現在越來越多的人工智慧和機器學習以及深度學習，強化學習出現了，然後自己也對這個產生了點興趣，特別的進行了一點點學習，就通過這篇文章來簡單介紹一下，關於如何搭建Tensorflow以及如何進行使用。建議的話，還是要學習了一點Python基礎知識和Linux知識是最好的！

版本：Windows10

一：安裝Anaconda和Tensorflow

步驟：

1：從官方網站下載Anaconda

https://www.anaconda.com/download/

2：進行軟體安裝（這個和普通的沒什麼特別區別）

注意一點：

3：安裝完成Anaconda之後進行環境變數的測試

進入到windows中的命令模式：

（1）檢測anaconda環境是否安裝成功：conda --version

（2）檢測目前安裝了哪些環境變數：conda info --envs

（3）對於Anaconda中安裝一個內建的python版本解析器(其實就是python的版本)

        檢視當前有哪些可以使用的python版本：conda search  --full -name python

        安裝python版本（我這裡是安裝的3.5的版本，這個根據需求來吧）：conda create --name tensorflow python=3.5

（4）啟用tensflow的環境：activate tensorflow（注意：這個是在後序安裝成功之後才能進行的，否則會提示錯誤）

（5）檢測tensflow的環境新增到了Anaconda裡面：conda info --envs（注意：基於後序安裝成功之後才進行的，否則會提示錯誤）

（6）檢測當前環境中的python的版本：python --version

（7）退出tensorflow的環境：deactivate

（8）切換到tensorflow的環境：activate tensorflow      

上面的這些基本就可以對於Anaconda有一個比較簡單的瞭解，其實它就類似於JDK的一些操作，比如我們檢視jdk的版本，也可以用java --version ，所以說對於Anaconda去安裝tensorflow是比較簡單的原因也正是這樣，也就是是給我們提供了一個基礎的依賴環境，這樣就方便我們進行後面的安裝操作；

Anaconda的官方開發文件，可以看看，還是官網的東西更加好：

https://docs.anaconda.com/anaconda/user-guide/getting-started

https://anaconda.org/

4：進行正式的安裝Tensorflow

注意事項：根據Tensorflow的官方文件，可以得到安裝tensorflow的一個命令是下面：

pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.0.0-cp35-cp35m-win_x86_64.whl

但是，如果我們在cmd中，直接進行這樣的話，有可能是不能夠成功的，開始也不知道為什麼，後面發現是跟電腦的cpu和顯示卡有點關係，所以，採取後面的方法進行安裝；

5：通過命令：pip install --upgrade --ignore-installed tensorflow

剩下的就是慢慢的等待安裝的過程啦

溫馨提示：（1）如果在這個命令之後，有提示說需要你升級你的pip的版本，那麼你就根據上面的提示進行命令安裝就可以了

6：等待完成之後，確認是否安裝成功

（1）開啟之前安裝的Anaconda

這兩個都可以，我這裡說一下使用Anaconda Prompt的方式；

方法一：步驟：①直接點選進入，就會顯示如下的內容：

②切換到tensorflow的環境

③進入python編輯環境

④然後編寫一個使用的程式碼：

方法二：通過使用Anaconda中的spyder的編輯器

通過這個的方式的話，更加簡單，直接編寫上面的程式碼，然後進行執行就可以啦，我這裡就不多介紹了。。。

7：OK，到這裡的話，基本上從安裝到成功就已經實現了~~~~

溫馨提示：如果你發現，你的conda和tensorflow環境都是安裝成功的，但是一用測試程式碼進行跑的時候就出問題了，那麼請注意，這個原因你由於你在安裝tensorflow的時候，是直接在cmd下，而不是在你用conda啟用的一個環境，所以導致，tensorflow並沒有直接嵌入到conda環境，所以，就導致無法匯入模組的一個錯誤；

解決方法：（1）只需要在activate tensorflow      ----------注意：這個環境是第三步中的第3點裡面建立的；

（2）然後再使用第五步中的命令就可以了  

二：將Tensorflow環境嵌入到編輯器中

環境：Tensorflow和Pycharm編輯器

步驟：

1：下載Pycharm軟體，，這個的話下載安裝都很簡單，所以就不多說了

2：使用Pycharm建立一個專案

3：設定專案的相關內容

溫馨提示：注意上面的Interpreter的選擇，因為我們現在要測試的是tensorflow嵌入到我們的IDE，方便我們開發，所以這個python解析器就是要選擇我們之前安裝tensorflow目錄下的解析器，否則的話，我們之後是使用不了tensorflow的模組的內容的哦。。。特別要注意。。。當然，如果這裡不選擇，那麼在建立工程之後還是可以修改的，後面我會說；

4：建立一個py檔案，用於編寫測試程式碼

5：執行程式程式碼

OKOK，，，這就說明我們的環境已經整合完成啦。。。。大功告成

溫馨提示：有時候我們會發現，我們引入了tensorflow模組之後，那就會報錯，這個原因有如下可能：

（1）tensorflow沒有安裝成功，這樣的話，就需要重新按照我的步驟去了！

（2）IDE中的python解析器，沒有使用tensorflow中安裝的那個，所以導致無法識別

這個解決方案有兩種：

第一種：就是建立工程的時候就選擇正確的解析器，也就是我上面所使用的方法

第二種：就是在專案工程裡面進行修改配置：

步驟：1：選擇File----》setting

2：

3：新增新的解析器

4：找到我們安裝的Anadonda中的env中的tensorflow中的python.exe

5：點選apply應用，然後重啟我們的IDE，這樣的話就不會報無法找到tensorflow的模組的錯誤了。

版本：Linux（Ubuntu14.0.1）

三：Linux環境安裝Tensorflow（通過Anaconda方式）

步驟：（1）下載Anaconda的Linux版本   https://www.anaconda.com/download/#linux

從官網的路徑進行下載，一般都很慢，所以，大家可以去這個地址進行下載(或者在進行留言也可以)：https://download.csdn.net/download/cs_hnu_scw/10389323

（2）執行下載好的Anaconda,找到下載的目錄，然後執行命令：bash XXXXXXXXX（就是Anaconda檔案的名字）

（3）一直等待安裝完成即可；

當出現下面這個的時候：

強烈注意一點：在安裝的時候，會提示你是否要將這個新增到環境變數中，最好選擇Yes，要不然每次都要進行額外的手動新增，非常的不方便，所以強烈建議直接新增到環境變數中；

（4）當執行完成上面的步驟之後，對Anaconda 的環境進行測試；

執行命令：conda --version （作用：檢視當前Anaconda的版本）

如果，出現對應的安裝版本，那麼就表示安裝成功，可以繼續後面的安裝步驟。

（5）新增tensorflow的環境。執行命令：conda create -n tensorflow python=3.5（版本的話，我個人比較喜歡3.X+版本）。當執行完成之後，就根據提示，進行輸入yes就可以了，慢慢等待。

（6）啟用環境，執行命令：source activate tensorflow （作用：進入到tensorflow的環境）

（7）啟用tensorflow的環境，執行命令：

pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0rc0-cp27-none-linux_x86_64.whl

千萬要注意一個地方：如果你安裝的python的版本是2.7.那麼就用上面的地址，即可，如果你用了3.5版本，那麼久需要對應的修改為如下連結：（其他版本類似修改）

pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.1-cp35-cp35m-linux_x86_64.whl

（8）執行完之後，剩下的就只有等待了，，，對於出現的提示，全部都是“yes”即可。

（9）安裝完成之後，進行測試。

具體步驟：

1：在tensorflow的環境下，執行命令：python      （作用：表示進入python環境）

2：然後輸入程式碼（這個其實和windows安裝的時候測試時一樣）：

import tensorflow as tf
hello = tf.constant('first tensorflow')
sess = tf.Session()
print sess.run(hello)

如果：輸出first tensorflow ，那麼就表示安裝成功了。

補充內容：

1：當需要退出python環境，即執行Ctrl+D或者輸入quit即可

2：退出tensorflow環境，source deactivate

3：啟用tensorflow環境，source activate tensorflow

四：Pycharm整合tensorflow環境

（1）下載Pycharm，這個就自己到官網下載Linux的社群版本即可，然後對其下載的檔案進行相應的解壓命令處理就可以了，另外的話，注意一點，在Linux中執行Pycharm不是直接點選就執行，而是需要找到對應的目錄下（bin目錄），然後執行命令：sh pycharm.sh 即可執行Pycharm。

（2）這個其實和windows的整合方式是一樣的，只是說tensorflow的路徑是不一樣的而已，所以，大家可以參考上面對於Windows版本的詳細配置過程即可，這裡就不多說了。

---------------------------------------------------------------------------------------------------------------------------------

五：Tensorflow的案例實踐

（1）案列實踐：通過百度雲盤下載我分享的內容即可，裡面的內容都是封裝好的，所以應該能看懂

專案連結：https://pan.baidu.com/s/1-TelzkLHodDNsdX6G82ZOg       密碼：b05p

溫馨提示：（1）在執行這個程式碼的時候，會出現ImportError: No module named 'matplotlib'，這是因為你python中缺少了這個包，所以需要進行額外新增；或者進入tensorflow的環境，然後通過pip install matplotlib

解決辦法：進入cmd，然後conda install matplotlib ，，然後等安裝成功即可，這時候就會找到從而解決這個問題；

（2）手寫數字的識別案例：

資料：https://pan.baidu.com/s/1UC6uBPPOBzZhYvNV93RgNw

程式碼：

#!/usr/bin/python
# -*- coding:utf-8 -*-
# @Time   : 2018/3/30 0030 15:20
# @Author : scw
# @File   : writenumbercompute.py
# 描述：進行手寫數字的識別的例項分析
import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

# 獲取資料
mnist = input_data.read_data_sets("E:/tensorflowdata/MNIST_data/", one_hot=True)

print('訓練集資訊：')
print(mnist.train.images.shape,mnist.train.labels.shape)
print('測試集資訊：')
print(mnist.test.images.shape,mnist.test.labels.shape)
print('驗證集資訊：')
print(mnist.validation.images.shape,mnist.validation.labels.shape)

# 構建圖
sess = tf.InteractiveSession()
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

y = tf.nn.softmax(tf.matmul(x,W) + b)

y_ = tf.placeholder(tf.float32, [None,10])
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

# 進行訓練
tf.global_variables_initializer().run()

for i in range(1000):
  batch_xs, batch_ys = mnist.train.next_batch(100)
  train_step.run({x: batch_xs, y_: batch_ys})

# 模型評估
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

print('MNIST手寫圖片準確率：')
print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))

（3）撥號鍵與簡訊息圖示的識別

功能描述：主要是實現對於撥號鍵圖示與簡訊息鍵圖示的一個識別，作為一個簡單的分類Demo。

百度雲地址：連結：https://pan.baidu.com/s/1MC7Recml5laTsrHBQ94NcA               密碼：nwxj

（4）人臉捕捉和識別

功能描述：對於某個特定的人物進行捕捉，並且能識別是否是訓練中的人臉，作為一個人臉識別的Demo。

由於這個資料集太多了，百度雲不讓傳，所以，如果有需要的同學，可以留言，我會每天都進行檢視訊息的。

github地址：https://github.com/qq496616246/FaceCheckPython.git

或者[email protected]:qq496616246/FaceCheckPython.git

（5）簡單的網頁爬蟲

功能描述：非常簡單，容易上手的網頁爬蟲小Demo。

百度雲地址：連結：https://pan.baidu.com/s/1FzIzmfYON9pUpms3GyVQqQ           密碼：5di1

六：安裝的一些額外庫的方法

（1）安裝cv2：pip install opencv-python

（2）安裝人臉識別的庫：pip install dlib == 18.17.100

（3）安裝機器學習的庫：pip install sklearn

（4）安裝scipy庫：pip install scipy

（5）安裝numpy庫：pip install numpy

（6）安裝Pillow影象庫：pip install Pillow

（7）安裝matplotlib繪相簿：pip install matplotlib

（8）升級pip：python -m pip install -U pip

七：常見的一些問題彙總

（1）問題：在cmd中，輸入conda 命令，提示conda不是內部命令

解決方法：在環境變數（系統的Path）中新增：你的Anaconda安裝目錄下面的Scripts這個目錄，比如我的就是，

D:\anacondadownload\Scripts