安装说明:测试时间2018.5.7
平台:目前可在Ubuntu、Mac OS、Windows上安装
版本:提供gpu版本、cpu版本
安装方式:pip方式、Anaconda方式
Tips:
- 在Windows上目前支持python3.5.x
安装流程:
Anaconda 5.1(对应python3.6) 1/1
Anaconda中python3.5.5 1/1
Tensorflow1.8.0 1/1
Anaconda
Anaconda是由Python提供支持的领先的开放数据科学平台。 Anaconda的开源版本是Python和R的高性能分发版本,包括超过100个用于数据科学的最流行的Python,R和Scala软件包。
来自Anaconda官方下载页面
具体使用见Anaconda官方教程,简单易懂!
Anaconda初步学习
0.下载Anaconda安装包:Anaconda官方下载地址
我下载的是Anaconda35.1For Windows 64bit(内置python3.6)
下载好了就安装,一直下一步。
1.检查Anaconda是否成功安装:conda --version
2.检测目前安装了哪些环境:conda info --envs
(PS:我自己的已经修改过了,忘记保存了。)
3.检查目前有哪些版本的python可以安装:conda search --full-name python
(反正要选python3.5x的)
4.安装不同版本的python:conda create --name tensorflow python=3.5
(猜想输入python=3.5版本后,系统会自动选择一个3.5.x的版本吧)
5.按照提示,激活之:activate tensorflow
(注意左边)
6.确保名叫tensorflow的环境已经被成功添加:conda info --envs
7.检查新环境中的python版本:python --version
8.退出当前环境:deactivate
TensorFlow安装
十枪本来想在源生windows系统上安装的,但是源生的那个python版本为3.6.5,所以失败了。
因此,现在在Anocanda环境下安装
安装的是cpu版本
在刚刚Anaconda prompt下
1 pip install tensorflow
2.确认tensorflow安装成功:
在python3.5.5下,键入import tensorflow as tf
TensorFlow例程上手
装了个新东西,我们先把它用起来吧!
概念什么的跑完第一个小程序再看!
找点成就感才好继续下去!
示例来源:MINIST For ML Beginners
MINST数据集:
- 55000训练集,10000测试集,5000验证集
- 每张图片都是28pixels*28pixels
代码:
#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}))
运行结果:输出显示得到模型的准确率
0.9126
(事实上,前面有一大段废话和Warning,但是尚未仔细看,应该是一些库和包不完善吧!!)
相关资料汇总