windows 上面的tensorflow-GPU、cuda、cudnn 安裝
安裝說明
平臺：目前可在Ubuntu、Mac OS、Windows上安裝
版本：提供gpu版本、cpu版本
安裝方式：pip方式、Anaconda方式
Tips:
- 在Windows上目前支持python3.5.x
- gpu版本需要cuda8,cudnn5.1
安裝進度
2017/3/4進度：
Anaconda 4.3（對應python3.6）正在安裝，又刪除了，一無所有了
2017/3/5進度：
Anaconda 4.3（對應python3.6）get
Anaconda中python3.5.2get
tensorflow1.0.0get
行文思路
在看別人教程時候總遇到些沒見過的名詞，讓人望而生畏。
所以索性從名詞解釋開始。
然後講述TensorFlow的安裝和簡單示例。
作為自己的筆記，
也希望像我一樣的小白看到這篇教程能覺得做起來很順暢！
CUDA
CUDA(Compute Unified Device Architecture)，是顯卡廠商NVIDIA推出的運算平臺。 CUDA?是一種由NVIDIA推出的通用並行計算架構，該架構使GPU能夠解決復雜的計算問題。 它包含了CUDA指令集架構（ISA）以及GPU內部的並行計算引擎。 開發人員現在可以使用C語言來為CUDA?架構編寫程序，C語言是應用最廣泛的一種高級編程語言。所編寫出的程序於是就可以在支持CUDA?的處理器上以超高性能運行。CUDA3.0已經開始支持C++和FORTRAN。
計算行業正在從只使用CPU的“中央處理”向CPU與GPU並用的“協同處理”發展。為打造這一全新的計算典範，NVIDIA?（英偉達?）發明了CUDA（Compute Unified Device Architecture，統一計算設備架構）這一編程模型，是想在應用程序中充分利用CPU和GPU各自的優點。現在，該架構已應用於GeForce?（精視?）、ION?（翼揚?）、Quadro以及Tesla GPU（圖形處理器）上。
來自百度百科。
（所以我的A卡是用不成它的）
Anaconda
Anaconda是由Python提供支持的領先的開放數據科學平臺。 Anaconda的開源版本是Python和R的高性能分發版本，包括超過100個用於數據科學的最流行的Python，R和Scala軟件包。
來自Anaconda官方下載頁面
具體使用見Anaconda官方教程，簡單易懂！
Anaconda初步學習
0.下載Anaconda安裝包：Anaconda官方下載地址
我下載的是Anaconda4.3.0For Windows 64bit（內置python3.6）
下載好了就安裝，一直下一步。
1.檢查Anaconda是否成功安裝：conda --version
（嘻嘻，第一步成功了，開心點）
2.檢測目前安裝了哪些環境：
conda info --envs 
（只有一個呀！不怕，繼續來！）
3.檢查目前有哪些版本的python可以安裝：
conda search --full-name python 
（好多呀，要哪個呢？嘻嘻當然是python3.5啦）
4.安裝不同版本的python：
conda create --name tensorflow python=3.5 （猜想輸入python=3.5版本後，系統會自動選擇一個3.5.x的版本吧）
（python3.5.3要不要？實驗室服務器上是3.5.2，統一好啦！）
（好啦，GO！）
（嘻嘻！安好啦！又離成功近了一步！）
5.按照提示，激活之：
activate tensorflow 
（嘻嘻它有了一頂小帽子~代表我的當前環境哦）
6.確保名叫tensorflow的環境已經被成功添加：
conda info --envs 
（Bravo!）
7.檢查新環境中的python版本：
python --version 
（^^開心開心~）
8.退出當前環境：
deactivate 
（小帽子掉了）
9.切換環境：
activate tensorflow 
想切換到哪個環境就 activate哪個~
這篇文章既然是安裝tensorflow的，當然要avtivate tensorflow!
小妖精！我來了！
PS：想了解更多請看Anaconda官方教程，簡單易懂好上手！別亂搜網上的教程，沒有官方教程看著清爽！
TensorFlow安裝
本文是將tensorflow在原生windows系統上安裝，
采用anocanda的安裝方式，
安裝的是cpu版本（嗯，作為AMD的顯卡，掩面哭）
Anaconda 4.3.0.1(帶有python3.6）
在Anaconda裏面配了python3.5.2
下面是今天的主角！（劈裏啪啦）
1.按照官網的指示： pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.0.0-cp35-cp35m-win_x86_64.whl
（好吧，先是打錯，接下來又這樣！我不知道該怎麽辦了(ㄒoㄒ)/~~）
2.另一種嘗試：pip install tensorflow
（劃重點了，原來是這樣子！我是AMD的卡，對應的不一樣！）
3.確認tensorflow安裝成功：
錯誤嘗試:直接在cmd裏面鍵入python，然後鍵入import tensorflow as tf
（小夥子默認的是python3.6啊啊啊啊啊，要從anaconda進入剛剛裝的那個python3.5裏面哦！~）
正確嘗試：進入Anaconda Prompt-python裏面，進入安裝的名叫tensorflow的環境（我們裝的python3.5.2記得嗎？~），鍵入python，然後再鍵入import tensorflow as tf
在這裏可以找到Anaconda Prompt-python： 
打開Anaconda Navigator（開始菜單->Anaconda 3->Anaconda Navigator），搞一個spyder玩，點擊spyder下面的“install”，安裝好就變成“Launch”了，點擊就可以進去了。
在spyder裏對tensorflow說Hello!
輸出： 
（嘿嘿嘿哈哈哈我感覺我好像成功了！！！你呢？~~）
參考tensorflow官方文檔，請上英文官網，中文社區似乎沒有更新windows上的安裝
TensorFlow例程上手
裝了個新東西，我們先把它用起來吧！
概念什麽的跑完第一個小程序再看！
找點成就感才好繼續下去！
示例來源：MINIST For ML Beginners
MINST數據集：
- 55000訓練集，10000測試集，5000驗證集
- 每張圖片都是28pixels*28pixels
代碼：
#獲得數據集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
import tensorflow as tf
#輸入圖像數據占位符
x = tf.placeholder(tf.float32, [None, 784])
#權值和偏差
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
#使用softmax模型
y = tf.nn.softmax(tf.matmul(x, W) + b)
#代價函數占位符
y_ = tf.placeholder(tf.float32, [None, 10])
#交叉熵評估代價
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))
#使用梯度下降算法優化：學習速率為0.5
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
#Session
sess = tf.InteractiveSession()
#初始化變量
tf.global_variables_initializer().run()
#訓練模型，訓練1000次
for _ in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
#計算正確率
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
運行結果：輸出顯示得到模型的準確率
結語
昨天花費了大半天部署環境，不但一無所獲且搞得焦頭爛額。今天再戰，索性邊做邊寫，好像和旁邊的人在聊天一樣。嗯，心情愉悅的時候容易做出東西。時間很寶貴，但還是希望你的學習曲線不要太陡峭，希望你能愉快地走進新領域。
windows 上面的tensorflow-GPU、cuda、cudnn 安裝