win10下tensorflow和matplotlib安装教程

本文介绍了一系列安装教程，具体如下

1.安装Python

版本选择是3.5.1，因为网上有些深度学习实例用的就是这个版本，跟他们一样的话可以避免版本带来的语句规范问题

python的下载官网

2.安装easy_install

  • 在Python的官网下载easy_install的安装包，下载地址
  • 下载完成后解压zip，解压后双击setup.py，会跳出一个黑框闪一下，这时python目录下的scripts文件夹中有了easy_install的应用程序文件。
  • 接下来配置环境变量：计算机→系统属性→高级系统设置→环境变量→双击path→添加Python和scripts的路径
  • win+R+cmd打开命令行，输入easy_install virtualenv，回车

安装了easy_install之后安装Python库就方便了，直接在命令行中输入easy_install+libname就行了。但试验了几次后发现pip比较适合我这种小白，所以安装了pip。

3.安装pip

  • 在命令行里输入easy_install pip，回车
  • 检查pip是否成功安装，直接在命令行里输入pip
  • pip版本升级，在命令行里输入：python -m pip install -U pip

注意空格，比如python与-m之间就有个空格

4.安装tensorflow

确定计算机联网了，网速也要保证，有次我的网速太慢了，不得已一个组件一个组件的下，最后再输入以下那条命令，也成功了，但网速快的话是可以自动一次性下载完成的

在命令行输入：pip install --upgrade --ignore-installed tensorflow

安装完成后在Python中输入import tensorflow 可能会出现找不到模块的错误，这时需要安装MSVCP140.DLL，下载安装完成后重启电脑就可以了，下载地址

5.安装matplotlib

特别只出一个Python第三方组件库，内容很全：链接地址

  • 从刚才提到的第三方库中下载matplotlib，选择文件时注意cp35代表适用Python3.5版本，win64表示适用于64位电脑
  • 记住下载的matplotlib的路径，我一般会放在Python文件夹下
  • 打开命令行，输入cd 安装路径，回车。如果把所有下载的组件都放到这个安装路径的话，用cd转到这个路径再用pip安装就很方便
  • 在命令行继续输入pip install 文件名，文件名一定要写对写全。用这种法还可以安装很多组件，比如我文件夹下的那个pywin32。示例图如下：

可以用一个简单的例子验证matplotlib是否安装正确，由于我还没有开始学matplotlib，这个例子用的是其他文章里的 （可以发现这篇文章里让安装的各种组件，在安装tensorflows的时候就已经自动安装好了，若是网速不够导致timeout，就要挨个下载安装这些组件）

例子：

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

赞 (0)

相关推荐

  • win10下python3.5.2和tensorflow安装环境搭建教程

    win10下python3.5.2和tensorflow安装环境搭建教程

    在win10环境下搭建python3.5.2和tensorflow平台,供大家参考,具体内容如下 操作步骤如下: 1.官网(https://www.python.org/ )下载python3.5.2  选择Downloads-Windows 选择64位executable installer 2.安装过程,双击.exe可执行文件(此步可参考安装教程:win10环境下python3.5安装步骤图文教程) 一路默认下去! 3.安装成功后打开cmd命令窗口 print("Hello World!&q

  • tensorflow实现简单逻辑回归

    逻辑回归是机器学习中很简答的一个栗子,这篇文章就是要介绍如何使用tensorflow实现一个简单的逻辑回归算法. 逻辑回归可以看作只有一层网络的前向神经网络,并且参数连接的权重只是一个值,而非矩阵.公式为:y_predict=logistic(X*W+b),其中X为输入,W为输入与隐含层之间的权重,b为隐含层神经元的偏置,而logistic为激活函数,一般为sigmoid或者tanh, y_predict为最终预测结果. 逻辑回归是一种分类器模型,需要木便函数不断的优化参数,这里目标函数为y_p

  • TensorFlow实现模型评估

    TensorFlow实现模型评估

    我们需要评估模型预测值来评估训练的好坏. 模型评估是非常重要的,随后的每个模型都有模型评估方式.使用TensorFlow时,需要把模型评估加入到计算图中,然后在模型训练完后调用模型评估. 在训练模型过程中,模型评估能洞察模型算法,给出提示信息来调试.提高或者改变整个模型.但是在模型训练中并不是总需要模型评估,我们将展示如何在回归算法和分类算法中使用它. 训练模型之后,需要定量评估模型的性能如何.在理想情况下,评估模型需要一个训练数据集和测试数据集,有时甚至需要一个验证数据集. 想评估一个模型时就

  • python3.6.3安装图文教程 TensorFlow安装配置方法

    本文主要介绍Python3.6及TensorFlow的安装和配置流程. 一.Python官网下载自己电脑和系统对应的Python安装包. 网址:下载地址 一直往下拉到Files,这里我下载的是Windows x86-64 executable installer (注意:要装TensorFlow必须安装64位的Python,TensorFlow不支持32位)< 二.下载python-3.6.3-amd64.exe应用程序 下载完成后得到一个python-3.6.3-amd64.exe应用程序,右

  • Tensorflow使用支持向量机拟合线性回归

    Tensorflow使用支持向量机拟合线性回归

    支持向量机可以用来拟合线性回归. 相同的最大间隔(maximum margin)的概念应用到线性回归拟合.代替最大化分割两类目标是,最大化分割包含大部分的数据点(x,y).我们将用相同的iris数据集,展示用刚才的概念来进行花萼长度与花瓣宽度之间的线性拟合. 相关的损失函数类似于max(0,|yi-(Axi+b)|-ε).ε这里,是间隔宽度的一半,这意味着如果一个数据点在该区域,则损失等于0. # SVM Regression #---------------------------------

  • 使用TensorFlow实现SVM

    较基础的SVM,后续会加上多分类以及高斯核,供大家参考. Talk is cheap, show me the code import tensorflow as tf from sklearn.base import BaseEstimator, ClassifierMixin import numpy as np class TFSVM(BaseEstimator, ClassifierMixin): def __init__(self, C = 1, kernel = 'linear',

  • TensorFlow实现iris数据集线性回归

    TensorFlow实现iris数据集线性回归

    本文将遍历批量数据点并让TensorFlow更新斜率和y截距.这次将使用Scikit Learn的内建iris数据集.特别地,我们将用数据点(x值代表花瓣宽度,y值代表花瓣长度)找到最优直线.选择这两种特征是因为它们具有线性关系,在后续结果中将会看到.本文将使用L2正则损失函数. # 用TensorFlow实现线性回归算法 #---------------------------------- # # This function shows how to use TensorFlow to #

  • TensorFlow Session使用的两种方法小结

    TensorFlow Session 在TensorFlow中是通过session进行交互的,使用session有两种方法.下面通过一个简单的例子(两个矩阵相乘)说一下 {[3,1] 与{[5,2] 相乘 [1,2]} [2,4]} 代码 #encoding=utf-8 import tensorflow as tf matrix1 = tf.constant([[3,1],[1,2]]) matrix2 = tf.constant([[5,2],[2,4]]) product = tf.mat

  • 使用tensorflow实现线性svm

    本文实例为大家分享了tensorflow实现线性svm的具体代码,供大家参考,具体内容如下 简单方法: import tensorflow as tf import numpy as np from matplotlib import pyplot as plt def placeholder_input(): x=tf.placeholder('float',shape=[None,2],name='x_batch') y=tf.placeholder('float',shape=[None,

  • C++调用tensorflow教程

    C++调用tensorflow教程

    目前深度学习越来越火,学习.使用tensorflow的相关工作者也越来越多.但是目前绝大部分的python都是拥有着丰富的python的API,而c++的API不够完善.这就导致绝大多是使用tensorflow的项目都是基于python. 如果项目是由c++编写,想调用python下的tensorflow?可参考本教程(tensorflow模型是CNN卷积神经网络) 具体步骤: 1.python环境 首先安装python,可以在Anaconda官网直接下载.记住python一定选择64bit,目

随机推荐