test

Author: lining0806

ml_notes/TensorFlow/Image 001.png

@@ -1,4 +1,4 @@
-**TensorFlow**是Google维护的一个基于数据图的可扩展的机器学习框架，其项目地址位于 https://github.com/tensorflow/tensorflow ，我们可以从项目中找到官方的文档说明。
+**TensorFlow**是Google维护的一个基于数据流图的可扩展的机器学习框架，其项目地址位于 https://github.com/tensorflow/tensorflow ，我们可以从项目中找到官方的文档说明。
 
 ![image](TensorFlow.png)
 

ml_notes/TensorFlow/Image 002.png

@@ -1,3 +1,103 @@
-TensorFlow支持Ubuntu、Mac OS X、Windows，也支持从源码安装。本文以Ubuntu操作系统为例，来讲解TensorFlow的环境搭建过程。
+TensorFlow支持Ubuntu、Mac OS X、Windows，也支持从源码安装。本文以**Ubuntu**操作系统为例，来讲解TensorFlow的环境搭建过程。
 
-TensorFlow有
+### TensorFlow分为两个版本：
+
+* CPU支持版本
+
+	如果系统没有安装GPU，那么只能使用TensorFlow的CPU支持版本。
+	
+* GPU支持版本
+
+	如果系统安装了GPU，并且添加了其他相关支持(安装CUDA Toolkit、cuDNN、libcupti-dev库等)，则可以使用TensorFlow的GPU支持版本。
+
+### TensorFlow可以从以下方式安装：
+
+* virtualenv安装
+
+* 原生的pip安装
+
+* Docker安装
+
+* Anaconda安装
+
+* 从源码安装
+
+### 在Ubuntu上安装TensorFlow
+
+首先，查看系统版本：
+
+	$ cat /etc/lsb-release 
+	DISTRIB_ID=Ubuntu
+	DISTRIB_RELEASE=14.04
+	DISTRIB_CODENAME=trusty
+	DISTRIB_DESCRIPTION="Ubuntu 14.04.5 LTS"
+
+由于没有安装GPU支持，因此只能在Ubuntu系统上安装TensorFlow的CPU支持版本。
+
+其次，查看python和pip：
+
+![image](python&pip.png)
+
+这里，采用Anaconda中的pip来安装，对应python2版本：
+
+	pip install tensorflow
+
+安装完毕，我们可以使用python交互式终端运行下面代码：
+
+	>>> import tensorflow as tf
+	>>> sess = tf.Session()
+	>>> hello = tf.constant('hello world!')
+	>>> print(sess.run(hello))
+	hello world!
+
+### Python2与Python3的版本切换
+
+我们来测试TensorFlow官方的一段代码：
+
+	import numpy as np
+	import tensorflow as tf
+	
+	'''
+	tf.estimator
+	'''
+	
+	x_train = np.array([1., 2., 3., 4.])
+	y_train = np.array([0., -1., -2., -3.])
+	x_eval = np.array([2., 5., 8., 1.])
+	y_eval = np.array([-1.01, -4.1, -7, 0.])
+	input_fn = tf.estimator.inputs.numpy_input_fn(
+	    {"x": x_train}, y_train, batch_size=4, num_epochs=None, shuffle=True)
+	train_input_fn = tf.estimator.inputs.numpy_input_fn(
+	    {"x": x_train}, y_train, batch_size=4, num_epochs=1000, shuffle=False)
+	eval_input_fn = tf.estimator.inputs.numpy_input_fn(
+	    {"x": x_eval}, y_eval, batch_size=4, num_epochs=1000, shuffle=False)
+	
+	feature_columns = [tf.feature_column.numeric_column("x", shape=[1])]
+	estimator = tf.estimator.LinearRegressor(feature_columns=feature_columns)
+	
+	estimator.train(input_fn=input_fn, steps=1000)
+	
+	train_metrics = estimator.evaluate(input_fn=train_input_fn)
+	eval_metrics = estimator.evaluate(input_fn=eval_input_fn)
+	print("train metrics: %r"% train_metrics)
+	print("eval metrics: %r"% eval_metrics)
+
+将测试代码写进Test.py脚本，在python2环境下，运行结果如下：
+
+![image](python2test.png)
+
+##### 程序会报错，指出来tf.estimator模块下不存在LinearRegressor属性。
+
+为什么会出现这个问题呢？我想可能是Python2下的tensorflow库中一些上层接口功能没有跟进，而且考虑到Python2版本到2020年会停止支持，因此Google官方可能对Python3下的tensorflow库支持会更全面一些。既然这样，从Python2环境切换到Python3环境，是一个避免这些问题的办法。
+
+与Virualenv类似，Anaconda支持搭建Python的虚拟环境，也就是说，无论Anaconda是基于Python2版本还是Python3版本，我们都可以搭建Python的双版本共存环境，根据项目需要，随时可以切换版本。
+
+##### 搭建Python3环境：
+
+![image](python3.png)
+
+##### 激活python3环境，并运行Test.py：
+
+![image](python3test.png)
+
+运行成功！