win10下轻松安装tensorflow,踩坑后总结
一、第一次些博文的初衷
二、下载ananconda
三、利用anaconda创建新的虚拟环境进行安装tensorflow
3.1 打开 anaconda prompt
3.2 查看当前的所有虚拟环境
3.3 创建新的虚拟环境
3.4 在pycharm中创建新的项目
3.5 线性回归例子验证环境
四、总结
**一、第一次些博文的初衷 **
1.由于代码写多了，慢慢地知道了代码记录以及踩坑记录的重要性。一开始我接触python就是为了学习opencv,环境配置的问题我花费了不少时间，后面尝试学习深度学习，在环境配置上也踩了很多坑，不过也感谢这些坑让我学习如何发现问题，解决问题。
2.一方面写博文是为了个人的记录，同时也能在大家遇到类似德问题时，对大家有所帮助。
3.第一篇博文主要写一些如何在win10下（我电脑是CPU处理器）配置tensorflow。其实过程并不难希望大家一起加油！
**二、下载anaconda **
.如果大家还没有安装以及下载anaconda,请借鉴一下博主的链接，都是相当仔细。
链接: https://blog.csdn.net/qq_37245397/article/details/80813850
三、利用anaconda创建新的虚拟环境进行安装tensorflow
- 3.1 打开 anaconda prompt
- 3.2 查看当前的所有虚拟环境
conda env list
复制后输入，便可以查看当前的所有虚拟环境，现在大家虚拟环境是没有的，大家可以待会创建好后进行验证
- 3.3 创建新的虚拟环境
conda create -n your_env_name python=x.x
your_env_name：新环境的名字
python=x.x：需要依赖的编译器
这里简单的说一下，之前一直以为我需要什么版本的编译器就要重新下载一个，但是后面发现，有了anaconda之后，真的方便，之前其它项目用的是3.7的编译器，后面由于tensorflow需要3.5的版本，所以就直接写python3.5就可以了。这也是虚拟环境的好处，不会对之前的环境照成干扰。下面就以用python3.5编译器创建一个名为tensorflow的虚拟环境。
conda create -n tensorflow python=3.5
创建好显示如下：
查看虚拟环境就可以看到多了一个 tensorflow的环境
*3.4 在pycharm创建一个新的项目
- 3.5 导入相应的库
导入库可以通过一下两种形式
第一种是在anaconda prompt中激活所在的虚拟环境，然后直接pip就可以了
#Linux: source activate your_env_name(虚拟环境名称)
#Windows: activate your_env_name(虚拟环境名称)
#本例子激活代码：
activate tensorflow
第二种是在pycharm中的终端下载
普通pip下载的话可能速度会比较慢，所以利用加入豆瓣源会快非常多。
#pip install --index-url https://pypi.douban.com/simple 需要导入的库
pip install --index-url https://pypi.douban.com/simple tensorflow==1.4.0
显示安装完成
- 3.5 线性回归例子验证环境
import tensorflow as tf
import numpy as np
import matplotlib .pyplot as plt
# 随机生成1000个点，围绕在,y=0.1x+0.3的直线之间
num_points = 1000
vectors_set = []
for i in range(num_points):
x1 = np.random.normal(0.0,0.55)
y1 = x1*0.1+0.3+np.random.normal(0.0,0.03)
vectors_set.append([x1,y1])
#生成一些样本
x_data = [v[0] for v in vectors_set]
y_data = [v[1] for v in vectors_set]
plt.scatter(x_data,y_data,c = 'r')
plt.show()
# 生成1维的W矩阵，取值是[-1,1]之间的随机数
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='W')
# 生成1维的b矩阵，初始值是0
b = tf.Variable(tf.zeros([1]), name='b')
# 经过计算得出预估值y
y = W * x_data + b
# 以预估值y和实际值y_data之间的均方误差作为损失
loss = tf.reduce_mean(tf.square(y - y_data), name='loss')
# 采用梯度下降法来优化参数
optimizer = tf.train.GradientDescentOptimizer(0.5)
# 训练的过程就是最小化这个误差值
train = optimizer.minimize(loss, name='train')
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
# 初始化的W和b是多少
print ("W =", sess.run(W), "b =", sess.run(b), "loss =", sess.run(loss))
# 执行20次训练
for step in range(20):
sess.run(train)
# 输出训练好的W和b
print ("W =", sess.run(W), "b =", sess.run(b), "loss =", sess.run(loss))
四、总结
第一次写博文，排版有些混乱，后面也会继续分享opencv的一个学习，希望对大家有所帮助，支持的请大家点赞支持哦！！！