如何在win7环境下安装tensorflow

可以装XP虚拟机。微软的官网上边有下载。不要自己乱下载，不然会有很多未知问题。现在较流行的是VMware7.0 。window xp pro 镜像文件。下载好备用。（找一个“电脑疯子”XP镜像文件，600M的纯净版最好。）记好路径。待会要用。1.安装完VM7.0虚拟机以后，打开虚拟机，点击“新建虚拟机”--“标准”--下一步--选择路径，选第二个“安装盘镜像文件”路径就是刚才下载的XP镜像文件的路径。剩下的步骤没什么说的，都选下一步。2.启动虚拟机。这时候左边有个命令框，点击“打开虚拟机电源”。鼠标双击虚拟机屏幕。快点按ESC进入一个类似BIOS的界面，改变启动顺序，改为光驱启动。3.这时候出现以前 Ghost xp 到C盘等那些装Xp的界面了。这是要式化分区。用PQ就行了。4.区分好了。然后就一键GHOST。过一会，熟悉的界面又回来了。重启系统，必须的。安装虚拟机的前提是：你内存必须足够大，4G起，CPU至少I3以上，绝不能低了。这个东东很消耗资源，不理解你为什么不另外装个XP系统？你假使装好虚拟机，来回切换也要重启的，跟装XP和win7双系统是一样的......

0.下载Anaconda安装包：Anaconda官方下载地址

我下载的是Anaconda4.3.0For Windows 64bit（内置python3.6）

下载好了就安装，一直下一步。

1.检查Anaconda是否成功安装：conda --version

版本

（嘻嘻，第一步成功了，开心点）

2.检测目前安装了哪些环境：conda info --envs

环境监测

（只有一个呀！不怕，继续来！）

3.检查目前有哪些版本的python可以安装：conda search --full-name python

（好多呀，要哪个呢？嘻嘻当然是python3.5啦）

4.安装不同版本的python：conda create --name tensorflow python=3.5

（猜想输入python=3.5版本后，系统会自动选择一个3.5.x的版本吧）

（python3.5.3要不要？实验室服务器上是3.5.2，统一好啦！）

（好啦，GO！）

（嘻嘻！安好啦！又离成功近了一步！）

5.按照提示，激活之：activate tensorflow

（嘻嘻它有了一顶小帽子~代表我的当前环境哦）

6.确保名叫tensorflow的环境已经被成功添加：conda info --envs

（Bravo!）

7.检查新环境中的python版本：python --version

（^^开心开心~）

8.退出当前环境：deactivate

（小帽子掉了）

9.切换环境：activate tensorflow

关于 Jupyter Notebook 的使用，可以参考如下链接，有详细的步骤和截图：

Jupyter Notebook神器-免费体验来自微软的Azure Notebook

基于Jupyter Notebook 快速体验Python和plot()绘图方法

基于Jupyter Notebook 快速体验matplotlib.pyplot模块中绘图方法

TensorFlow 基本分类（basic classification）演示的完整代码，可以访问：

上述命令运行时间较长，请耐心等待。

pip list 命令用来查看当前环境下的Python 包，grep 命令用来查找和筛选。中间的竖线表示 pipe（管道），将pip list 命令的输出作为 grep 命令的输入。

pip 前面的感叹号是cell 中运行 Linux 命令的方式，在命令行中运行则不需要加感叹号。

上述命令的输出，表示当前环境已经安装好了 TensorFlow 包。如果没有安装，可以通过如下命令安装：

安装TensorFlow命令，说明如下：

本地安装TensorFlow，截图如下。

TensorFlow 安装完成：

下面训练了一个神经网络模型，来对服装图像进行分类，例如运动鞋和衬衫。需要使用tf.keras，这是一个用于在TensorFlow 中构建和训练模型的高级API。

下面使用Fashion MNIST 数据集，其中包含了10个类别中共70,000张灰度图像。图像包含了低分辨率（28 x 28像素）的单个服装物品，图片链接如下所示:

Fashion-MNIST是一个替代MNIST手写数字集的图像数据集。 它是由Zalando（一家德国的 时尚 科技 公司）旗下的研究部门提供。其涵盖了来自10种类别的共7万个不同商品的正面图片。Fashion-MNIST的大小、格式和训练集/测试集划分与原始的MNIST完全一致。60000/10000的训练测试数据划分，28x28的灰度图片。可以直接用它来测试你的机器学习和深度学习算法性能，且不需要改动任何的代码。

MNIST是 Mixed National Institute of Standards and Technology database 的简写。

下面使用60,000张图像来训练网络和10,000张图像来评估网络模型学习图像分类任务的准确程度。

可以直接从TensorFlow 使用Fashion MNIST，只需导入并加载数据。

加载数据集并返回四个NumPy数组:

图像是28x28 NumPy数组，像素值介于0到255之间。labels是一个整数数组，数值介于0到9之间。

下面是图像类别和标签的对应关系：

每个图像都映射到一个标签。由于类别名称不包含在数据集中，因此把他们存储在这里以便在绘制图像时使用:

以下显示训练集中有60,000个图像，每个图像表示为28 x 28像素：

训练集中有 60000个标签，并且每个标签都是0-9 之间的整数。

测试集和训练集类似，有10000个图像和对应的10000个图像标签。

在训练网络之前必须对数据进行预处理。 如果检查训练集中的第一个图像，将看到像素值落在0到255的范围内：

代码说明：

plt.figure() 创建一个新的figure。

plt.colorbar() 方法用来显示当前image 的颜色方案。

在发送到神经网络模型之前，我们将这些值缩放到0到1的范围（归一化处理）。为此，我们将像素值值除以255。重要的是，对训练集和测试集要以相同的方式进行预处理:

显示训练集中的前25个图像，并在每个图像下方显示类别名。验证数据格式是否正确，我们是否已准备好构建和训练网络。

代码说明：

plt.xticks([])和plt.yticks([]) - 以空list 作为xticks() 方法的参数，查看数据集中图像隐藏坐标轴。

plt.xlabel() 方法可以在 x 轴的下方显示指定文本。

plt.subplot(5,5,1) 方法 - 表示5行5列共25个位置，最后一个参数1 表示Axes的位置，第一行的位置编号为：1-5，第二行的位置编号为：6-10，依此类推。

上述代码遍历了25 个位置（for i in range(25)），批量显示多张图。针对每一个位置，设置隐藏x和y轴，不显示网关线（grid），在对应的位置显示图像以及类别（label）。

需要注意的地方：Axes 位置的起始值是1，不是常见的0。

对TensorFlow 深度学习有兴趣的同学，可以访问如下链接。

---