juypter TensorFlow安装 tensorflowpip安装

一、tensorflow安装

如果安装是GPU版本Tensorflow ,在安装前安装好Cuda和Cudnn。

一般情况下安装好ubuntu系统后就会自带安装好了python最好用这个原装的python不需要再重新安装python的编辑器了。
在这里选择用pip安装tensorflow，所以先安装pip。
1、安装pip步骤很简单，依次在终端上编辑这三行代码：

1、$ sudo apt-get install python-pip python-dev build-essential 
2、$ sudo pip install --upgrade pip 
3、$ sudo pip install --upgrade virtualenv

2、终端输入：

$ pip list

查看pip的包是否安装完全，发现此时列表里并没有我们希望的tensorflow。
3、安装tensorflow工具包：

$ sudo pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0-cp27-none-linux_x86_64.whl

4、测试安装的tensorflow：

1、~$ python 
2、Python 2.7.6 (default, Jun 22 2015, 17:58:13) 
3、[GCC 4.8.2] on linux2 
4、Type "help", "copyright", "credits" or "license" for more information. 
5、>>> import tensorflow as tf 
6、>>> hello = tf.constant("Haha, very happy!") 
7、>>> sess = tf.Session() 
8、>>> print sess.run(hello) 
Haha, very happy! 
9、>>> a = tf.constant(10) 
10、>>> b = tf.constant(32) 
11、>>> print sess.run(a+b) 
42

恭喜你，tensorflow安装完全了，可以去happy啦！

二、mnist 入门

当我们学习编程的时候，第一件事情往往是学习如何打印出“Hello World”。正如编程中会有“Hello World”,Tensorflow中入门有mnist，关于mnist，谷歌官方给出了两篇教程。下面简单介绍下如何运行Tensorflow自带的mnist的Python程序。

Mnist是一个入门级的计算机视觉数据集，它包含各种手写数字图片:

它也包含每一张图片对应的标签，告诉我们这个是数字几。比如，上面这四张图片的标签分别是5,0,4,1。在此教程中，我们将训练一个机器学习模型用于预测图片里面的数字。

关于tensorflow手写数字识别的大致步骤：
1、将要识别的图片转为灰度图，并且转化为28*28矩阵（单通道，每个像素范围0-255,0为黑色，255为白色）；
2、将28*28的矩阵转换成1维矩阵（也就是把第2,3,4,5…….行矩阵纷纷接入到第一行的后面）；
3、用一个1*10的向量表示标签，也就是这个数字到底是几；
4、softmax回归预测图片是哪个数字的概率；
5、用交叉熵和梯度下降法训练参数。

关于上述几个步骤中所涉及到的softmax回归预测以及交叉熵、梯度下降法等可参见以下博文链接：
http://www.jianshu.com/p/2186766b69dc
http://www.jianshu.com/p/4195577585e6
http://www.jianshu.com/p/a1dc77933763

在运行mnist的入门示例程序的前提是正确安装配置tensorflow。

（1）进入tensorflow的安装目录，如图：

运行mnist目录下的convolutional.py程序：

运行结果如下：

运行结束后，会在mnist目录下生成data文件夹，进入data文件夹下查看，如图：

这里的t10k-images-idx3-ubyte.gz，t10k-labels-idx1-ubyte.gz，train-images-idx3-ubyte.gz，train-labels-idx1-ubyte.gz是mnist的数据集

（2）下载mnist-master文件夹（http://pan.baidu.com/s/1bpwYddl），并上传到服务器上，在mnist-master文件夹下，有如下文件，如图：

mnist_softmax.py:mnist机器学习入门
mnist_deep.py:深入mnist
fully_connected_feed.py:tensorflow运作方式入门
mnist_with_summaries.py:tensorboard训练过程可观化

并将（1）中data文件夹下的mnist数据集拷贝到Mnist_data文件夹下，如图：

运行mnist_softmax.py结果如图：

运行fully_connected_feed.py，如图：