TensorFlow 安装

1 安装Anaconda

选择这个镜像源进行下载 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

（注意其中安装过程不需要开全局代理翻墙）

进行傻瓜式点击安装

具体过程见这个博客

https://blog.csdn.net/ITLearnHall/article/details/81708148



2 创建一个环境

需要知道创建环境的名称和python的版本号

打开cmd，命令：

create -n TensorFlow_env python=3.7

然后激活该模块

activate tensorflow_env

接下去就是安装TensorFlow的模块，在这里 我们选择版本是2.0.0-alpha0版本，版本一定要对应不然没啥用处；

pip3 install tensorflow==2.0.0-alpha0

在此时安装环节中需要打开全局代理

（通过国外的节点和加密算法协议升级形成的隧道访问，速度会相当快）

显示这种情况，意味着安装完毕了。



3 deactivate

退出环境



4 开始测试用例代码

其中遇到一些小问题

报出一个警告：

Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA

在这篇博客中找到解决方法，主要原因是，由于tensorflow默认分布是在没有CPU扩展的情况下构建的，例如SSE4.1，SSE4.2，AVX，AVX2，FMA等。默认版本（来自pip install tensorflow的版本）旨在与尽可能多的CPU兼容。

https://blog.csdn.net/hq86937375/article/details/79696023

采用这个方法，直接忽视

import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'



import tensorflow as tf
import matplotlib as mpl
import numpy as np
import sklearn
import pandas as pd
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import sys
import time
from tensorflow import keras
# 数据方面
fashion_mnist = keras.datasets.fashion_mnist
(x_train_all,y_train_all),(x_test,y_test) = fashion_mnist.load_data()
x_valid,x_train = x_train_all[:5000],x_train_all[5000:]
y_valid,y_train = y_train_all[:5000],y_train_all[5000:]
'''
搭建神经网络 ,往图像内部添加层次
在全连接层使用两个激活函数
relu: y = max(0,x)
softmax:将向量变成概率分布，x = [x1,x2,x3] y=[e^x1/sum,e^x2/sum,e^x3/sum],sum = e^x1+e^x2+e^x3
'''
model  = keras.models.Sequential()
# 输入28*28的图像，用flatten进行展平,把28*28的二维矩阵变成一维向量
model.add(keras.layers.Flatten(input_shape=[28,28]))
# 添加全连接层,上一层的所有单元和下一层的单元都进行连接
model.add(keras.layers.Dense(300,activation="relu"))
model.add(keras.layers.Dense(100,activation="relu"))
model.add(keras.layers.Dense(10,activation="softmax"))
model.compile(loss="sparse_categorical_crossentropy",optimizer="sgd",metrics=["accuracy"])
model.layers
model.summary()
'''
构建完毕，开始训练
validation_data=(x_valid,y_valid)每隔一段时间对数据进行验证
'''
history = model.fit(x_train,y_train,epochs=10,
                    validation_data=(x_valid,y_valid))
def plot_learning_curves(history):
    # 画图定义，大小是8*5
    pd.DataFrame(history.history).plot(figsize = (8,5))
    # 是否是网格
    plt.grid(True)
    plt.gca().set_ylim(0,1)
    plt.show()
plot_learning_curves(history)

打印输出，成功构建全连接层。

Model: "sequential"

_________________________________________________________________

Layer (type) Output Shape Param #

=================================================================

flatten (Flatten) (None, 784) 0

_________________________________________________________________

dense (Dense) (None, 300) 235500

_________________________________________________________________

dense_1 (Dense) (None, 100) 30100

_________________________________________________________________

dense_2 (Dense) (None, 10) 1010

=================================================================

Total params: 266,610

Trainable params: 266,610

Non-trainable params: 0