树莓派4学习记录（3）-安装tensorflow

1. 安装tensorflow

这里可以参考这个：
https://blog.csdn.net/zqxdsy/article/details/102910840

1.1 获取tensorflow安装文件

我直接从piwheel官网得到tensorflow的安装文件：
tensorflow安装文件
安装版本：

当然，因为我是树莓派4，所以选取了这个armv7l.
可以直接下载，迅雷，wget都可以，如果是学校的画，可能wget更快一点，我也不知道为什么，反正前两种方法都很慢。

1.2 安装tensorflow

我选择在python3.7，系统自带的python环境中，直接安装tensorflow

安装方法：当然是使用pip3了，如果没有的画，建议百度直接安装pip。
这里给个传送门：
https://blog.csdn.net/zqxdsy/article/details/102910840
按照上面这个教程，即可安装好tensorflow
在安装的过程中，可能会出现依赖库下载报错，很大程度上是因为墙的问题，所以最好要么有梯子，在有梯子的地方将其下载下来，然后安装。
我目前还没有尝试换源，因为上次换成中科大的源之后出现了错误，导致安装失败。
安装成功：

2. 测试tensorflow

在服务器端训练一个简单的mnist模型：

# coding: utf-8
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf


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

# 定义一个占位符x
x = tf.placeholder(tf.float32, [None, 784])  # 张量的形状是[None, 784]，None表第一个维度任意

# 定义变量W,b,是可以被修改的张量，用来存放机器学习模型参数
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# 实现模型, y是预测分布
y = tf.nn.softmax(tf.matmul(x, W) + b)

# 训练模型，y_是实际分布
y_ = tf.placeholder("float", [None, 10])
cross_entropy = -tf.reduce_sum(y_ * tf.log(y))  # 交叉嫡，cost function

# 使用梯度下降来降低cost，学习速率为0.01
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# 初始化已经创建的变量
init = tf.global_variables_initializer()

# 在一个Session中启动模型，并初始化变量
sess = tf.Session()
sess.run(init)

# 训练模型，运行1000次，每次随机抽取100个
for i in range(1, 1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

saver = tf.train.Saver()
saver.save(sess, "Model/model.ckpt")

# 验证正确率
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}))

然后将得到的模型移植到树莓派上，进行测试：

测试脚本：

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

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

# 定义一个占位符x
x = tf.placeholder(tf.float32, [None, 784])  # 张量的形状是[None, 784]，None表第一个维度任意

# 定义变量W,b,是可以被修改的张量，用来存放机器学习模型参数
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# 实现模型, y是预测分布
y = tf.nn.softmax(tf.matmul(x, W) + b)

# 训练模型，y_是实际分布
y_ = tf.placeholder("float", [None, 10])
# cross_entropy = -tf.reduce_sum(y_ * tf.log(y))  # 交叉嫡，cost function

saver = tf.train.Saver()
 
with tf.Session() as sess:
    saver.restore(sess, "./Model/model.ckpt")
    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}))

运行成功：