TensorFlow入门教程(1)安装TensorFlow

#

#作者:韦访

#博客:https://blog.csdn.net/rookie_wei

#微信:1007895847

#添加微信的备注一下是CSDN的

#欢迎大家一起学习

#

1、概述

之前在CSDN上分享了自己的一些TensorFlow学习笔记,也得到了一些网友的认可,但是我感觉有点乱,有些地方写的也不够详细,所以想重新整理一下,希望对需要的人有所帮助。

2、电脑配置

之前的博客都是在Ubuntu系统下做的,但是后来发现很多网友用的都是Windows系统,所以这次重新整理的博客,我就随大众,用Windows系统吧。首先说一下我的电脑配置:

处理器:i5-6500

操作系统:Win10 64位

内存:16G

显卡:GTX 1080ti

3、安装Anaconda

既然要重头开始整理博客,那就对自己狠一点吧,我把软件的环境都卸载了,重头开始一步一步来。首先,安装Anaconda,Anaconda是一个Python管理软件,包含了大量的Python常用包,主要是用起来比较方便。当然你也可以直接安装Python(在Ubuntu下我就比较喜欢这样)。

首先,打开Anaconda官网,

https://www.anaconda.com/

下载Python3.7

双击安装即可。

4、安装CUDA

因为我用的是GPU版的TensorFlow,如果你没有GPU或者你比较任性,老子就是不用GPU,你就可以跳过这步。首先打开CUDA下载页面,

https://developer.nvidia.com/cuda-toolkit-archive

我安装的是10.0版的,

下载,双击安装,全部选默认即可。

5、安装cuDNN

首先进入下载界面,

https://developer.nvidia.com/rdp/cudnn-download

如果没有账号则要先注册,然后找到相应的CUDA版本,下载,

下载完以后,将该文件解压,得到一个名为cuda的文件夹,将里面的所有文件拷贝到上面的CUDA安装目录下(默认路径是“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0”),覆盖即可,

6、安装TensorFlow

接下来就是安装TensorFlow了,打开Anaconda的终端,

在命令行窗口中输入python,回车,得到下面的界面,

输入下面代码,

import tensorflow as tf

回车,得到下面的界面,

可以看到此时并没有安装TensorFlow。输入exit(),回车,退出Python命令行界面。

再在终端输入,

pip install tensorflow-gpu==1.15.19

回车,

我故意输入一个不存在的TensorFlow版本号,这时他就会提示我们能安装哪些版本,就是红色字体部分。2.X版本跟1.X版本有很大的不同,因为之前的博客用的都是1.X的版本,所以,我这里先安装1.15.0版本,以后如果有需要换版本再说。输入以下命令进行安装,

pip install tensorflow-gpu==1.15.0

如果看到上面这样的信息就说明安装成功了。这时候,再输入python,回车,输入

import tensorflow as tf

得到下面的界面说明安装成功了。

如果没有GPU要安装CPU的版本,则执行,

pip install tensorflow==1.15.0

即可。

 

这一讲,我们就先讲TensorFlow的安装,因为我发现有些网友连安装都出问题。新手嘛,都是这么过来的,下一讲,我们就真正的开启TensorFlow之旅。

  • 3
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
TensorFlow是一个开源的人工智能框架,由Google公司开发,用于构建和训练机器学习模型。TensorFlow提供了各种各样的API和工具,使得开发人员能够轻松地构建、测试和优化自定义的深度学习算法。 以下是一个简单的TensorFlow入门教程: 1. 安装TensorFlow 首先,您需要安装TensorFlow。可以使用pip或conda进行安装。以下是pip安装的示例: ``` pip install tensorflow ``` 2. 导入TensorFlow 在Python代码中,您需要导入TensorFlow库,如下所示: ``` import tensorflow as tf ``` 3. 定义计算图 在TensorFlow中,您需要定义一个计算图来执行操作。计算图是一系列操作和数据流的集合。以下是一个简单的计算图: ``` a = tf.constant(5) b = tf.constant(2) c = tf.multiply(a, b) ``` 在上面的代码中,我们定义了两个常量a和b,并将它们相乘,结果存储在变量c中。 4. 运行计算图 要运行计算图,您需要使用TensorFlow会话。会话是一个TensorFlow运行环境,它负责计算图的执行。以下是一个简单的会话: ``` with tf.Session() as sess: result = sess.run(c) print(result) ``` 在上面的代码中,我们创建了一个会话,并运行了计算图。结果将打印为10,因为5乘以2等于10。 5. 优化计算图 在TensorFlow中,您可以优化计算图以提高性能。以下是一个简单的优化示例: ``` a = tf.placeholder(tf.float32) b = tf.placeholder(tf.float32) c = tf.multiply(a, b) ``` 在上面的代码中,我们使用了占位符来定义a和b。占位符是一个特殊的节点,它允许您将数据传递到计算图中,而不是在计算图中定义它们。 6. 训练模型 TensorFlow还提供了各种各样的工具和API,使得训练机器学习模型变得容易。以下是一个简单的训练示例: ``` x_data = [1, 2, 3, 4, 5] y_data = [5, 8, 11, 14, 17] w = tf.Variable(tf.random_uniform([1], -1.0, 1.0)) b = tf.Variable(tf.zeros([1])) y = w * x_data + b loss = tf.reduce_mean(tf.square(y - y_data)) optimizer = tf.train.GradientDescentOptimizer(0.1) train = optimizer.minimize(loss) init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) for i in range(1000): sess.run(train) if i % 100 == 0: print(i, sess.run(w), sess.run(b)) print(sess.run(w), sess.run(b)) ``` 在上面的代码中,我们定义了一个线性回归模型,并使用梯度下降优化器来训练它。在训练过程中,我们将权重和偏置打印到控制台,以便我们可以观察到它们如何变化。在训练完成后,我们将打印最终权重和偏置。 这只是TensorFlow的一个简单入门教程TensorFlow提供了各种各样的API和工具,以满足各种不同的机器学习和深度学习需求。如果您想深入了解TensorFlow,请参阅官方文档和示例代码。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值