安装Tensorflow windows10

﹏ヽ暗。殇╰゛Y 2021-12-21 15:57 313阅读 0赞

# 一：安装Anaconda和Tensorflow #

## 1：从官方网站下载Anaconda ##

[https://www.anaconda.com/download/][https_www.anaconda.com_download]

![20180326110930118][]

## 2：进行软件安装（这个和普通的没什么特别区别） ##

注意一点：![20180326111913438][]

## 3：安装完成Anaconda之后进行环境变量的测试 ##

进入到windows中的命令模式：

（1）检测anaconda环境是否安装成功：conda --version

![20180326115950881][]

四，　安装Tensorflow

安装Tensorflow时，需要从Anaconda仓库中下载，一般默认链接的都是国外镜像地址，下载肯定很慢啊（跨国呢！），这里我是用国内清华镜像，需要改一下链接镜像的地址。这里，我们打开刚刚安装好的Anaconda中的 Anaconda Prompt，然后输入：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ 　　　　conda config --set show\_channel\_urls yes

这两行代码用来改成连接清华镜像的

接下来安装Tensorflow，在Anaconda Prompt中输入：

conda create -n tensorflow python=3.5.2    （3.5.2根据具体的python版本来修改）

一下图片是安装过程，有些坑我也写出来，注意一下就好：

正常的情况应该如下：

![1334819-20180329202703519-1769199726.png][]

等待，然后输入“y”

![1334819-20180329202756597-1581309040.png][]

然后：

![1334819-20180329202902630-41120937.png][]

看到上面这些activate tensorflow（这么直白的英语，看看是不是很激动，）恭喜你，tensorflow你已经安装成功啦，去激活一下，紧接着输入：“activate tensorflow”就Ok了

五、下载Tensorflow

cpu版本：

[https://pypi.python.org/pypi/tensorflow/][https_pypi.python.org_pypi_tensorflow]

gpu版本：

[https://pypi.python.org/pypi/tensorflow-gpu/][https_pypi.python.org_pypi_tensorflow-gpu]

下载如果很慢可以去百度照国内的下载地址   但请注意要下载支持当前python版本的

例如  [tensorflow-1.14.0-cp37-cp37m-win\_amd64.whl  文件名中的37代表最高支持python3.7][tensorflow-1.14.0-cp37-cp37m-win_amd64.whl_ _37_python3.7]

下载完成后  输入pip install -i  XXX        //XXX代表你下载的文件地址

![1334819-20180329203817681-937509493.png][]

经过一小会的等待，当你看见如上图最后一行时，那么，恭喜你，你已经安装成功了，是不是很惊喜，是不是很激动，是不是想测试一下呢，那么我们先测试一下吧

五，　　测试：

在Anaconda Prompt窗口中输入： python

进入python后输入：

import tensorflow as tf

sess = tf.Session()

a = tf.constant(10)

b= tf.constant(12)

sess.run(a+b)

![1334819-20180329204245316-140364925.png][]

好了，到这里你可以放心了，你可以使用Tensorflow了

六，　　那些年，那些坑：

好了，最后我们来填坑了

![1334819-20180329204706010-285100783.png][]

改为清华镜像时的错误：会显示路径错误，没关系，conda info 查看一下，你会发现：

![1334819-20180329204855968-1265906717.png][]

很明显的发现地址乱了，不过没关系，找到电脑：C:\\Users\\Administrator中的.condarc文件，打开，然后修改一下，如下就可以了

![1334819-20180329205202917-1915823354.png][]

然后在回到命令窗口，你可以继续安装了。

\++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

以下内容还未实践

二：将Tensorflow环境嵌入到编辑器中

环境：Tensorflow和Pycharm编辑器

步骤：

1：下载Pycharm软件，，这个的话下载安装都很简单，所以就不多说了

2：使用Pycharm创建一个项目

3：设置项目的相关内容

温馨提示：注意上面的Interpreter的选择，因为我们现在要测试的是tensorflow嵌入到我们的IDE，方便我们开发，所以这个python解析器就是要选择我们之前安装tensorflow目录下的解析器，否则的话，我们之后是使用不了tensorflow的模块的内容的哦。。。特别要注意。。。当然，如果这里不选择，那么在创建工程之后还是可以修改的，后面我会说；

4：创建一个py文件，用于编写测试代码

5：运行程序代码

OKOK，，，这就说明我们的环境已经整合完成啦。。。。大功告成

温馨提示：有时候我们会发现，我们引入了tensorflow模块之后，那就会报错，这个原因有如下可能：

（1）tensorflow没有安装成功，这样的话，就需要重新按照我的步骤去了！

（2）IDE中的python解析器，没有使用tensorflow中安装的那个，所以导致无法识别

这个解决方案有两种：

第一种：就是创建工程的时候就选择正确的解析器，也就是我上面所使用的方法

第二种：就是在项目工程里面进行修改配置：

步骤：1：选择File----》setting

2：

3：添加新的解析器

4：找到我们安装的Anadonda中的env中的tensorflow中的python.exe

5：点击apply应用，然后重启我们的IDE，这样的话就不会报无法找到tensorflow的模块的错误了。  
版本：Linux（Ubuntu14.0.1）  
三：Linux环境安装Tensorflow（通过Anaconda方式）

步骤：（1）下载Anaconda的Linux版本   https://www.anaconda.com/download/\#linux

从官网的路径进行下载，一般都很慢，所以，大家可以去这个地址进行下载(或者在进行留言也可以)：https://download.csdn.net/download/cs\_hnu\_scw/10389323

（2）运行下载好的Anaconda,找到下载的目录，然后执行命令：bash XXXXXXXXX（就是Anaconda文件的名字）

（3）一直等待安装完成即可；

当出现下面这个的时候：

强烈注意一点：在安装的时候，会提示你是否要将这个添加到环境变量中，最好选择Yes，要不然每次都要进行额外的手动添加，非常的不方便，所以强烈建议直接添加到环境变量中；

（4）当执行完成上面的步骤之后，对Anaconda 的环境进行测试；

执行命令：conda --version （作用：查看当前Anaconda的版本）

如果，出现对应的安装版本，那么就表示安装成功，可以继续后面的安装步骤。

（5）添加tensorflow的环境。执行命令：conda create -n tensorflow python=3.5（版本的话，我个人比较喜欢3.X+版本）。当执行完成之后，就根据提示，进行输入yes就可以了，慢慢等待。

（6）激活环境，执行命令：source activate tensorflow （作用：进入到tensorflow的环境）

（7）激活tensorflow的环境，执行命令：

pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0rc0-cp27-none-linux\_x86\_64.whl

千万要注意一个地方：如果你安装的python的版本是2.7.那么就用上面的地址，即可，如果你用了3.5版本，那么久需要对应的修改为如下链接：（其他版本类似修改）

pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.1-cp35-cp35m-linux\_x86\_64.whl

（8）执行完之后，剩下的就只有等待了，，，对于出现的提示，全部都是“yes”即可。

（9）安装完成之后，进行测试。

具体步骤：

1：在tensorflow的环境下，执行命令：python      （作用：表示进入python环境）

2：然后输入代码（这个其实和windows安装的时候测试时一样）：

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

如果：输出first tensorflow ，那么就表示安装成功了。

补充内容：

1：当需要退出python环境，即执行Ctrl+D或者输入quit即可

2：退出tensorflow环境，source deactivate

3：激活tensorflow环境，source activate tensorflow  
四：Pycharm整合tensorflow环境

（1）下载Pycharm，这个就自己到官网下载Linux的社区版本即可，然后对其下载的文件进行相应的解压命令处理就可以了，另外的话，注意一点，在Linux中运行Pycharm不是直接点击就运行，而是需要找到对应的目录下（bin目录），然后执行命令：sh pycharm.sh 即可运行Pycharm。

（2）这个其实和windows的整合方式是一样的，只是说tensorflow的路径是不一样的而已，所以，大家可以参考上面对于Windows版本的详细配置过程即可，这里就不多说了。

\---------------------------------------------------------------------------------------------------------------------------------  
五：Tensorflow的案例实践

（1）案列实践：通过百度云盘下载我分享的内容即可，里面的内容都是封装好的，所以应该能看懂

项目链接：https://pan.baidu.com/s/1-TelzkLHodDNsdX6G82ZOg       密码：b05p

温馨提示：（1）在运行这个代码的时候，会出现ImportError: No module named 'matplotlib'，这是因为你python中缺少了这个包，所以需要进行额外添加；或者进入tensorflow的环境，然后通过pip install matplotlib

解决办法：进入cmd，然后conda install matplotlib ，，然后等安装成功即可，这时候就会找到从而解决这个问题；

（2）手写数字的识别案例：

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

代码：

\#!/usr/bin/python  
\# -\*- coding:utf-8 -\*-  
\# @Time   : 2018/3/30 0030 15:20  
\# @Author : scw  
\# @File   : writenumbercompute.py  
\# 描述：进行手写数字的识别的实例分析  
import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input\_data

\# 获取数据  
mnist = input\_data.read\_data\_sets("E:/tensorflowdata/MNIST\_data/", one\_hot=True)

print('训练集信息：')  
print(mnist.train.images.shape,mnist.train.labels.shape)  
print('测试集信息：')  
print(mnist.test.images.shape,mnist.test.labels.shape)  
print('验证集信息：')  
print(mnist.validation.images.shape,mnist.validation.labels.shape)

\# 构建图  
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)

\# 进行训练  
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\})

\# 模型评估  
correct\_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y\_,1))  
accuracy = tf.reduce\_mean(tf.cast(correct\_prediction, tf.float32))

print('MNIST手写图片准确率：')  
print(accuracy.eval(\{x: mnist.test.images, y\_: mnist.test.labels\}))

（3）拨号键与短信息图标的识别

功能描述：主要是实现对于拨号键图标与短信息键图标的一个识别，作为一个简单的分类Demo。

百度云地址：链接：https://pan.baidu.com/s/1MC7Recml5laTsrHBQ94NcA               密码：nwxj

（4）人脸捕捉和识别

功能描述：对于某个特定的人物进行捕捉，并且能识别是否是训练中的人脸，作为一个人脸识别的Demo。

由于这个数据集太多了，百度云不让传，所以，如果有需要的同学，可以留言，我会每天都进行查看消息的。

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

或者git@github.com:qq496616246/FaceCheckPython.git

（5）简单的网页爬虫

功能描述：非常简单，容易上手的网页爬虫小Demo。

百度云地址：链接：https://pan.baidu.com/s/1FzIzmfYON9pUpms3GyVQqQ           密码：5di1  
六：安装的一些额外库的方法

（1）安装cv2：pip install opencv-python

（2）安装人脸识别的库：pip install dlib == 18.17.100

（3）安装机器学习的库：pip install sklearn

（4）安装scipy库：pip install scipy

（5）安装numpy库：pip install numpy

（6）安装Pillow图像库：pip install Pillow

（7）安装matplotlib绘图库：pip install matplotlib

（8）升级pip：python -m pip install -U pip

（9）安装word2vec：必须先安装Cython，其次pip install word2vec （如果提示你没有对应的文件，那么说明你电脑没有c++的编辑环境（windows默认不带），所以先安装一个c++的编译软件，比如VS，Dev-App都可以）可以参考如下博客：

https://blog.csdn.net/BEYONDMA/article/details/88381650  
七：常见的一些问题汇总

（1）问题：在cmd中，输入conda 命令，提示conda不是内部命令

解决方法：在环境变量（系统的Path）中添加：你的Anaconda安装目录下面的Scripts这个目录，比如我的就是，

D:\\anacondadownload\\Scripts

（2）  
\---------------------  
作者：Cs\_hnu\_scw  
来源：CSDN  
原文：https://blog.csdn.net/cs\_hnu\_scw/article/details/79695347  
版权声明：本文为博主原创文章，转载请附上博文链接！

[https_www.anaconda.com_download]: https://www.anaconda.com/download/
[20180326110930118]: /images/20211220/ca49353bed88412e8a6c41775d2f731c.png
[20180326111913438]: /images/20211220/48d234710a3947a788fa37211818c714.png
[20180326115950881]: /images/20211220/97cae66fde5f4143aa984e0d240bb2a7.png
[1334819-20180329202703519-1769199726.png]: /images/20211220/c43245de92c84e2185ea839b2b7fb554.png
[1334819-20180329202756597-1581309040.png]: /images/20211220/d170bba3b8c143629123bf65cd3994b1.png
[1334819-20180329202902630-41120937.png]: /images/20211220/d315daecd2a74fd28e99eb4af317a041.png
[https_pypi.python.org_pypi_tensorflow]: https://pypi.python.org/pypi/tensorflow/1.4.0
[https_pypi.python.org_pypi_tensorflow-gpu]: https://pypi.python.org/pypi/tensorflow-gpu/1.4.0
[tensorflow-1.14.0-cp37-cp37m-win_amd64.whl_ _37_python3.7]: https://files.pythonhosted.org/packages/f7/08/25e47a53692c2e0dcd2211a493ddfe9007a5cd92e175d6dffa6169a0b392/tensorflow-1.14.0-cp37-cp37m-win_amd64.whl
[1334819-20180329203817681-937509493.png]: /images/20211220/2546fc6c9db94e33848bdb55c75d3732.png
[1334819-20180329204245316-140364925.png]: /images/20211220/4fb63e1f7b8e47fd9c8d58316dbd0249.png
[1334819-20180329204706010-285100783.png]: /images/20211220/273ebcdd1563419596a0b9afa00f4447.png
[1334819-20180329204855968-1265906717.png]: /images/20211220/685c8187a2144c59849c06e360cb0935.png
[1334819-20180329205202917-1915823354.png]: /images/20211220/9f7cd778beba4f44a66d61454314959e.png