小白安装 Tensorflow

小白安装 Tensorflow

系统：win10
本人水平：白白的小白

下面的操作没有特别说明的地方就自由发挥

安装自己系统对应的miniconda:https://conda.io/miniconda.html

注意勾选一下加入到环境变量PATH里面（能勾选的都勾选上 ），安装完成之后，打开命令提示符cmd(win键+r 或 开始菜单查找)：
查看conda版本，实际上想看有没有安装成功，输入

C:\Users\15617>conda --version

如果正确输入之后，是下面这样，你可以把miniconda卸载，换成anaconda再试一下

'conda' 不是内部或外部命令，也不是可运行的程序
或批处理文件。

如果是下面这样，就继续，后面的数字不一样无所谓的

    C:\Users\15617>conda --version 
    conda 3.19.0`

创建一个新环境，输入

C:\Users\15617>conda create - -name tensorflow python=3.5

出现很多东西，然后停在

<【y】/n>？

输入y,然后回车，会出现进度条，跑好之后，输入

activate tensorflow

进入环境里面，会出现

[tensorflow] C:\Users\15617>

升级pip，输入

pip install --upgrade pip

安装tensorflow，会比较慢，我这边跑了20多分钟，输入

pip install tensorflow 

如果成功，最后几行前面会有successfully installed xxxxx，失败应该会出现红色字体。如果你还是成功了，那么先最小化你的cmd，等一下会有用

下载安装pycharm，具体的这里有：https://blog.csdn.net/fmwind/article/details/79363142

官网：https://www.jetbrains.com/pycharm/

官网很慢，耐性操作，下专业版。
不要费劲破解，用教育邮箱可以认证免费使用
步骤在这里：https://blog.csdn.net/irurileeirurilee/article/details/78652004
打开pycharm

下面这里点add

下面这张图的操作左上角三个感觉应该都可以，只要找到existing environment，继续操作就好

这一步你需要找到之前安装miniconda，或者anaconda的位置，如果找不到了，我建议打开cmd，输入

[tensorflow] C:\Users\15617>conda create --name tensorflow python=3.5
Error: prefix already exists: C:\Users\15617\Miniconda3\envs\tensorflow

底下就是tensorflow的位置，然后一步一步去找到这个位置

双击里面的python.exe，然后okok，应用应用就可以了。

然后回到编辑页面，输入下面的代码跑一跑，也可以另外找代码试着运行一下。

#导入数据集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
import tensorflow as tf
#创建一个占位符placeholder
x = tf.placeholder("float", [None, 784])
#创建两个可以在运行过程中被修改的Variable张量、
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
#把用来判断的evidence，输入到最右层的softmax里
y = tf.nn.softmax(tf.matmul(x,W) + b)
# y_是输入的lable值，在这里为它创建一个占位符placeholder
y_ = tf.placeholder("float", [None,10])
#使用Cross entropy函数处理，求得神经元的输出值
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#要求TensorFlow用梯度下降算法（gradient descent algorithm）以0.01的学习速率，升级各个参数
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#初始化之前定义的variables张量
init = tf.initialize_all_variables()
#在一个Session里面启动我们的模型，并且初始化变量
sess = tf.Session()
sess.run(init)
#开始训练模型，这里我们让模型循环训练1000次
for i in range(1000):
  batch_xs, batch_ys = mnist.train.next_batch(100)
  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
#检测，模型中预测的值y与正确值y_(也就是lable)之间的差别，在accurcy中得到一个正确预测的概率
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
#计算所学习到的模型在测试数据集（mnist.test.images）上面的正确率
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

输出会是一个0.85~0.92的一个概率

希望对你有帮助