记第一次使用python运行tensorflow

1、python下载、安装、配置
1.1 python官网下载windows版本的安装文件python-3.6.4-amd64.exe,按引导进行安装,建议选择自定义安装。
1.2 打开环境变量,将python的安装目录添加到环境变量path中,例如:
在这里插入图片描述
安装完成,测试截图:
在这里插入图片描述
至此,python安装配置完成。

2.在myeclipse中添加pydev插件
通过在线安装的方式并没有安装成功,最终通过离线安装的方式搞定。
2.1 下载PyDev插件
在官网http://www.pydev.org/download.html下载PyDev 2.8.2.zip离线安装包,不要下载3.0以上的版本包,如果是3.0以上的版本,在myeclipse中不起作用。
2.2 将下载的zip包加压到myeclipse安装目录下的dropins目录
在这里插入图片描述
注意:有网友说在dripins创建pydev文件夹,然后再将zip加压早pydev目录下,本机不起作用。
2.3 重启myeclipse
2.4 在myeclipse中添加python解释器
window—>preference 找到pydev,配置安装的python,找到对应的exe文件
在这里插入图片描述
2.5 点击OK完成配置
2.6 新创建python工程,新创建后缀为.py的文件,run as python

注意: 安装组件时,比如pygame,需要使用管理员权限否则,会报权限不足。pip install pygame

3.tensorflow下载安装(分CPU和GPU)
3.1 将python安装目录下的scipts配置到环境变量中。
3.2 管理员模式打开cmd。
3.3 通过pip命令安装wheel,在命令窗口执行:pip intall wheel
在这里插入图片描述
3.4 下载TensorFlow的whl文件,https://pypi.python.org/pypi/tf-nightly#downloads从该网址下载对应平台的whl文件。例如(tf_nightly-1.6.0.dev20180105-cp36-cp36m-win_amd64.whl)
3.5 安装,将下载的whl文件复制到python的scripts文件中,在scripts文件夹中,打开cmd命令窗口,执行命令:pip intstall tf_nightly-1.6.0.dev20180105-cp36-cp36m-win_amd64.whl,等待安装结束

在这里插入图片描述
在这里插入图片描述
3.6 测试是否安装成功
还需要vc2015的一个dll文件,在https://www.microsoft.com/en-us/download/details.aspx?id=53587,下载对应的版本安装上就可以。
在这里插入图片描述
注意: print sess.run(hello)这是python2的写法
print(sess.run(hello))这是python3的写法

4.安装科学计算包(matplotlib)

在这里插入图片描述
5.
训练结果

在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
好的,以下是使用 TensorFlow 实现一个3层的 BP 神经网络的示例代码: ```python import tensorflow as tf # 定义超参数 learning_rate = 0.1 num_epochs = 100 batch_size = 128 display_step = 10 # 定义神经网络的参数 n_hidden_1 = 256 # 第一隐藏层的神经元个数 n_hidden_2 = 128 # 第二隐藏层的神经元个数 n_input = 784 # MNIST 数据集输入层的神经元个数(28*28) n_classes = 10 # MNIST 数据集输出层的神经元个数(0-9) # 定义输入占位符 X = tf.placeholder(tf.float32, [None, n_input]) Y = tf.placeholder(tf.float32, [None, n_classes]) # 定义权重和偏置变量 weights = { 'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])), 'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])), 'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes])) } biases = { 'b1': tf.Variable(tf.random_normal([n_hidden_1])), 'b2': tf.Variable(tf.random_normal([n_hidden_2])), 'out': tf.Variable(tf.random_normal([n_classes])) } # 定义前向传播函数 def neural_net(x): layer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1']) layer_2 = tf.add(tf.matmul(layer_1, weights['h2']), biases['b2']) out_layer = tf.matmul(layer_2, weights['out']) + biases['out'] return out_layer # 构建模型 logits = neural_net(X) prediction = tf.nn.softmax(logits) # 定义损失函数和优化器 loss_op = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=logits, labels=Y)) optimizer = tf.train.GradientDescentOptimizer(learning_rate) train_op = optimizer.minimize(loss_op) # 定义评估模型的指标 correct_pred = tf.equal(tf.argmax(prediction, 1), tf.argmax(Y, 1)) accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32)) # 初始化变量 init = tf.global_variables_initializer() # 加载 MNIST 数据集 from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("/tmp/data/", one_hot=True) # 开始训练模型 with tf.Session() as sess: sess.run(init) for epoch in range(num_epochs): avg_cost = 0. total_batch = int(mnist.train.num_examples/batch_size) # 遍历所有批次进行训练 for i in range(total_batch): batch_x, batch_y = mnist.train.next_batch(batch_size) # 运行优化器和损失函数 _, c = sess.run([train_op, loss_op], feed_dict={X: batch_x, Y: batch_y}) # 计算平均损失 avg_cost += c / total_batch # 每迭代 display_step 次输出一次训练结果 if epoch % display_step == 0: print("Epoch:", '%04d' % (epoch+1), "cost={:.9f}".format(avg_cost)) print("Optimization Finished!") # 计算测试集上的准确率 print("Accuracy:", accuracy.eval({X: mnist.test.images, Y: mnist.test.labels})) ``` 以上代码中,我们使用 TensorFlow 构建了一个包含两个隐藏层和一个输出层的神经网络。我们使用 MNIST 数据集进行训练和测试。在训练过程中,我们使用交叉熵作为损失函数,使用梯度下降算法进行优化。在每个 epoch 结束后,我们计算平均损失并输出。在训练结束后,我们计算测试集上的准确率来评估模型的性能。
评论 1
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