选,因为在安装Anaconda2中已做了设置,到时候可以通过conda环境来回切换python版本。
conda切换python版本:
conda create --name python3.5 python=3.5 //python3.5是envs下安装的Anaconda3文件名
activate python3.5 //激活
成功后可以看到路径前多了(python3.5),可以输入python查看版本
deactivate python3.5 //返回之前的python版本
3.PowerShell下开始安装tensorflow,在PowerShell下先cmd激活python3.5版本,原因是PowerShell无法直接激活。
4. pip install --ignore-installed --upgrade pip setuptools //避免pip安装tensorflow报错
5. pip --default-timeout=100 install --upgrade https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-1.4.0-cp35-cp35m-win_amd64.whl//开始安装tensorflow,--default-timeout=100是因为原生的镜像需要翻墙下载,下载速度感人,经常超时从下,可以选择国内的镜像,最新的tensorflow版本可以从https://pypi.python.org/pypi/tensorflow/1.4.0获得。
6. 测试过程种tensorflow还需要cudnn64_6.dll,解压cudnn6.0,将cudnn64_6.dll文件拷贝到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin下,再测试官网样例。
7.训练mnist,下载mnist数据集到新建的MNIST_data文件夹。
train_mnist.py
import tensorflow as tf
#import tensorflow.examples.tutorials.mnist.input_data as input_data #下载数据集
from tensorflow.examples.tutorials.mnist import input_data #读取下好的数据集
mnist=input_data.read_data_sets("MNIST_data",one_hot=True) #mnist数据集4个文件放在MNIST_data文件夹
x = tf.placeholder(tf.float32, [None, 784]) #28*28维
y_actual = tf.placeholder(tf.float32, shape=[None, 10])
#定义一个函数,用于初始化所有的权值 W
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
#定义一个函数,用于初始化所有的偏置项 b
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
#定义一个函数,用于构建卷积层
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
#定义一个函数,用于构建池化层
def max_pool(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')
#构建网络
x_image = tf.reshape(x, [-1,28,28,1]) #转换输入数据shape,以便于用于网络中
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) #第一个卷积层
h_pool1 = max_pool(h_conv1) #第一个池化层
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) #第二个卷积层
h_pool2 = max_pool(h_conv2) #第二个池化层
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64]) #reshape成向量
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) #第一个全连接层
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) #dropout层
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_predict=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2) #softmax层
cross_entropy = -tf.reduce_sum(y_actual*tf.log(y_predict)) #交叉熵
train_step = tf.train.GradientDescentOptimizer(1e-3).minimize(cross_entropy) #梯度下降法
correct_prediction = tf.equal(tf.argmax(y_predict,1), tf.argmax(y_actual,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) #精确度计算
sess=tf.InteractiveSession()
sess.run(tf.initialize_all_variables())
for i in range(20000):
batch = mnist.train.next_batch(50)
if i%100 == 0: #训练100次,验证一次
train_acc = accuracy.eval(feed_dict={x:batch[0], y_actual: batch[1], keep_prob: 1.0})
print('step',i,'training accuracy',train_acc)
train_step.run(feed_dict={x: batch[0], y_actual: batch[1], keep_prob: 0.5})
test_acc=accuracy.eval(feed_dict={x: mnist.test.images, y_actual: mnist.test.labels, keep_prob: 1.0})
print("test accuracy",test_acc)
准确率有点低,看了下训练文件只有2层卷积层,添加了softmax就回归了,网络还不是Lenet-5模型,但是tensorflow安装测试应该就没什么问题了。