非常简单操作的Tensorflow安装（适用于最新版）

搭配up的视频食用更香：非常简单的Tensorflow安装（适用于最新版）

1、更新驱动

打开电脑的GeForce Experience软件并登录，需要更新至最新的驱动程序

2、下载最新的VC库

https://docs.microsoft.com/zh-CN/cpp/windows/latest-supported-vc-redist?view=msvc-170

3、下载anaconda

https://www.anaconda.com/

4、本地安装

注意：

Tensorflow为了与他人写的程序搭配，建议安装最新版本

安装时，不能使用清华源（https://mirror.tuna.tsinghua.edu.cn/help/anaconda/），默认即可

后续需补安装matplotlib、pandas，如果conda不行（出现冲突），就换成pip

以下皆为命令，在Anaconda Prompt (anaconda)中输入

（1）、安装pip

命令：python -m pip install -U pip

（2）、创建虚拟环境

注意Tensorflow与Python版本匹配，参考：https://tensorflow.google.cn/install/source_windows

命令：conda create --name tensorflow_39 python=3.9

（3）、激活环境并安装Tensorflow

命令：conda activate tensorflow_39

命令：conda install tensorflow-gpu==2.6.0  

（4）、安装匹配版本的keras

https://blog.csdn.net/qq_45696978/article/details/122674158

命令：pip install keras==2.6.0

（5）、为了能够在虚拟环境中使用jupyter（非全部必须）

命令：conda install libpython

命令：conda install nb_conda

命令：conda install ipython

命令：conda install jupyter

（6）、在Jupyter Lab安装多kernel

命令：python -m ipykernel install --user --name 内部名 --display-name "显示名"

（7）、安装额外的包

示例：matplotlib、pandas，如果不行，就换成pip

命令：conda install matplotlib

命令：conda install pandas

（8）、检查是否成功

命令：python

命令：import keras

命令：import tensorflow as tf

命令：tf.__version__                          得到当前安装Tensorflow的版本号

命令：tf.test.is_gpu_available()          返回True时，表明能够正常调用GPU

5、Tensorflow代码测试

// 非线性回归

import tensorflow as tf

import numpy as np

import matplotlib.pyplot as plt

tf = tf.compat.v1

tf.disable_v2_behavior()

#使用numpy生成200个随机点

x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis]#这样可以生成列向量，相当于是两维的

noise = np.random.normal(0,0.02,x_data.shape)

y_data = np.square(x_data) + noise

#定义两个placeholder

x = tf.placeholder(tf.float32,[None,1])

y = tf.placeholder(tf.float32,[None,1])

#1*10*1的神经网络，中间层

Weights_L1 = tf.Variable(tf.random_normal([1,10]))

biases_L1 = tf.Variable(tf.zeros([1,10]))

Wx_plus_b_L1 = tf.matmul(x,Weights_L1) + biases_L1

L1 = tf.nn.tanh(Wx_plus_b_L1)

#定义输出层

Weights_L2 = tf.Variable(tf.random_normal([10,1]))

biases_L2 = tf.Variable(tf.zeros([1,1]))

Wx_plus_b_L2 = tf.matmul(L1,Weights_L2) + biases_L2

prediction = tf.nn.tanh(Wx_plus_b_L2)

#二次代价函数

loss = tf.reduce_mean(tf.square(prediction - y))

#定一个梯度下降法来进行训练的优化器

train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#学习率

with tf.Session() as sess:

    #变量用到就要初始化

    sess.run(tf.global_variables_initializer())

    for step in range(2000):

        sess.run(train_step,feed_dict={x:x_data,y:y_data})#忘了placeholder了

    #获得预测值

    prediction_value = sess.run(prediction,feed_dict={x:x_data})

    #画图

    plt.figure()#函数后面一定要记得加括号

    plt.scatter(x_data,y_data)

    plt.plot(x_data,prediction_value,'r-',lw = 5)

    plt.show()

结果：