非常简单操作的Tensorflow安装(适用于最新版) | 您所在的位置:网站首页 › fedora系统下载tensorflow › 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: |
CopyRight 2018-2019 实验室设备网 版权所有 |