tensorflow 在 win7 64位的配置

TensorFlow目前已经支持Win7以上64位环境的直接搭建。我的电脑是win7 64位系统，今天在Python下配置了TensorFlow，因为配置环境总是各种磨人，使用在这里和大家分享我的配置过程。

    首先需要Windows版本在7以上，并且是64位。

    其次是Python版本。因为Python只提供了Python3.5版本对应的TensorFlow；并且后面需要用到Python的文件管理pip，而Python3.5.2以上版本自带pip，所以大家直接下载最新的Python3版本就行了。

    Python3  下载地址  https://www.python.org/downloads/release/python-352/

    接下来就是安装TensorFlow的Python wheel文件了，在网页选择下载 tensorflow-0.12.0rc0-cp35-cp35m-win_amd64.whl(md5)  就可以了。

    tensorflow  下载地址  https://pypi.python.org/pypi/tensorflow

    最后就要把下载下来的whl文件安装到Python。win+r 键打开运行 -> 输入cmd回车 -> 通过cd选择到whl所在文件夹 -> 键入pip install tensorflow-0.12.0rc0-cp35-cp35m-win_amd64.whl回车，就可以等待Python自动安装了。

    当然以后也可能要用到其他whl，可以在这个链接里面找你需要的文件，选择对应的操作系统和Python版本就可以了，http://www.lfd.uci.edu/~gohlke/pythonlibs/#opencv

    因为tensorflow中文网站的代码是Python2.7下的，所以Python3不能直接使用。这里我把官网第一篇平面拟合三维数据的代码改了一下。

import tensorflow as tf
import numpy as np

# 使用 NumPy 生成假数据(phony data), 总共 100 个点.
x_data = np.float32(np.random.rand(2, 100)) # 随机输入
y_data = np.dot([0.100, 0.200], x_data) + 0.300

# 构造一个线性模型
# 
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b

# 最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# 初始化变量
init = tf.initialize_all_variables()

# 启动图 (graph)
sess = tf.Session()
sess.run(init)

# 拟合平面
for step in range(0, 201):
    sess.run(train)
    if step % 20 == 0:
        print (step, sess.run(W), sess.run(b))

# 得到最佳拟合结果 W: [[0.100  0.200]], b: [0.300]

运行后得到：

0 [[ 0.55157125 -0.49944645]] [ 0.80461264]
20 [[ 0.06628663  0.04882991]] [ 0.39112675]
40 [[ 0.07519965  0.16086708]] [ 0.33194694]
60 [[ 0.09028707  0.18783146]] [ 0.31097454]
80 [[ 0.09656974  0.19596238]] [ 0.30374929]
100 [[ 0.09881932  0.198634  ]] [ 0.30127895]
120 [[ 0.09959642  0.1995353 ]] [ 0.30043608]
140 [[ 0.09986231  0.19984168]] [ 0.30014867]
160 [[ 0.09995303  0.19994602]] [ 0.30005071]
180 [[ 0.09998401  0.19998161]] [ 0.30001727]
200 [[ 0.09999455  0.19999374]] [ 0.30000585]

至此测试成功！