tensorflow（cpu）+Python在任意版本anaconda中配置任意版本python

最新推荐文章于 2024-06-22 22:55:33 发布

Mr_dogyang

最新推荐文章于 2024-06-22 22:55:33 发布

阅读量1.5k

点赞数 2

分类专栏：遇到过的问题文章标签： tensorflow-cpu anaconda配置不同Python环境

本文链接：https://blog.csdn.net/qq_36112576/article/details/84862877

版权

遇到过的问题专栏收录该内容

4 篇文章 0 订阅

订阅专栏

电脑崩了几次，tensorflow先后安装了几次，在这记录一下自己的安装流程以及心得，以便在以后电脑再崩的时候能最快的速度恢复。

首先是下载anaconda，其下载方式有两种，第一种方法在其官网下载，下载地址为：https://www.anaconda.com/download/，下载速度较慢，第二种方法使用清华的镜像下载，地址为：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ ，下载速度远高于官网下载速度。两者区别可自行百度，对我这种入门渣渣来说当然是哪个快就装哪个咯。

接下来需要考虑anaconda的版本，一方面由于anaconda的版本一直处于不断更新状态，在官网上下载会默认进入最新的版本下载，目前最新的anaconda5.3.1默认的是Python3.7，而tensorflow最新的是1.12.0，其仅支持Python3.6，由于下载的anaconda老是附带安装python，这里介绍一下如何在任意版本anaconda中搭建cpu版本的tensorflow环境。

这里先看一下安装anaconda时应当注意的事项：

在安装anaconda时，基本是一路next，但注意以下界面：

第一项是添加环境变量，将anaconda加入到系统环境变量中，不勾选的话需要自己添加，第二项是该版本的anaconda默认支持的Python版本，可选可不选，反正我们后续会根据自己的需要其创建任意Python环境。

（1）创建任意Python环境

在安装完后，打开开始菜单栏，输入cmd，打开命令行，输入conda create -n py36(此处为你创建的环境名字) python=3.6（可替换为你需要的版本）anconda ，proceed确定选项输入‘y’继续，其自动安装需要的包，等待即可。注意，当前的tensorflow最高支持3.6。

（2）激活创建的环境

在命令行中输入activate py36（你创建的环境名字），按回车键，激活后在命令行地址之前会出现你所命名的环境名称表示创建成功，此时可直接安装tensorflow，命令如下：pip install tensorflow，等待即可。注意以后所有的包都可以通过pip 或者类似的conda安装语句来实现，但注意必须在激活你所创建的python环境当中。

（3）tensorflow使用

两种打开形式，可以通过开始菜单，找到新安装的anaconda，其中有一项是带有你创建环境名字前缀的spyder，如我的是（py36）spyder，将其点开，输入需要执行的语句即可，这里提供以下语句，可直接复制过去看能否执行。结果如图右下角console内0.9181。此外还可以打开anaconda软件，如下，在applications on 中选择你创建的环境，打开spyder即可。

测试代码如下：

#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}))