tensorflow 在 win7 64位的配置

TensorFlow目前已經支援Win7以上64位環境的直接搭建。我的電腦是win7 64位系統，今天在Python下配置了TensorFlow，因為配置環境總是各種磨人，使用在這裡和大家分享我的配置過程。

    首先需要Windows版本在7以上，并且是64位。

    其次是Python版本。因為Python隻提供了Python3.5版本對應的TensorFlow；并且後面需要用到Python的檔案管理pip，而Python3.5.2以上版本自帶pip，是以大家直接下載下傳最新的Python3版本就行了。

    Python3  下載下傳位址  https://www.python.org/downloads/release/python-352/

    接下來就是安裝TensorFlow的Python wheel檔案了，在網頁選擇下載下傳 tensorflow-0.12.0rc0-cp35-cp35m-win_amd64.whl(md5)  就可以了。

    tensorflow  下載下傳位址  https://pypi.python.org/pypi/tensorflow

    最後就要把下載下傳下來的whl檔案安裝到Python。win+r 鍵打開運作 -> 輸入cmd回車 -> 通過cd選擇到whl所在檔案夾 -> 鍵入pip install tensorflow-0.12.0rc0-cp35-cp35m-win_amd64.whl回車，就可以等待Python自動安裝了。

    當然以後也可能要用到其他whl，可以在這個連結裡面找你需要的檔案，選擇對應的作業系統和Python版本就可以了，http://www.lfd.uci.edu/~gohlke/pythonlibs/#opencv

    因為tensorflow中文網站的代碼是Python2.7下的，是以Python3不能直接使用。這裡我把官網第一篇平面拟合三維資料的代碼改了一下。

import tensorflow as tf

import numpy as np

# 使用 NumPy 生成假資料(phony data), 總共 100 個點.

x_data = np.float32(np.random.rand(2, 100)) # 随機輸入

y_data = np.dot([0.100, 0.200], x_data) + 0.300

# 構造一個線性模型

# 

b = tf.Variable(tf.zeros([1]))

W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))

y = tf.matmul(W, x_data) + b

# 最小化方差

loss = tf.reduce_mean(tf.square(y - y_data))

optimizer = tf.train.GradientDescentOptimizer(0.5)

train = optimizer.minimize(loss)

# 初始化變量

init = tf.initialize_all_variables()

# 啟動圖 (graph)

sess = tf.Session()

sess.run(init)

# 拟合平面

for step in range(0, 201):

    sess.run(train)

    if step % 20 == 0:

        print (step, sess.run(W), sess.run(b))

# 得到最佳拟合結果 W: [[0.100  0.200]], b: [0.300]

運作後得到：

0 [[ 0.55157125 -0.49944645]] [ 0.80461264]

20 [[ 0.06628663  0.04882991]] [ 0.39112675]

40 [[ 0.07519965  0.16086708]] [ 0.33194694]

60 [[ 0.09028707  0.18783146]] [ 0.31097454]

80 [[ 0.09656974  0.19596238]] [ 0.30374929]

100 [[ 0.09881932  0.198634  ]] [ 0.30127895]

120 [[ 0.09959642  0.1995353 ]] [ 0.30043608]

140 [[ 0.09986231  0.19984168]] [ 0.30014867]

160 [[ 0.09995303  0.19994602]] [ 0.30005071]

180 [[ 0.09998401  0.19998161]] [ 0.30001727]

200 [[ 0.09999455  0.19999374]] [ 0.30000585]

至此測試成功！