1.环境：
- windows10系统
- python3.5
- Nvidia显卡（cpu版本不需要）
（建议安装anaconda集成环境，
conda create -n py35 python=3.5 anaconda——（安装python3.5版本，并起名为py35，activate py35激活python3.5）
CUDA：它所作用的对象是显卡，也就是GPU，有了它，程序开发人员就能够编码控制和使用GPU了，cuda8
CUDNN 是CUDA Deep Neural Network library 的缩写，也就是基于CUDA的神经网络软件包。可以类比JAVA中的JDK，也可以类比开源图像处理工具包openCV。cudnn6
2.安装
一键安装（CPU版）：
pip install --upgrade --ignore-installed tensorflow
一键安装（GPU版）：
pip install --upgrade --ignore-installed tensorflow-gpu
经过考虑到gpu不是很高级，所以就该为安装cpu版本：
成功：
3.使用tensorboard
TensorFlow自带的一个强大的可视化工具
3.1用法（实例）
打开python编辑器，新建文件命名：tensorboard-demo.py,输入下列代码：
# -*- coding: utf-8 -*-
"""
Created on Fri Jan 19 14:56:07 2018
@author: JayMo
"""
import tensorflow as tf
import numpy as np
#输入数据
x_data = np.linspace(-1,1,300)[:, np.newaxis]
noise = np.random.normal(0,0.05, x_data.shape)
y_data = np.square(x_data)-0.5+noise
#输入层
with tf.name_scope('input_layer'): #输入层。将这两个变量放到input_layer作用域下，tensorboard会把他们放在一个图形里面
xs = tf.placeholder(tf.float32, [None, 1], name = 'x_input') # xs起名x_input，会在图形上显示
ys = tf.placeholder(tf.float32, [None, 1], name = 'y_input') # ys起名y_input，会在图形上显示
#隐层
with tf.name_scope('hidden_layer'): #隐层。将隐层权重、偏置、净输入放在一起
with tf.name_scope('weight'): #权重
W1 = tf.Variable(tf.random_normal([1,10]))
tf.summary.histogram('hidden_layer/weight', W1)
with tf.name_scope('bias'): #偏置
b1 = tf.Variable(tf.zeros([1,10])+0.1)
tf.summary.histogram('hidden_layer/bias', b1)
with tf.name_scope('Wx_plus_b'): #净输入
Wx_plus_b1 = tf.matmul(xs,W1) + b1
tf.summary.histogram('hidden_layer/Wx_plus_b',Wx_plus_b1)
output1 = tf.nn.relu(Wx_plus_b1)
#输出层
with tf.name_scope('output_layer'): #输出层。将输出层权重、偏置、净输入放在一起
with tf.name_scope('weight'): #权重
W2 = tf.Variable(tf.random_normal([10,1]))
tf.summary.histogram('output_layer/weight', W2)
with tf.name_scope('bias'): #偏置
b2 = tf.Variable(tf.zeros([1,1])+0.1)
tf.summary.histogram('output_layer/bias', b2)
with tf.name_scope('Wx_plus_b'): #净输入
Wx_plus_b2 = tf.matmul(output1,W2) + b2
tf.summary.histogram('output_layer/Wx_plus_b',Wx_plus_b2)
output2 = Wx_plus_b2
#损失
with tf.name_scope('loss'): #损失
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-output2),reduction_indices=[1]))
tf.summary.scalar('loss',loss)
with tf.name_scope('train'): #训练过程
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
#初始化
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
merged = tf.summary.merge_all() #将图形、训练过程等数据合并在一起
writer = tf.summary.FileWriter('logs',sess.graph) #将训练日志写入到logs文件夹下
#训练
for i in range(1000):
sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
if(i%50==0): #每50次写一次日志
result = sess.run(merged,feed_dict={xs:x_data,ys:y_data}) #计算需要写入的日志数据
writer.add_summary(result,i) #将日志数据写入文件
在文件路径打开命令行：输入
python tensorboard-demo.py
运行结果：
执行上述代码，会在“当前路径/logs”目录下生成一个events.out.tfevents.{time}.{machine-name}的文件:
启动tensorboard
在tensorboard-demo.py文件路径下新打开一个命令行输入：
tensorboard --logdir=logs
在浏览器打开http://localhost:6006/，即可看到：
4. 基于tensorflow的MNIST手写数字识别
这个例子要先下载数据集，否则运行过程可能会链接失败，下载网址：https://github.com/zalandoresearch/fashion-mnist
需要下载四个文件：
- train-images-idx3-ubyte.gz
- train-labels-idx1-ubyte.gz
- t10k-images-idx3-ubyte.gz
- t10k-labels-idx1-ubyte.gz
下载好这四个文件后，不用解压。我下载是保存到F:\TensorFlow\MNIST_data目录。
运行的代码链接：
https://github.com/tensorflow/tensorflow/tree/master/tensorflow/examples/tutorials/mnist
[图片上传失败...(image-681633-1516375599278)]
提示：
请不要用中文命名目录，中文目录中看不到任何图形。
