TensorFlow 初探

最新推荐文章于 2020-09-24 11:28:19 发布
最新推荐文章于 2020-09-24 11:28:19 发布
阅读量107 收藏
点赞数
文章标签： python 开发工具 人工智能
原文链接：https://my.oschina.net/coderknock/blog/914895
版权

2019独角兽企业重金招聘Python工程师标准>>> hot3.png

#安装 CUDA 及 cuDNN 需要确定自己电脑是否是 N卡 并且显卡支持版本在下面的列表中（具体也可去官网查看），如果不是就跳过该步骤。

https://developer.nvidia.com/cuda-gpus GPU支持版本示例

https://developer.nvidia.com/cuda-downloads CUDA CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 https://developer.nvidia.com/cudnn cuDNN 专门为深度神经网络设计的基于 CUDA 的加速库。 cuDNN注册

cuDNN安装说明 #安装 TensorFlow TensorFlow 需要 Python3.5.X 版本（大于 3.5.1） 我已经安装 3.6 所以为了多环境方便使用 Anaconda 安装 TensorFlow。 可以到 https://www.continuum.io/downloads/ 下载对应的版本后进行安装，安装完成后：

C:\Users\zylia>conda create -n TensorFlow python=3.5
Fetching package metadata ...........
Solving package specifications: .

Package plan for installation in environment E:\Anaconda3\envs\TensorFlow:

The following NEW packages will be INSTALLED:

    pip:            9.0.1-py35_1
    python:         3.5.3-3
    setuptools:     27.2.0-py35_1
    vs2015_runtime: 14.0.25123-0
    wheel:          0.29.0-py35_0

Proceed ([y]/n)? y

python-3.5.3-3 100% |###############################| Time: 0:05:20 100.51 kB/s
setuptools-27. 100% |###############################| Time: 0:00:07 101.84 kB/s
wheel-0.29.0-p 100% |###############################| Time: 0:00:01 121.63 kB/s
pip-9.0.1-py35 100% |###############################| Time: 0:00:16 106.15 kB/s
#
# To activate this environment, use:
# > activate TensorFlow
#
# To deactivate this environment, use:
# > deactivate TensorFlow
#
# * for power-users using bash, you must source
#
C:\Users\zylia>activate TensorFlow
//如果没有安装 CUDA 使用 pip install --upgrade tensorflow 命令
(TensorFlow) C:\Users\zylia> pip install --upgrade tensorflow-gpu

#测试 安装完成后进行测试：

E:\Anaconda3\envs\TensorFlow\python.exe D:/PycharmProjects/TensorFlow/Test.py
Traceback (most recent call last):
  File "E:\Anaconda3\envs\TensorFlow\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 18, in swig_import_helper
    return importlib.import_module(mname)
  File "E:\Anaconda3\envs\TensorFlow\lib\importlib\__init__.py", line 126, in import_module
    return _bootstrap._gcd_import(name[level:], package, level)
  File "<frozen importlib._bootstrap>", line 986, in _gcd_import
  File "<frozen importlib._bootstrap>", line 969, in _find_and_load
  File "<frozen importlib._bootstrap>", line 958, in _find_and_load_unlocked
  File "<frozen importlib._bootstrap>", line 666, in _load_unlocked
  File "<frozen importlib._bootstrap>", line 577, in module_from_spec
  File "<frozen importlib._bootstrap_external>", line 919, in create_module
  File "<frozen importlib._bootstrap>", line 222, in _call_with_frames_removed
ImportError: DLL load failed: 找不到指定的模块。

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "E:\Anaconda3\envs\TensorFlow\lib\site-packages\tensorflow\python\pywrap_tensorflow.py", line 41, in <module>
    from tensorflow.python.pywrap_tensorflow_internal import *
  File "E:\Anaconda3\envs\TensorFlow\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 21, in <module>
    _pywrap_tensorflow_internal = swig_import_helper()
  File "E:\Anaconda3\envs\TensorFlow\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 20, in swig_import_helper
    return importlib.import_module('_pywrap_tensorflow_internal')
  File "E:\Anaconda3\envs\TensorFlow\lib\importlib\__init__.py", line 126, in import_module
    return _bootstrap._gcd_import(name[level:], package, level)
ImportError: No module named '_pywrap_tensorflow_internal'

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "D:/PycharmProjects/TensorFlow/Test.py", line 1, in <module>
    import tensorflow as tf
  File "E:\Anaconda3\envs\TensorFlow\lib\site-packages\tensorflow\__init__.py", line 24, in <module>
    from tensorflow.python import *
  File "E:\Anaconda3\envs\TensorFlow\lib\site-packages\tensorflow\python\__init__.py", line 51, in <module>
    from tensorflow.python import pywrap_tensorflow
  File "E:\Anaconda3\envs\TensorFlow\lib\site-packages\tensorflow\python\pywrap_tensorflow.py", line 52, in <module>
    raise ImportError(msg)
ImportError: Traceback (most recent call last):
  File "E:\Anaconda3\envs\TensorFlow\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 18, in swig_import_helper
    return importlib.import_module(mname)
  File "E:\Anaconda3\envs\TensorFlow\lib\importlib\__init__.py", line 126, in import_module
    return _bootstrap._gcd_import(name[level:], package, level)
  File "<frozen importlib._bootstrap>", line 986, in _gcd_import
  File "<frozen importlib._bootstrap>", line 969, in _find_and_load
  File "<frozen importlib._bootstrap>", line 958, in _find_and_load_unlocked
  File "<frozen importlib._bootstrap>", line 666, in _load_unlocked
  File "<frozen importlib._bootstrap>", line 577, in module_from_spec
  File "<frozen importlib._bootstrap_external>", line 919, in create_module
  File "<frozen importlib._bootstrap>", line 222, in _call_with_frames_removed
ImportError: DLL load failed: 找不到指定的模块。

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "E:\Anaconda3\envs\TensorFlow\lib\site-packages\tensorflow\python\pywrap_tensorflow.py", line 41, in <module>
    from tensorflow.python.pywrap_tensorflow_internal import *
  File "E:\Anaconda3\envs\TensorFlow\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 21, in <module>
    _pywrap_tensorflow_internal = swig_import_helper()
  File "E:\Anaconda3\envs\TensorFlow\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 20, in swig_import_helper
    return importlib.import_module('_pywrap_tensorflow_internal')
  File "E:\Anaconda3\envs\TensorFlow\lib\importlib\__init__.py", line 126, in import_module
    return _bootstrap._gcd_import(name[level:], package, level)
ImportError: No module named '_pywrap_tensorflow_internal'


Failed to load the native TensorFlow runtime.

See https://www.tensorflow.org/install/install_sources#common_installation_problems

for some common reasons and solutions.  Include the entire stack trace
above this error message when asking for help.

Process finished with exit code 1

这是由于 CUDA 版本升级，CUDNN 升级为 cudnn64_6.dll，将 cuda\bin 加入 PATH 并且复制一份该 dll 改名为 cudnn64_5.dll 即可。

2017-06-01 17:48:32.402786: W c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE instructions, but these are available on your machine and could speed up CPU computations.
2017-06-01 17:48:32.403261: W c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE2 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-01 17:48:32.403602: W c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE3 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-01 17:48:32.403991: W c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-01 17:48:32.404366: W c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-01 17:48:32.404748: W c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
2017-06-01 17:48:32.405161: W c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-01 17:48:32.405527: W c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.
2017-06-01 17:48:33.651581: I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\common_runtime\gpu\gpu_device.cc:887] Found device 0 with properties: 
name: GeForce GTX 960M
major: 5 minor: 0 memoryClockRate (GHz) 1.176
pciBusID 0000:01:00.0
Total memory: 2.00GiB
Free memory: 1.65GiB
2017-06-01 17:48:33.652016: I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\common_runtime\gpu\gpu_device.cc:908] DMA: 0 
2017-06-01 17:48:33.652197: I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\common_runtime\gpu\gpu_device.cc:918] 0:   Y 
2017-06-01 17:48:33.652404: I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\common_runtime\gpu\gpu_device.cc:977] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GTX 960M, pci bus id: 0000:01:00.0)
b'Hello, TensorFlow!'

这样就安装成功了 #第一个小示例

import tensorflow as tf
import numpy as np
import matplotlib.pylab as plt

# 使用 TensorFlow 定义一个随机数构成的 2 * 20 的矩阵，并将其赋给变量 a
a = tf.random_normal([2, 20])
# a 是一个 Tensor("random_normal:0", shape=(2, 20), dtype=float32) 对象
sess = tf.Session()
out = sess.run(a)
"""
out 是一个 Numpy 数组，是类似下面结构的二维数组（具体数值随机生成可能有所差别）
[[ 1.12049484 -1.74728727  0.45890146  0.36703163 -0.15883297 -0.75236785
  -0.92546529  0.52383661 -0.76638812 -1.83311749  1.89417374 -1.08472025
  -0.45552248  0.15569194  0.31735975  0.01950244 -1.07766128 -0.79500329
  -0.8666485   0.39396518]
 [-1.57124853 -0.08938342 -0.55253559 -1.17106044  0.40585777  0.39375332
   1.37915421  0.19739513 -0.75434619  0.15933491 -0.75306702 -1.60337615
  -1.46187127  0.92681426  0.59408826  0.44740802 -1.06977224 -0.42683071
  -0.09084698  0.63764465]]
"""
x, y = out
# 将数组中的元素分别赋值给 x、y

# 使用 matplotlib.pylab 绘制一个散点图 x 对应横轴 y 对应竖轴
# 其实就是取出 x y 种索引相同的两个数后分别当做 横轴和竖轴显示成一个点
plt.scatter(x, y)
#显示绘制的图像
plt.show()

显示效果如下图所示： firsttest

#第一个完整数据流图

import tensorflow as tf

a = tf.constant(5, name="input_a")
b = tf.constant(3, name="input_b")
# tf.mul 被弃用 需要使用 tf.multiply
c = tf.multiply(a, b, name="mul_c")
d = tf.add(a, b, name="add_d")
e = tf.add(c, d, name="add_e")
# 上面的代码只是建立了一个数据流图，并不会进行计算

# Session 对象在运行时负责对数据流图进行监督，并且是运行数据流图的主要接口 还有一个 InteractiveSession
sess = tf.Session()
result = sess.run(e)

# a = {Tensor} Tensor("input_a:0", shape=(), dtype=int32)
# b = {Tensor} Tensor("input_b:0", shape=(), dtype=int32)
# c = {Tensor} Tensor("mul_c:0", shape=(), dtype=int32)
# d = {Tensor} Tensor("add_d:0", shape=(), dtype=int32)
# e = {Tensor} Tensor("add_e:0", shape=(), dtype=int32)
# result 为 23

# SummaryWriter 改为 tf.summary.FileWriter
# 在 Pycharm 测试的时候发现 run 无法生成数据 可能是 Pycharm 的 bug
writer = tf.summary.FileWriter('./graph_data', graph=sess.graph)

# 关闭以释放资源
writer.close()
sess.close()

其相当于下图的数据流图： 第一个完整的数据流图

我们保存一下上面代码中的图信息，使用 TensorBoard 来检查下是否是我们想象的数据流图的情况，在上面的代码中：

# 在早期版本下面的方法为 tf.train.SummaryWriter 改为 tf.summary.FileWriter
# 在 Pycharm 测试的时候发现 run 无法生成数据 可能是 Pycharm 的 bug
writer = tf.summary.FileWriter('./graph_data', graph=sess.graph)

这块儿的代码就是用于生成图信息文件的（与计算无关，只是计算可以去掉该部分代码），执行完成后会生成一个文件：

生成的 graph 文件

然后在命令行中执行：

(E:\Anaconda3\envs\TensorFlow) D:\PycharmProjects\TensorFlow>tensorboard --logdir="my_graph"
Starting TensorBoard b'47' at http://0.0.0.0:6006

在浏览器中访问 localhost:6006 然后选择菜单中的 GRAPHS：

TensorBoard 图

可以看到和我们自己画的图逻辑上是相同的。在该页面中可以点击图查看相关依赖等信息：

点击可以查看该节点的依赖等信息

转载于:https://my.oschina.net/coderknock/blog/914895

weixin_33877885
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
关于python：F:\ANACONDA\envs\py36\lib\site-packages\tensorflow\python\framework\dtypes.p错误说明以及解决方法
qq_51343417的博客
04-22 9254
关于python：F:\ANACONDA\envs\py36\lib\site-packages\tensorflow\python\framework\dtypes.p错误说明以及解决方法： 进入正题： 问题描述： 如果安装完tensorflow后遇到有以下错误的可以试试我的解决方案。 我在解决这个问题使用的所有指令一览： pip list pip uninstall numpy==1.16.0 pip install numpy==1.16.0 pip install pip -U//pip升级安装包
Android TensorFlow Lite 初探 数字分类器
11-09
Android TensorFlow Lite 初探 数字分类器 非kotlin 相关文章:https://blog.csdn.net/ansondroider/article/details/108508065 修改后的JAVA代码
tensorflow tf.python_io模块源码阅读
fengwuxuan的博客
08-22 2542
1.序言 该模块是tensorflow用来处理tfrecords文件的接口，定义在tensorflow/python/lib/io/python_io.py，主要包含了四个部分： class TFRecordCompressionType：记录的压缩类型。 class TFRecordOptions：用于操作TFRecord文件的选项。
windows下的安装Tensorflow报错Tanaconda3/envs/tensorflow/tensorflow\Lib\site-packages\tensorflow\python\fra
小蜗牛的博客
04-30 1万+
Tanaconda3/envs/tensorflow/lib/python3.5/site-packages/tensorflow\Lib\site-packages\tensorflow\python\framework 错误分析：python版本3.6，numpy是最新的1.8---------原因是numpy版本问题，给将一个版本：pip install numpy==1.16.4；安装成...
Tensorflow file_io的用法
runzhliu大数据/容器日记
02-11 1429
S3 对象存储的使用越来越广泛，其中的好处就不多说了，这里用 Tensorflow 举个例子。 https://github.com/tensorflow/examples/blob/master/community/en/docs/deploy/s3.md Tensorflow 本身就支持从 S3 中读写数据的。在 TenC 弹性计算平台上，用户可以通过指定 AWS_ACCESS_KEY_I...
Python之数据集制作读取——TensorFlow
SingWeek
11-26 1万+
      在进行机器学习实验之前，需要准备训练测试学习所需要的图像数据，如果将图像数据打包以及读取呢？       图像数据打包，早TensorFlow中有一个常用的函数tf.python_io.TFRecordWriter(save_file)将tf.train.Example读取到的数据存放在.tfrecords（train.tfrecords）文件中，将图像存储成二进制格式。 def...
TensorflowLite_Demo_Android:Tensorflow Lite 初探官方demo
05-14
TensorFlow Lite 是 TensorFlow 的轻量化版本，专为在移动设备和嵌入式系统上进行高效、实时的机器学习推理设计。这个"TensorflowLite_Demo_Android"项目是官方提供的一个示例，帮助开发者了解如何在 Android 应用中...
初探TensorFLow从文件读取图片的四种方式
09-20
在TensorFlow中，读取图片是一项基础操作，尤其在图像处理和深度学习任务中不可或缺。本文将详细解析四种从文件中加载图片的方法。这四种方式包括使用`gfile`、`WholeFileReader`、`tf.data.Dataset`以及直接使用...
机器学习在图书馆应用初探：以TensorFlow为例.pdf
09-24
TensorFlow是由谷歌开发的第二代开源人工智能机器学习平台，它提供了强大的工具和框架，支持构建和部署复杂的机器学习模型。 本文以图书馆的应用场景为例，探讨了机器学习，特别是深度神经网络在图书馆领域的潜力。...
【YOLO初探】 yolo_tensorflow_v1使用YOLO_small.ckpt进行测试-附件资源
03-05
【YOLO初探】 yolo_tensorflow_v1使用YOLO_small.ckpt进行测试-附件资源
【独家】当量子计算遇上神经网络与深度学习，QNN初探（ Quantum Neural Networks）， 9的量子计算.htm
11-29
机器学习 深度学习 pytorch tensorflow 贝叶斯 神经网络 算法
OpenCV+TensorFlow 入门人工智能图像处理 全视频加源代码
04-06
在本教程中，我们将深入探讨如何使用OpenCV和...无论是对于计算机视觉爱好者还是希望在AI领域初探的人来说，都是一个很好的起点。通过实践，学习者将能够构建自己的图像处理和分析系统，开启人工智能的探索之旅。
Python与机械教育初探.zip
10-16
通过TensorFlow、Keras等库，学生可以学习如何利用数据训练模型，进行预测和决策，从而解决机械设计中的优化问题，或者进行智能维护和故障预测。 最后，Python还为机械教育带来了跨学科的可能性。例如，结合OpenCV...
深度学习入门简易教程
09-30
第14章_循环神经网络初探.pptx 第15章_优化器的选择与设置.pptx 第16章_下一步学习方向指南.pptx 第1章_人工智能极简历史.pptx 第2章_开发环境准备.pptx 第3章_初识TensorFlow.pptx 第4章_简化神经网络模型.pptx 第5...
TensorFlow函数：tf.io.gfile.glob
Firmiana1220的博客
03-14 5224
tf.io.gfile.copy函数 tf.io.gfile.copy( src, dst, overwrite=False ) 定义在：tensorflow/python/lib/io/file_io.py。 将数据从src复制到dst。 参数： src：string，需要复制其内容的文件的名称。 dst：string，要复制到的文件的名称。 overwrite：bo...
tensorflow gfile文件操作详解
热门推荐
a373595475的博客
03-26 2万+
一、gfile模块是什么    gfile模块定义在tensorflow/python/platform/gfile.py，但其源代码实现主要位于tensorflow/tensorflow/python/lib/io/file_io.py，那么gfile模块主要功能是什么呢？google上的定义为：翻译过来为：没有线程锁的文件I / O操作包装器...对于TensorFlow的tf.gfile模块...
Win10下安装CUDA和cuDNN
a429367172的博客
04-03 2299
CUDA安装 以CUDA8.0为例： 进入NVIDIA官网下载CUDA安装包https://developer.nvidia.com/cuda-toolkit-archive 找到你对应的版本，我的是8.0，选择如图： 下载之后，打开，选择存临时文件的路径，确定。 选择自定义版 选择安装以上4项。不要选Visual Studio Integration，因为有可能出现全...
cudnn升级方法，解决CuDNN版本不兼容问题
凡心所向.AI
09-24 1万+
运行代码时出现： 32/1109 [..............................] - ETA: 12:41 - loss: 3.4072 - accuracy: 0.0000e+002020-09-24 02:47:25.341531: E tensorflow/stream_executor/cuda/cuda_dnn.cc:319] Loaded runtime CuDNN library: 7.5.1 but source was compiled with: 7.6.4. C.
Educoder Python初探
最新发布
09-21
Educoder Python初探是一个学习Python编程语言的课程。其中包含了多个编程示例，例如字符串查找与替换、用数字说话和字符转换。在字符串查找与替换示例中，我们首先使用find函数查找字符串中的特定子串，并返回其...

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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