配置环境
第一步：安装python 3.6+Anaconda3-4.4.0+pycharm
在这里可以寻找Anaconda合适的版本
https://repo.anaconda.com/archive/
第二步：使用Anaconda安装tensorflow,创建tensorflow环境，点击二图的开始按钮，再点击第一个。
第三步：在tensorflow环境下执行如下命令安装。（直接使用pip install tensorflow 和 pycharm多次安装失败，理论上也是没问题的）
image.png
image.png
pip install --upgrade --ignore-installed tensorflow
尝试代码
这里可以选用pycharm,选取3.6的python环境。下载的mnist.npz数据集放到当前文件夹下即可
import tensorflow as tf
import numpy as np
#下载失败手动下载，后加载文件,网络问题代码下载不成功，用梯子也不行，所以手动下载然后再读取
# mnist = tf.keras.datasets.mnist
# mnist.load_data()
def load_data(path="./mnist.npz"):
f = np.load(path)
x_train, y_train = f['x_train'], f['y_train']
x_test, y_test = f['x_test'], f['y_test']
f.close()
return (x_train, y_train), (x_test, y_test)
#加载mnist.npz训练集的数据
(x_train, y_train), (x_test, y_test) = load_data()
#转为浮点型
x_train, x_test = x_train / 255.0, x_test / 255.0
#创建多层的Sequential模型结构
model = tf.keras.models.Sequential([
#模型设置
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation='softmax')
])
#为训练选择优化器和损失函数
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
#训练并验证模型
model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test, verbose=2)
image.png
有类似的输出说明第一个机器学习程序已经可以运行了，恭喜迈出第一步。
