Tensorflow從0到1（1）之如何安裝Tensorflow（Windows和Linux兩種版本）

本文轉載自查看原文 2020-05-20 15:10 759 人工智能TensorFlow深度學習

現在越來越多的人工智能和機器學習以及深度學習，強化學習出現了，然后自己也對這個產生了點興趣，特別的進行了一點點學習，就通過這篇文章來簡單介紹一下，關於如何搭建Tensorflow以及如何進行使用。建議的話，還是要學習了一點Python基礎知識和Linux知識是最好的！

版本：Windows7

一：安裝Anaconda和Tensorflow

步驟：

1：從官方網站下載Anaconda

https://www.anaconda.com/download/或者https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

2：進行軟件安裝（這個和普通的沒什么特別區別）

注意一點：

3：安裝完成Anaconda之后進行環境變量的測試

進入到windows中的命令模式：

（1）檢測anaconda環境是否安裝成功：conda --version

（2）檢測目前安裝了哪些環境變量：conda info --envs

（3）對於Anaconda中安裝一個內置的python版本解析器(其實就是python的版本)

查看當前有哪些可以使用的python版本：conda search --full -name python

（備注：如果是用比較新的版本的話，就使用conda search --full --name python 它們的name的前面是兩個‘-’）

安裝python版本（我這里是安裝的3.5的版本，這個根據需求來吧）：conda create --name tensorflow python=3.5

（4）激活tensflow的環境：activate tensorflow（注意：這個是在后序安裝成功之后才能進行的，否則會提示錯誤）

（5）檢測tensflow的環境添加到了Anaconda里面：conda info --envs（注意：基於后序安裝成功之后才進行的，否則會提示錯誤）

（6）檢測當前環境中的python的版本：python --version

（7）退出tensorflow的環境：deactivate

（8）切換到tensorflow的環境：activate tensorflow

上面的這些基本就可以對於Anaconda有一個比較簡單的了解，其實它就類似於JDK的一些操作，比如我們查看jdk的版本，也可以用java --version ，所以說對於Anaconda去安裝tensorflow是比較簡單的原因也正是這樣，也就是是給我們提供了一個基礎的依賴環境，這樣就方便我們進行后面的安裝操作；

Anaconda的官方開發文檔，可以看看，還是官網的東西更加好：

https://docs.anaconda.com/anaconda/user-guide/getting-started

https://anaconda.org/

4：進行正式的安裝Tensorflow

注意事項：根據Tensorflow的官方文檔，可以得到安裝tensorflow的一個命令是下面：

pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.0.0-cp35-cp35m-win_x86_64.whl

但是，如果我們在cmd中，直接進行這樣的話，有可能是不能夠成功的，開始也不知道為什么，后面發現是跟電腦的cpu和顯卡有點關系，所以，采取后面的方法進行安裝；

5：通過命令：pip install --upgrade --ignore-installed tensorflow

剩下的就是慢慢的等待安裝的過程啦

溫馨提示：（1）如果在這個命令之后，有提示說需要你升級你的pip的版本，那么你就根據上面的提示進行命令安裝就可以了

6：等待完成之后，確認是否安裝成功

（1）打開之前安裝的Anaconda

這兩個都可以，我這里說一下使用Anaconda Prompt的方式；

方法一：步驟：①直接點擊進入，就會顯示如下的內容：

②切換到tensorflow的環境

③進入python編輯環境

④然后編寫一個使用的代碼：

方法二：通過使用Anaconda中的spyder的編輯器

通過這個的方式的話，更加簡單，直接編寫上面的代碼，然后進行運行就可以啦，我這里就不多介紹了。。。

7：OK，到這里的話，基本上從安裝到成功就已經實現了~~~~

溫馨提示：如果你發現，你的conda和tensorflow環境都是安裝成功的，但是一用測試代碼進行跑的時候就出問題了，那么請注意，這個原因你由於你在安裝tensorflow的時候，是直接在cmd下，而不是在你用conda激活的一個環境，所以導致，tensorflow並沒有直接嵌入到conda環境，所以，就導致無法導入模塊的一個錯誤；

解決方法：（1）只需要在activate tensorflow ----------注意：這個環境是第三步中的第3點里面創建的；

（2）然后再使用第五步中的命令就可以了

二：將Tensorflow環境嵌入到編輯器中

環境：Tensorflow和Pycharm編輯器

步驟：

1：下載Pycharm軟件，，這個的話下載安裝都很簡單，所以就不多說了

2：使用Pycharm創建一個項目

3：設置項目的相關內容

溫馨提示：注意上面的Interpreter的選擇，因為我們現在要測試的是tensorflow嵌入到我們的IDE，方便我們開發，所以這個python解析器就是要選擇我們之前安裝tensorflow目錄下的解析器，否則的話，我們之后是使用不了tensorflow的模塊的內容的哦。。。特別要注意。。。當然，如果這里不選擇，那么在創建工程之后還是可以修改的，后面我會說；

4：創建一個py文件，用於編寫測試代碼

5：運行程序代碼

OKOK，，，這就說明我們的環境已經整合完成啦。。。。大功告成

溫馨提示：有時候我們會發現，我們引入了tensorflow模塊之后，那就會報錯，這個原因有如下可能：

（1）tensorflow沒有安裝成功，這樣的話，就需要重新按照我的步驟去了！

（2）IDE中的python解析器，沒有使用tensorflow中安裝的那個，所以導致無法識別

這個解決方案有兩種：

第一種：就是創建工程的時候就選擇正確的解析器，也就是我上面所使用的方法

第二種：就是在項目工程里面進行修改配置：

步驟：1：選擇File----》setting

2：

3：添加新的解析器

4：找到我們安裝的Anadonda中的env中的tensorflow中的python.exe

5：點擊apply應用，然后重啟我們的IDE，這樣的話就不會報無法找到tensorflow的模塊的錯誤了。

版本：Linux（Ubuntu14.0.1）

三：Linux環境安裝Tensorflow（通過Anaconda方式）

步驟：（1）下載Anaconda的Linux版本 https://www.anaconda.com/download/#linux

從官網的路徑進行下載，一般都很慢，所以，大家可以去這個地址進行下載(或者在進行留言也可以)：https://download.csdn.net/download/cs_hnu_scw/10389323

（2）運行下載好的Anaconda,找到下載的目錄，然后執行命令：bash XXXXXXXXX（就是Anaconda文件的名字）

（3）一直等待安裝完成即可；

當出現下面這個的時候：

強烈注意一點：在安裝的時候，會提示你是否要將這個添加到環境變量中，最好選擇Yes，要不然每次都要進行額外的手動添加，非常的不方便，所以強烈建議直接添加到環境變量中；

（4）當執行完成上面的步驟之后，對Anaconda 的環境進行測試；

執行命令：conda --version （作用：查看當前Anaconda的版本）

如果，出現對應的安裝版本，那么就表示安裝成功，可以繼續后面的安裝步驟。

（5）添加tensorflow的環境。執行命令：conda create -n tensorflow python=3.5（版本的話，我個人比較喜歡3.X+版本）。當執行完成之后，就根據提示，進行輸入yes就可以了，慢慢等待。

（6）激活環境，執行命令：source activate tensorflow （作用：進入到tensorflow的環境）

（7）激活tensorflow的環境，執行命令：

pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0rc0-cp27-none-linux_x86_64.whl

千萬要注意一個地方：如果你安裝的python的版本是2.7.那么就用上面的地址，即可，如果你用了3.5版本，那么久需要對應的修改為如下鏈接：（其他版本類似修改）

pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.1-cp35-cp35m-linux_x86_64.whl

（8）執行完之后，剩下的就只有等待了，，，對於出現的提示，全部都是“yes”即可。

（9）安裝完成之后，進行測試。

具體步驟：

1：在tensorflow的環境下，執行命令：python （作用：表示進入python環境）

2：然后輸入代碼（這個其實和windows安裝的時候測試時一樣）：

import tensorflow as tf
hello = tf.constant( 'first tensorflow')
sess = tf.Session()
print sess.run(hello)

如果：輸出first tensorflow ，那么就表示安裝成功了。

補充內容：

1：當需要退出python環境，即執行Ctrl+D或者輸入quit即可

2：退出tensorflow環境，source deactivate

3：激活tensorflow環境，source activate tensorflow

四：Pycharm整合tensorflow環境

（1）下載Pycharm，這個就自己到官網下載Linux的社區版本即可，然后對其下載的文件進行相應的解壓命令處理就可以了，另外的話，注意一點，在Linux中運行Pycharm不是直接點擊就運行，而是需要找到對應的目錄下（bin目錄），然后執行命令：sh pycharm.sh 即可運行Pycharm。

（2）這個其實和windows的整合方式是一樣的，只是說tensorflow的路徑是不一樣的而已，所以，大家可以參考上面對於Windows版本的詳細配置過程即可，這里就不多說了。

---------------------------------------------------------------------------------------------------------------------------------

五：Tensorflow的案例實踐

（1）案列實踐：通過百度雲盤下載我分享的內容即可，里面的內容都是封裝好的，所以應該能看懂

項目鏈接：https://pan.baidu.com/s/1-TelzkLHodDNsdX6G82ZOg 密碼：b05p

溫馨提示：（1）在運行這個代碼的時候，會出現ImportError: No module named 'matplotlib'，這是因為你python中缺少了這個包，所以需要進行額外添加；或者進入tensorflow的環境，然后通過pip install matplotlib

解決辦法：進入cmd，然后conda install matplotlib ，，然后等安裝成功即可，這時候就會找到從而解決這個問題；

（2）手寫數字的識別案例：

數據：https://pan.baidu.com/s/1UC6uBPPOBzZhYvNV93RgNw

代碼：

#!/usr/bin/python
# -*- coding:utf-8 -*-
# @Time : 2018/3/30 0030 15:20
# @Author : scw
# @File : writenumbercompute.py
# 描述：進行手寫數字的識別的實例分析
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 獲取數據
mnist = input_data.read_data_sets( "E:/tensorflowdata/MNIST_data/", one_hot= True)
print( '訓練集信息：')
print(mnist.train.images.shape,mnist.train.labels.shape)
print( '測試集信息：')
print(mnist.test.images.shape,mnist.test.labels.shape)
print( '驗證集信息：')
print(mnist.validation.images.shape,mnist.validation.labels.shape)
# 構建圖
sess = tf.InteractiveSession()
x = tf.placeholder(tf.float32, [ None, 784])
W = tf.Variable(tf.zeros([ 784, 10]))
b = tf.Variable(tf.zeros([ 10]))
y = tf.nn.softmax(tf.matmul(x,W) + b)
y_ = tf.placeholder(tf.float32, [ None, 10])
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),reduction_indices=[ 1]))
train_step = tf.train.GradientDescentOptimizer( 0.5).minimize(cross_entropy)
# 進行訓練
tf.global_variables_initializer().run()
for i in range( 1000):
batch_xs, batch_ys = mnist.train.next_batch( 100)
train_step.run({x: batch_xs, y_: batch_ys})
# 模型評估
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print( 'MNIST手寫圖片准確率：')
print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))