DEEPLEARING----MNIST的安装运行步骤（windows10,使用anaconda,spyder）

写在开头：

本人第一次学习深度学习，网上找了很多关于安装MNIST的步骤，感觉有些地方操作起来有错误，并且不适合普通的入门新手，特此，在成功安装运行成功之后，写本篇博文，记录且帮助其他想学习的新手。

撒花

---

 

【1】下载anaconda

在官网下载Anaconda，安装。anaconda官网

根据电脑位数下载合适的版本，本人电脑的64位，下载黄色注释的版本。

---

 

【2】构建tensorflow虚拟环境

1）打开anaconda prompt，输入：conda upgrade --all

 升级anaconda包含的软件。（也可以不升级）

2）创建一个虚拟环境：conda create -n tensorflow python=3.6.6

可以先在cmd里输入python查询python版本。

3）激活tensorflow虚拟环境：conda activate tensorflow

4）下载tensorflow ：pip install tensorflow

5）关闭环境：conda deactivate tensorflow

图示： 

 

 

---

 

【3】测试设否安装好tensorflow

1）在anaconda prompt里激活tensorflow环境：conda activate tensorflow

2）查询在该环境下安装的所有软件：conda list

图示：可以看到本人安装的tensorflow 1.10.0版本，即安装成功。

 

---

【4】运行MNIST

直接下载anaconda，会自动安装spyder，但是是安装在默认环境下，我们运行tensorflow环境需要在该环境下下载spyder，才能编译MNIST，正确import tensorflow

1）在tensorflow环境下下载spyder。

打开anaconda navigator（下载anaconda自带，无需自己下载），选择左侧home，在中间application on，选项选择tensorflow，此时我们切换至之前创建的tensorflow环境，然后可以看下方的软件找到spyder，点击install，即可在tensorflow环境下安装spyder(tensorflow)，完成launch即可打开。

 

2）下载MNIST数据集。

点击网站下载：数据集下载。选择下面三个包下载至自己的电脑，新建文件存放，文件名为：MNIST_data（也可以取其他的，注意在mnist_softmax文件（下文会给出）中替换import的文件名字即可。

 

不要解压文件！

3）复制mnist_softmax文件并运行MNIST

将一下代码复制到spyder(tensorflow)中

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)
#读取mnist文件
#设定参数
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))

#建立模型
y = tf.nn.softmax(tf.matmul(x,W) + b)

#实际值
y_ = tf.placeholder("float", [None,10])

#定义cost
cross_entropy = -tf.reduce_sum(y_*tf.log(y))

#设定训练算法
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

#初始化变量
init = tf.global_variables_initializer()

#启动模型
sess = tf.Session()
sess.run(init)

#施行训练
for i in range(1000):
  batch_xs, batch_ys = mnist.train.next_batch(100)
  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

#建立评估模型
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))

#布尔值转换成浮点数，然后取平均值
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

#计算所学习到的模型在测试数据集上面的正确率
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

运行即可

图示：

 

 

 写在最后：

欢迎各位伙伴批评指正，一起进步~