小白安裝 Tensorflow

小白安裝 Tensorflow

系統：win10
本人水平：白白的小白

下面的操作沒有特別說明的地方就自由發揮

安裝自己系統對應的miniconda:https://conda.io/miniconda.html

注意勾選一下加入到環境變數PATH裡面（能勾選的都勾選上 ），安裝完成之後，開啟命令提示符cmd(win鍵+r 或 開始選單查詢)：
檢視conda版本，實際上想看有沒有安裝成功，輸入

C:\Users\15617>conda --version

如果正確輸入之後，是下面這樣，你可以把miniconda解除安裝，換成anaconda再試一下

'conda' 不是內部或外部命令，也不是可執行的程式
或批處理檔案。

如果是下面這樣，就繼續，後面的數字不一樣無所謂的

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

建立一個新環境，輸入

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

出現很多東西，然後停在

<【y】/n>？

輸入y,然後回車，會出現進度條，跑好之後，輸入

activate tensorflow

進入環境裡面，會出現

[tensorflow] C:\Users\15617>

升級pip，輸入

pip install --upgrade pip

安裝tensorflow，會比較慢，我這邊跑了20多分鐘，輸入

pip install tensorflow 

如果成功，最後幾行前面會有successfully installed xxxxx，失敗應該會出現紅色字型。如果你還是成功了，那麼先最小化你的cmd，等一下會有用

下載安裝pycharm，具體的這裡有：https://blog.csdn.net/fmwind/article/details/79363142

官網：https://www.jetbrains.com/pycharm/

官網很慢，耐性操作，下專業版。
不要費勁破解，用教育郵箱可以認證免費使用
步驟在這裡：https://blog.csdn.net/irurileeirurilee/article/details/78652004
開啟pycharm

下面這裡點add

下面這張圖的操作左上角三個感覺應該都可以，只要找到existing environment，繼續操作就好

這一步你需要找到之前安裝miniconda，或者anaconda的位置，如果找不到了，我建議開啟cmd，輸入

[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，然後一步一步去找到這個位置

雙擊裡面的python.exe，然後okok，應用應用就可以了。

然後回到編輯頁面，輸入下面的程式碼跑一跑，也可以另外找程式碼試著執行一下。

#匯入資料集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
import tensorflow as tf
#建立一個佔位符placeholder
x = tf.placeholder("float", [None, 784])
#建立兩個可以在執行過程中被修改的Variable張量、
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
#把用來判斷的evidence，輸入到最右層的softmax裡
y = tf.nn.softmax(tf.matmul(x,W) + b)
# y_是輸入的lable值，在這裡為它建立一個佔位符placeholder
y_ = tf.placeholder("float", [None,10])
#使用Cross entropy函式處理，求得神經元的輸出值
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#要求TensorFlow用梯度下降演算法（gradient descent algorithm）以0.01的學習速率，升級各個引數
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#初始化之前定義的variables張量
init = tf.initialize_all_variables()
#在一個Session裡面啟動我們的模型，並且初始化變數
sess = tf.Session()
sess.run(init)
#開始訓練模型，這裡我們讓模型迴圈訓練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})
#檢測，模型中預測的值y與正確值y_(也就是lable)之間的差別，在accurcy中得到一個正確預測的概率
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
#計算所學習到的模型在測試資料集（mnist.test.images）上面的正確率
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

輸出會是一個0.85~0.92的一個概率

希望對你有幫助