tensorflow通过pip安装和手写数字检测

一、安装tensorflow

安装 TensorFlow方法有很多：通过 Pip, Docker, Virtualenv, Anaconda 或 源码编译的方法。具体安装哪一种，看具体需求，比如操作系统是windows还是linux，是否需要单独编译等等。

作为学习入门者，主要精力应该是尽快开启搭模型的阶段，而不是把大把时间花在各种坑爹的安装上。我在windows系统下用virtualbox搭建了虚拟机，ubantu16.0.4系统。选择用pip实现傻瓜式的安装：

1，在终端中输入 python -V 或者 python3 -V，发现python2和python3都已经安装好了。用哪一个都行，这里我选择python3。

安装pip：执行  sudo apt install python3-pip 

2，接下来配置pip源，使用国内的pip源会比官方的快一些。。。

常用的有：

清华：https://pypi.tuna.tsinghua.edu.cn/simple

豆瓣：http://pypi.douban.com/simple/ 

临时使用可以在pip的时候加参数  -i https://pypi.tuna.tsinghua.edu.cn/simple

3，安装TensorFlow：

sudo -H pip3 install --upgrade tensorflow  --proxy dev-proxy.oa.com:8080

--proxy是代理设置，主要是因为公司不能直接上外网。、

测试tensorflow

$ python3

...

>>> import tensorflow as tf

>>> hello = tf.constant('Hello, TensorFlow!')

>>> sess = tf.Session()

>>> print(sess.run(hello))

Hello, TensorFlow!

>>> a = tf.constant(10)

>>> b = tf.constant(32)

>>> print(sess.run(a + b))

42

完成安装。

(二)手写字符识别

首先，下载手写数字数据集MNIST，原下载地址已经不能用，Lecun主页上提供了数据集的四个文件，http://yann.lecun.com/exdb/mnist/ ，下载下来后放入一个自定义的文件中。我命名为MNIST_data。然后读取数据：

from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)

然后可以数据格式：

print(mnist.train.images.shape, mnist.trian.labels.shape)

print(mnist.test.images.shape, mnist.test.labels.shape)

print(mnist.validation.images.shape, mnist.validation.labels.shape)

然后用softmax regression实现一个最简单的多分类：

>>> import tensorflow as tf
>>> sess = tf.InteractiveSession()
>>> x= tf.placeholder(tf.float32,[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(tf.float32,[None,10])
>>> cross_entropy=tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))
>>> train_step=tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
>>> tf.global_variables_initializer().run()
>>> for i in range(1000):
...   batch_xs, batch_ys=mnist.train.next_batch(100);\
...   train_step.run({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,tf.float32))
>>> print(accuracy.eval({x:mnist.test.images, y_:mnist.test.labels}))
0.9157

这个简单的例子体现了tensorflow的基本流程：

（1） 定义算法公式，即forward计算，同时还包括算法；

（2） 定义loss, 这里使用cross_entropy, 同时指定优化器；

（3） 迭代地对数据进行训练；

（4） 测试集或验证集上进行准确率评估。