安裝說明
平台：Window、Ubuntu、Mac等操作系統
版本：支持GPU版本和CPU版本
安裝方式：pip方式、Anaconda方式
attention：
在Windows上目前支持python3.5.x
GPU版本可支持CUDA9.0、Cudnn7.0
安裝過程
CUDA簡介
CUDA(Compute Unified Device Architecture)，是顯卡廠商NVIDIA推出的運算平台。 CUDA™是一種由NVIDIA推出的通用並行計算架構，該架構使GPU能夠解決復雜的計算問題。 它包含了CUDA指令集架構（ISA）以及GPU內部的並行計算引擎。 開發人員現在可以使用C語言來為CUDA™架構編寫程序，C語言是應用最廣泛的一種高級編程語言。所編寫出的程序於是就可以在支持CUDA™的處理器上以超高性能運行。CUDA3.0已經開始支持C++和FORTRAN。
計算行業正在從只使用CPU的“中央處理”向CPU與GPU並用的“協同處理”發展。為打造這一全新的計算典范，NVIDIA™（英偉達™）發明了CUDA（Compute Unified Device Architecture，統一計算設備架構）這一編程模型，是想在應用程序中充分利用CPU和GPU各自的優點。現在，該架構已應用於GeForce™（精視™）、ION™（翼揚™）、Quadro以及Tesla GPU（圖形處理器）上。
來自百度百科。
Anaconda簡介
Anaconda是由Python提供支持的領先的開放數據科學平台。 Anaconda的開源版本是Python和R的高性能分發版本，包括超過100個用於數據科學的最流行的Python，R和Scala軟件包。
來自Anaconda官方下載頁面
具體使用見Anaconda官方教程，簡單易懂！
Anaconda安裝過程
- 下載Anaconda安裝包：官方網址
- 我下載的是：Anaconda3-5.0.1-Windows-x86_64（內含python3.6）
- 檢查Anaconda是否安裝成功：conda --version
（成功第一步，繼續向前進） - 檢測目前安裝了哪些環境：conda info --envs
(正常情況下只有一個base，新手還要慢慢來吧) - 檢查目前有哪些版本的python可以安裝：conda search --full-name python
- 安裝不同版本的python：conda create --name tensorflow python=3.5
(為了保持版本一致，還是盡量選擇3.5的吧) - 根據提示，激活TensorFlow：activate tensorflow
（可以看到前面有個tensorflow的標志） - 確保tensorflow環境已經被成功添加：conda info --envs
- 檢查當前使用環境的python版本：python --version
- 退出當前環境：deactivate
(tensorflow的標志沒有啦，如果想進去再用activate tensorflow)
TensorFlow-CPU安裝
- 由於已經具有好了python3.5環境，現在使用Anaconda安裝CPU版本的tensorflow：
pip install tensorflow
或者不行的話可以安裝其他的鏡像文件，比如：pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.0.0-cp35-cp35m-win_x86_64.whl
- 確定tensorflow已經安裝成功
- 錯誤嘗試：直接在cmd中輸入python，再輸入
import tensorflow as tf顯示錯誤，因為默認的python版本為3.6.正確的做法是進入anaconda里面的3.5的python版本
- 正確做法：首先通過activate tensorflow進入tensorflow環境，再輸入python，並導入框架：
import tensorflow as tf
至此，TensorFlow-CPU版本就安裝完成了。
- 錯誤嘗試：直接在cmd中輸入python，再輸入
- 進入Anaconda Prompt-python里面，進入安裝的名叫tensorflow的環境（我們裝的python3.5.2記得嗎？~），鍵入python，然后再鍵入
import tensorflow as tf
在這里可以找到Anaconda Prompt-python - 打開Anaconda Navigator（開始菜單->Anaconda 3->Anaconda Navigator），搞一個spyder玩，點擊spyder下面的“install”，安裝好就變成“Launch”了，點擊就可以進去了。在spyder里對tensorflow說Hello! （或者可以安裝pycharm進行編輯）
TensorFlow-GPU安裝
- 安裝CUDA9.0
-
檢查自己的電腦顯卡支持CUDA后進行安裝，我在安裝之前先是看了幾個大牛的博客。預先知道了目前tensorflow目前支持CUDA8.0和對應的CUDNN5.1版本（所以安裝了這兩個之后安裝tensorflow-gpu之后測試說提示我：
could not find 'cudart64_90.dll' 這個提示意思是需要安裝CUDA9.0）
可能是tensorflow升級了目前支持CUDA9.0和CUDNN7了，所以我后來又安裝了CUDA9.0和CUDNN7
CUDA官網（https://developer.nvidia.com/cuda-downloads）最新是CUDA9.1了
所以我選擇下載歷史版本CUDA9.0（https://developer.nvidia.com/cuda-toolkit-archive）
注：最好是下載local版本，不要下載network版本，以免安裝又出什么岔子
下載安裝好了之后不要忘記系統環境配置
CUDA_PATH：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
CUDA_BIN_PATH：%CUDA_PATH%\bin
CUDA_LIB_PATH：%CUDA_PATH%\lib\Win32
CUDA_SDK_BIN：%CUDA_SDK_PATH%\bin\Win64
CUDA_SDK_LIB：%CUDA_SDK_PATH%\common\lib\x64
CUDA_SDK_PATH：C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0
-
- 下載Cudnn7.0
- 下載CuDNN，進了下載網站(https://developer.nvidia.com/rdp/form/cudnn-download-survey)，你會發現他要讓你注冊了才能下載，過程比較煩。所以我直接在CSDN下載頁面花了兩積分下載的CuDNN7，親測能用。（http://download.csdn.net/download/qq_34364066/10123615），下載后得到的是一個壓縮包，將解壓的文件夾復制到安裝的CUDA【C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0】的目錄下即可。
- 安裝GPU版本TensorFlow
-
因為之前一直用，所以就用之前下載好的安裝包，我的安裝包是Anaconda3.4.2版本的Anaconda3-4.2.0-Windows-x86_64.exe，支持python3.5。
安裝之后，在新建tensorflow環境。
conda create -n tensorflow-gpu python=3.5
新建好環境之后激活activate tensorflow-gpu，在環境里利用pip安裝
pip install --upgrade --ignore-installed tensorflow-gpu
測試安裝成功的小例子：
python //進入python命令模式
import tensorflow as tf hello=tf.constant("Hello,tensorflow!") s=tf.Session() print (s.run(hello))
順利打印出b"Hello,tensorflow！"說明成功，
exit()//退出python命令模式
-
- 配置pycharm軟件
-
安裝並破解PyCharm：
直接在官網下載相關版本的PyCharm（http://www.jetbrains.com/pycharm/download/#section=windows），安裝的是專業版，安裝過程很簡單，重要的是安裝成功后的激活過程。
破解教程如下，博主講解的很是詳細。
http://blog.csdn.net/weixin_40190468/article/details/79084941
配置PyCharm：
在PyCarm下配置tensorflow環境，要設置好pycharm下解釋器的interpreter的路徑【File --> Setting --> Project --> Project Interpreter】，也就是anaconda中tensorflow-gpu的路徑。
在pycharm中測試剛剛的小例子輸出成功，則安裝成功。
-
TensorFlow例程
裝了個新東西，我們先把它用起來吧！
找點成就感才好繼續下去！
示例來源：MINIST For ML Beginners
MINST數據集：
- 55000訓練集，10000測試集，5000驗證集
- 每張圖片都是28pixels*28pixels
#獲得數據集 from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) import tensorflow as tf #輸入圖像數據占位符 x = tf.placeholder(tf.float32, [None, 784]) #權值和偏差 W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) #使用softmax模型 y = tf.nn.softmax(tf.matmul(x, W) + b) #代價函數占位符 y_ = tf.placeholder(tf.float32, [None, 10]) #交叉熵評估代價 cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1])) #使用梯度下降算法優化：學習速率為0.5 train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) #Session sess = tf.InteractiveSession() #初始化變量 tf.global_variables_initializer().run() #訓練模型，訓練1000次 for _ in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) #計算正確率 correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
運行結果為輸出顯示得到模型的准確率
總結
TensorFlow的CPU版本安裝過程注意要在tensorflow的環境中運行，那里的python版本為3.5。若沒有進入tensorflow環境運行，則是在Anaconda固有的3.6版本python中運行
TensorFlow的GPU版本一定要注意CUDA和Cudnn兩者之間的版本對應關系，否則將無法運行TensorFlow，具體對應情況可在官網查看
參考
https://blog.csdn.net/yygydok/article/details/79783002
https://blog.csdn.net/darlingwood2013/article/details/60322258