TensorFlow安装（windows环境下）

安装Anaconda
（一定要等每一步安装完成再进行下一步）
1、安装Anaconda:官网
2、检查安装是否成功：cmd里输入：conda –version
若有版本显示，则成功了。
3、安装Python：输入：conda create –name tensorflow python=3.5
4、激活：输入：active tensorflow
5、检查是否成功，输入：conda info –envs
6、检查Python版本，输入：python –version
7、退出当前环境：dectivate
8、切换环境：activate tensorflow

TensorFlow安装
1、cmd里输入：pip install tensorflow
2、成功以后，在电脑开始菜单栏中找到：Anconda Navigator
在首页里，点击spyder下的”install”,安装好后就可以“Lanunch”。

第一个小程序

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

输出在右下角框里。

第一个TensorFlow
例程来源

#获得数据集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

import tensorflow as tf

#输入图像数据占位符
x = tf.placeholder(tf.float32, [None, 784])

#权值和偏差
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

#使用softmax模型
y = tf.nn.softmax(tf.matmul(x, W) + b)

#代价函数占位符
y_ = tf.placeholder(tf.float32, [None, 10])

#交叉熵评估代价
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))

#使用梯度下降算法优化：学习速率为0.5
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

#Session
sess = tf.InteractiveSession()

#初始化变量
tf.global_variables_initializer().run()

#训练模型，训练1000次
for _ in range(1000):
  batch_xs, batch_ys = mnist.train.next_batch(100)
  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

#计算正确率
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

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

结果：0.9195

自此安装结束