[本文出自天外歸雲的博客園]
Windows下Anaconda+Tensorflow環境部署
1. 安裝Anaconda。
2. 開始菜單 > 所有程序 > Anaconda 3 (64-bit) > Anaconda Prompt > 執行命令：
conda create -n tensorflow python=3.5
至此創建了一個名字叫做tensorflow的虛擬環境，並指定了這個虛擬環境的python為3.5版本。
3. 激活虛擬環境，執行命令：
activate tensorflow
4. 安裝CPU版本的tensorflow，執行命令：
pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.2.1-cp35-cp35m-win_amd64.whl
必須用這個whl結尾的https地址，用其他地址安裝一會兒在python環境中import tensorflow都會報錯。
至此環境部署完成。
使用方法
要運行一個tensorflow機器學習腳本，首先創建一個test.py文件，包含以下內容：
import numpy as np import tensorflow as tf # Model parameters W = tf.Variable([.3], dtype=tf.float32) b = tf.Variable([-.3], dtype=tf.float32) # Model input and output x = tf.placeholder(tf.float32) linear_model = W * x + b y = tf.placeholder(tf.float32) # loss loss = tf.reduce_sum(tf.square(linear_model - y)) # sum of the squares # optimizer optimizer = tf.train.GradientDescentOptimizer(0.01) train = optimizer.minimize(loss) # training data x_train = [1, 2, 3, 4] y_train = [0, -1, -2, -3] # training loop init = tf.global_variables_initializer() sess = tf.Session() sess.run(init) # reset values to wrong for i in range(1000): sess.run(train, {x: x_train, y: y_train}) # evaluate training accuracy curr_W, curr_b, curr_loss = sess.run([W, b, loss], {x: x_train, y: y_train}) print("W: %s b: %s loss: %s" % (curr_W, curr_b, curr_loss))
然后打開Anaconda Prompt，激活在我們剛才創建的tensorflow虛擬環境，並在其中執行上面的test.py文件，得到下面的運行結果：
這就是tensorflow機器學習腳本在Anaconda Prompt中的使用方法。
數字識別實踐
接下來詳細解釋下官方的HelloWord用例：
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # 加載數據集，Label（標簽）在one-hot編碼后變成向量，所以在此讀取數據集中的數據時指定了one_hot參數為true mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) # 創建一個tensorflow的交互環境 sess = tf.InteractiveSession() # [None, 784]是shape，None代表不限條數的輸入，784代表每條輸入都是一個784維的向量 x = tf.placeholder(tf.float32, [None, 784]) # W的shape是[784, 10]，784是特征的維數，10是類別數，每個特征都對應有10個類別 W = tf.Variable(tf.zeros([784, 10])) # b的shape是[10]，是個10維向量 b = tf.Variable(tf.zeros([10])) # 計算公式，其中matmul是tf.nn下面的矩陣乘法函數 y = tf.nn.softmax(tf.matmul(x, W) + b) # y_是真實的概率分布，即Label的one-hot編碼，shape為[None, 10]，None代表樣本數不限，10代表每個樣本對應的概率分布是一個10維向量 y_ = tf.placeholder(tf.float32, [None, 10]) # 損失函數（loss function）coss_entropy，reduce_sum求和，reduce_mean對每個batch數據結果求均值 cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1])) # 優化目標設定為cross_entropy，學習速率為0.5 train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) # 運行全局參數初始化器 tf.global_variables_initializer().run() # 迭代 for i in range(1000): # 每次從訓練集中隨機抽取100條樣本構成一個mini-batch，他們的特征和標簽分別存到batch_xs和batch_ys里 batch_xs, batch_ys = mnist.train.next_batch(100) # 調用train_step對mini-batch中的樣本進行訓練 train_step.run({x: batch_xs, y_: batch_ys}) # tf.equal對預測類別tf.argmax(y, 1)和實際類別tf.argmax(y_, 1)進行比較判斷是否相等，tf.argmax函數從一個tensor中尋找最大值序號 correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) # tf.cast()函數的作用是執行tensorflow 中張量數據類型轉換 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) # 調用此方法將執行所有前面的操作，這些操作會生成產生此張量的操作所需的輸入，這里是x和y_，分別是讀取的圖像特征和標簽 print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))
運行結果如下：
至此完成了訓練，並求出了精准度。如果要用我們這次訓練的模型來對數字進行識別，首先要保存本次訓練的模型，然后再在本地讀取數字圖片數據並轉化為模型可以接收的ndarray類型數據，用模型進行訓練。那就要對上面的代碼稍加改動。第一步，訓練並保存模型，修改上面代碼（number_recognition_train.py）如下，添加保存模型的過程：
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data import os # 加載數據集，Label（標簽）在one-hot編碼后變成向量，所以在此讀取數據集中的數據時指定了one_hot參數為true mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) # 創建一個tensorflow的交互環境 sess = tf.InteractiveSession() # [None, 784]是shape，None代表不限條數的輸入，784代表每條輸入都是一個784維的向量 x = tf.placeholder(tf.float32, [None, 784]) # W的shape是[784, 10]，784是特征的維數，10是類別數，每個特征都對應有10個類別 W = tf.Variable(tf.zeros([784, 10])) # b的shape是[10]，是個10維向量 b = tf.Variable(tf.zeros([10])) # 計算公式，其中matmul是tf.nn下面的矩陣乘法函數 y = tf.nn.softmax(tf.matmul(x, W) + b) # y_是真實的概率分布，即Label的one-hot編碼，shape為[None, 10]，None代表樣本數不限，10代表每個樣本對應的概率分布是一個10維向量 y_ = tf.placeholder(tf.float32, [None, 10]) # 損失函數（loss function）coss_entropy，reduce_sum求和，reduce_mean對每個batch數據結果求均值 cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1])) # 優化目標設定為cross_entropy，學習速率為0.5 train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) # 運行全局參數初始化器 tf.global_variables_initializer().run() # 迭代 for i in range(1000): # 每次從訓練集中隨機抽取100條樣本構成一個mini-batch，他們的特征和標簽分別存到batch_xs和batch_ys里 batch_xs, batch_ys = mnist.train.next_batch(100) # 調用train_step對mini-batch中的樣本進行訓練 train_step.run({x: batch_xs, y_: batch_ys}) print("訓練完成！") # 創建模型保存目錄 model_dir = "models" model_name = "number_recognition" if not os.path.exists(model_dir): os.mkdir(model_dir) # 定義模型保存對象 saver = tf.train.Saver() # 保存模型 saver.save(sess, os.path.join(model_dir, model_name)) print("保存模型成功！") # tf.equal對預測類別tf.argmax(y, 1)和實際類別tf.argmax(y_, 1)進行比較判斷是否相等，tf.argmax函數從一個tensor中尋找最大值序號 correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) # tf.cast()函數的作用是執行tensorflow 中張量數據類型轉換 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) # 調用此方法將執行所有前面的操作，這些操作會生成產生此張量的操作所需的輸入，這里是x和y_，分別是讀取的圖像特征和標簽 print("精准度：{}".format(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels})))
運行之后，在當前目錄下就會出現一個叫models的文件夾，其下會生成我們的模型文件：
之后再寫一個number_recognition_test.py文件，用我們已經保存到本地的模型對其他圖片內容進行數字識別，內容如下：
#!/usr/bin/env python # 導入mnist數據庫 from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data", one_hot=True) import tensorflow as tf from PIL import Image import numpy as np # 讀取mnist中的數據進行測試 def img_recognition_from_mnist(sess, y): # 從mnist中讀取出一個測試圖片 idx = 0 img = mnist.test.images[idx] print("type:{}".format(type(img))) print("img:{}".format(img)) print(list(img)) print(len(list(img))) # 根據模型計算結果 ret = sess.run(y, feed_dict={x: img.reshape(1, 784)}) # 顯示測試結果 print("預測結果:{} 實際結果:{}".format((ret.argmax()), (mnist.test.labels[idx].argmax()))) # 讀取本地圖片轉化為數據進行測試 def img_recognition_from_custom(image_path, sess, y): # 讀取圖片轉成灰度格式 img = Image.open(image_path).convert('L') # resize的過程 img = img.resize((28, 28)) # 像素存入一維數組 arr = [1.0 - float(img.getpixel((j, i))) / 255.0 for i in range(28) for j in range(28)] # 轉為ndarray類型並reshape np_arr = np.array(arr).reshape(1, 784) # 根據模型計算結果 ret = sess.run(y, feed_dict={x: np_arr}) # 顯示預測結果 print("預測結果:{}".format((ret.argmax()))) if __name__ == '__main__': # 創建會話 sess = tf.Session() # 定義輸入變量 x = tf.placeholder(tf.float32, [None, 784]) # 定義參數 W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) # 定義模型和激勵函數 y = tf.nn.softmax(tf.matmul(x, W) + b) # 定義模型保存對象 saver = tf.train.Saver([W, b]) # 恢復模型 saver.restore(sess, "models/number_recognition") print("恢復模型成功！") # img_recognition_from_mnist(sess, y) img_path = '7.jpg' img_recognition_from_custom(img_path, sess, y)
運行后發現預測結果是3，而實際圖片中的數字是7：
看來這個訓練集並不適合我的圖片，需要自己來搞訓練數據，再做一個訓練集進行專門的訓練。這個之后再說。