安装pip install tensorflow时网络不稳定，频繁断线的解决办法。

使用 pip install tensorflow，安装tensorflow时，下载很慢，而且还经常下载到一半就断掉，又要重新下载。
解决办法：

步骤1，观察打印出的信息，找到 wheel文件的下载链接，并通过浏览器页面下载。

在 pip install tensorflow之后，观察打印出的信息，找到 wheel文件的下载链接。在网页上下载这个wheel文件。每个机器上安装时的下载链接会有所不同。如下图所示，我的wheel文件的下载地址是：

https://www.piwheels.org/simple/tensorflow/tensorflow-1.14.0-cp37-none-linux_armv7l.whl

在浏览器中输入这个链接，就会弹出下载页面，下载保存wheel文件，并将这个文件拷贝到home目录。

步骤2，在命令行窗口，执行下列命令安装wheel文件。

pip install tensorflow-1.14.0-cp7-none-linux_armv7l.whl  --user

其中，install后面的文件名就是第一步中下载的wheel文件的文件名。

安装过程中，会自动下载一些依赖项。

步骤3，实例

参考 ：TensorFlow——MNIST手写数据集

import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
import matplotlib.pyplot as plt

mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

tf.reset_default_graph()

x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])

w = tf.Variable(tf.random_normal([784, 10]))
b = tf.Variable(tf.zeros([10]))

pred = tf.matmul(x, w) + b
pred = tf.nn.softmax(pred)

cost = tf.reduce_mean(-tf.reduce_sum(y * tf.log(pred), reduction_indices=1))

learning_rate = 0.01

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

training_epochs = 25
batch_size = 100

display_step = 1

save_path = 'model/'

saver = tf.train.Saver()

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    for epoch in range(training_epochs):
        avg_cost = 0
        total_batch = int(mnist.train.num_examples/batch_size)
        for i in range(total_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            _, c = sess.run([optimizer, cost], feed_dict={x:batch_xs, y:batch_ys})
            avg_cost += c / total_batch

        if (epoch + 1) % display_step == 0:
            print('epoch= ', epoch+1, ' cost= ', avg_cost)
    print('finished')

    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    print('accuracy: ', accuracy.eval({x:mnist.test.images, y:mnist.test.labels}))

    save = saver.save(sess, save_path=save_path+'mnist.cpkt')

print(" starting 2nd session ...... ")

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    saver.restore(sess, save_path=save_path+'mnist.cpkt')

    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    print('accuracy: ', accuracy.eval({x: mnist.test.images, y: mnist.test.labels}))

    output = tf.argmax(pred, 1)
    batch_xs, batch_ys = mnist.test.next_batch(2)
    outputval= sess.run([output], feed_dict={x:batch_xs, y:batch_ys})
    print(outputval)

    im = batch_xs[0]
    im = im.reshape(-1, 28)

    plt.imshow(im, cmap='gray')
    plt.show()

    im = batch_xs[1]
    im = im.reshape(-1, 28)
    plt.imshow(im, cmap='gray')
    plt.show()

步骤4，最新版本的tensorflow中没有预装 example

步骤3的实例在tensorflow 1.13版本中可以正常运行。但是在1.14版本中出错，报错信息为：no module named. ‘tensorflow.examples.tutorials’
解决办放参考：https://stackoverflow.com/questions/50313441/modulenotfounderror-no-module-named-tensorflow-examples
另外一种解决方法：

步骤5，确认tensorflow的安装路径

使用 tf.path

步骤6，最终采用的方法下载input_data.py，并修改import

input_data.py的下载地址： https://github.com/admin110/tensorflow

步骤7，三维卷积神经网络预测MNIST数字详解

参考：http://c.biancheng.net/view/1929.html

其他网页：
keras安装：https://keras-cn.readthedocs.io/en/latest/for_beginners/keras_linux/
tensorflow中读取自己的数据集：https://blog.csdn.net/sinat_42378539/article/details/83047631

tensorflow使用CNN分析mnist手写体数字数据集: https://blog.csdn.net/dillon2015/article/details/79068653

tensorflow（12）CNN实现Mnist分类、可视化: https://blog.csdn.net/dillon2015/article/details/79068653

『TensorFlow』模型保存和载入方法汇总: https://www.cnblogs.com/think90/p/11738257.html

tensorflow将训练好的模型freeze,即将权重固化到图里面,并使用该模型进行预测: https://blog.csdn.net/lujiandong1/article/details/53385092