本文介紹在win10中安裝tensorflow的步驟：

1、安裝anaconda3

2、新建conda環(huán)境變量，可建多個(gè)環(huán)境在內(nèi)部安裝多個(gè)tensorflow版本，1.x和2.x版本功能差別太大，代碼也很大區(qū)別

3、環(huán)境中安裝python和fensorflow

4、用tensorflow運(yùn)行一段測(cè)試程序

安裝anaconda下載地址（清華鏡像）:

https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/選擇最新版本

開(kāi)始安裝anaconda

選擇安裝位置

勾選后，點(diǎn)擊 install

等待一段時(shí)間

安裝完成，直接退出

安裝好anaconda以后，打開(kāi)cmd輸入conda --version” ----->得到conda 4.7.12，安裝成功

anaconda3就安裝好了

開(kāi)始安裝tensorflow

國(guó)外原地址下載太慢，這里設(shè)置國(guó)內(nèi)鏡像源，否則特別慢。。。。：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ 　　　

conda config --set show_channel_urls yes

我們先安裝tensorflow2.0版本創(chuàng)建新的環(huán)境tensorflow2，輸入： conda create -n tensorflow2 python=3.7

輸入 y

開(kāi)始自動(dòng)下載文件（可以看到下載的Python版本為3.7.6版本，文件目錄在E:\anaconda3\envs中，后面配置時(shí)會(huì)用到），

激活剛才創(chuàng)建的環(huán)境，輸入 ： activate tensorflow2

然后就開(kāi)始安裝TensorFlow，輸入： pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==2.0.0-beta1

接下來(lái)自動(dòng)安裝好了，出現(xiàn)下面提示就安裝好了，哈哈！

python的版本不一樣，運(yùn)行環(huán)境也不一樣，如果還要安裝1.x版本，(這里安裝tensorflow1.9.0版本),再次進(jìn)入cmd中

創(chuàng)建新的1.x版本環(huán)境

輸入 ：conda create -n tensorflow1 python=3.6 激活新環(huán)境

輸入 ： activate tensorflow1 安裝TensorFlow

輸入： pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==1.9.0

安裝過(guò)程中，如需pip9.0.1升級(jí)pip20：

輸入 python -m pip install --upgrade pip -i https://pypi.tuna.tsinghua.edu.cn/simple

運(yùn)行tensorflow

既然fensorflow安裝好了，我現(xiàn)在用pycharm打開(kāi)運(yùn)行一段代碼，首先配置pycharm

打開(kāi)設(shè)置–項(xiàng)目–項(xiàng)目編輯器–點(diǎn)擊Add

按下面步驟，設(shè)置環(huán)境就ok了

我們?cè)O(shè)置一個(gè)新環(huán)境，將環(huán)境再改為剛安裝好的tensorflow1.9.0的版本，測(cè)試運(yùn)行一個(gè)小程序。

# -*- coding: utf-8 -*-
"""
Created on Mon Nov 19 19:33:03 2018
@author: KUMA
"""
import numpy as np
import tensorflow as tf
import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0'
class LinearSep:
 def __init__(self):
 self.n_train = 10
 self.n_test = 50
 self.x_train, self.y_train, self.x_test, self.y_test = self._gene_data()
 def _gene_data(self):
 x = np.random.uniform(-1, 1, [self.n_train, 2])
 y = (x[:, 1] > x[:, 0]).astype(np.int32)
 x += np.random.randn(self.n_train, 2) * 0.05
 x_test = np.random.uniform(-1, 1, [self.n_test, 2])
 y_test = (x_test[:, 1] > x_test[:, 0]).astype(np.int32)
 return x, y, x_test, y_test
# 隨機(jī)生成數(shù)據(jù)
dataset = LinearSep()
X_train, Y_train = dataset.x_train, dataset.y_train
print(Y_train)
Y_train = np.eye(2)[Y_train]
X_test, Y_test = dataset.x_test, dataset.y_test
Y_test = np.eye(2)[Y_test]
x = tf.placeholder(tf.float32, [None, 2], name='input')
y = tf.placeholder(tf.float32, [None, 2], name='output')
w1 = tf.get_variable(name='w_fc1', shape=[2, 20], dtype=tf.float32)
b1 = tf.get_variable(name='b_fc1', shape=[20], dtype=tf.float32)
out = tf.matmul(x, w1) + b1
out = tf.nn.relu(out)
w2 = tf.get_variable(name='w_fc2', shape=[20, 2], dtype=tf.float32)
b2 = tf.get_variable(name='b_fc2', shape=[2], dtype=tf.float32)
out = tf.matmul(out, w2) + b2
out = tf.nn.softmax(out)
# cross entropy 損失函數(shù)
loss = -tf.reduce_mean(tf.reduce_sum(y * tf.log(out + 1e-8), axis=1), axis=0)
# 準(zhǔn)確率
correct_pred = tf.equal(tf.argmax(y, axis=1), tf.argmax(out, axis=1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))
# 定義優(yōu)化器
train_op = tf.train.AdamOptimizer(1e-3).minimize(loss) # 1e-3 是學(xué)習(xí)律
# 初始化網(wǎng)絡(luò)
# BATCH_SIZE = 128
EPOCH = 7000 # 優(yōu)化次數(shù)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
for ep in range(EPOCH):
 sess.run(train_op, feed_dict={x: X_train, y: Y_train})
 loss_train, acc_train = sess.run([loss, accuracy], feed_dict={x: X_train, y: Y_train})
 acc_test, pre_test = sess.run([accuracy, correct_pred], feed_dict={x: X_test, y: Y_test})
 if ep % 1000 == 0:
 print(ep, loss_train, acc_train, acc_test)
 print(Y_test.shape)
test_pre = sess.run(out, feed_dict={x: X_test, y: Y_test})
print(len(test_pre))
mask = np.argmax(test_pre, axis=1)
print(mask)
mask_0 = np.where(mask == 0)
mask_1 = np.where(mask == 1)
X_0 = X_train[mask_0]
X_1 = X_train[mask_1]
print(X_0)

結(jié)果如下：

`[1 0 1 0 1 1 1 0 1 1] T:\src\github\tensorflow\tensorflow\core\platform\cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2

0 0.81077516 0.1 0.34 (50, 2) 1000 0.013808459 1.0 0.82 (50, 2) 2000 0.0025899492 1.0 0.82 (50, 2) 3000 0.00088921207 1.0 0.82 (50, 2) 4000 0.00038405406 1.0 0.82 (50, 2) 5000 0.0001859894 1.0 0.82 (50, 2) 6000 8.420033e-05 1.0 0.82 (50, 2) 50 [0 1 1 1 0 0 1 1 1 1 1 1 0 1 0 0 1 1 0 1 1 0 0 0 1 1 1 0 1 1 1 1 1 1 1 1 0 0 1 1 0 1 0 0 1 1 0 1 1 1]`

其中出現(xiàn) Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 這個(gè)沒(méi)問(wèn)題，可以忽略，能正常運(yùn)行出結(jié)果。

總結(jié)

到此這篇關(guān)于關(guān)于win10在tensorflow的安裝及在pycharm中運(yùn)行步驟詳解的文章就介紹到這了,更多相關(guān)tensorflow安裝pycharm運(yùn)行內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！