(TF)Anaconda安装Tensorflow+Keras+Jupyter Notebook 老电脑（CPU不支持AVX指令集）

(TF)Anaconda安装Tensorflow+Keras+Jupyter Notebook 老电脑（CPU不支持AVX指令集） 

 

目录

- 1、安装anaconda最新版本      - 2、增加国内镜像源      - 3、设置环境变量      - 4、安装Tensorflow（CPU版本）      - 5、老CPU，没有AVS指令集的CPU，安装SSE版本      - 6、测试Tensorflow      - 7、安装Keras      - 8、验证keras是否安装成功      - 9、将 tensorflow 嵌入到 jupyter      - 10、每次使用 Tensorflow 环境的步骤

【参考】： 

1、Win10下安装Tensorflow+Keras简记（CPU版本） 

https://www.jianshu.com/p/6c3b1889b358 

2、Anaconda环境安装tensorflow并嵌入到jupyter notebook中 

https://zhuanlan.zhihu.com/p/100594244 

3、【参考】老电脑也要玩tensorflow，解决AVX、SEE、SEE2等报错之路 

https://blog.csdn.net/mooe1011/article/details/88957576 

 

【其它命令】 

退出命令  exit() 

进入E盘目录   E: 

进入某个目录 cd C:\Users\XX\Downloads 

 

【步骤】 

1、安装anaconda最新版本 

下载地址：64-bit Python 3.6  

下载后，安装在自己喜欢的分区盘的根目录下， 

建议在根目录下创建Anaconda3目录，然后安装在该目录下。 

 

2、增加国内镜像源 

网络上都是用命令的方法， 

这里介绍在Anaconda Navigator界面上添加的方法， 

点击主界面左侧的Home一栏，然后点击Channels按钮，再点击右上角的Add按钮，就可以添加了，加入清华大学的源即可。 

https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ 

https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ 

 

3、设置环境变量 

有两种方法，命令或界面，建议在界面下设置， 

打开安装好的Anaconda  Navigatior，点击主界面左侧的Environments一栏， 

然后点击左下角Create按钮，选择Python，Name设置为tensorflow。 

 

4、安装Tensorflow（CPU版本） 

启动AnacondaPrompt命令终端， 

activate tensorflow 

pip install --ignore-installed --upgrade tensorflow 

（很慢，要） 

 

【其它（未测试）】更换pip源到国内镜像，安装TensorFlow 

https://www.jianshu.com/p/502638407add 

 

查看安装包 

pip list 

 

安装方法二、 

pip install tensorflow 

卸载 

exit() 

退出python 

pip uninstall tensorflow 

TF测试出问题就重复安装卸载几次 

 

5、老CPU，没有AVS指令集的CPU，安装SSE版本 

【导入TF时产生错误错误】 

ImportError: DLL load failed:找不到指定的模块 

ImportError: DLL load failed with error code 3221225501 

【原因】 

TensorFlow发布二进制版本1.6及更高版本已使用AVX指令集进行了预构建。 

因此，在没有这些指令集的任何CPU上，TF的CPU或GPU版本都将无法加载。 

来自   

【分析】 

下载CPU-Z，查看指令集 

新的CPU支持AVX指令集，以及更高性能的AVX2指令集 

老的CPU不支持AVX，只有SSE 

 

 

在 https://github.com/fo40225/tensorflow-windows-wheel 查找适合自己电脑的包 

下载地址 

https://github.com/fo40225/tensorflow-windows-wheel/tree/master/1.14.0/py37/CPU/sse2 

版本 

 

启动AnacondaPrompt命令终端，安装 

TF 2.0.0版本 

pip install F:\AI\Tensorflow\tensorflow-2.0.0-cp37-cp37m-win_amd64.whl 

TF1.14.0版本 

pip install F:\AI\Tensorflow\tensorflow-1.14.0-cp37-cp37m-win_amd64.whl 

 

 

【扩展】若芯片支持AVX2，可使用AVX2的安装包，省内存 

windows版TensorFlow最优安装，使用AVX2指令集 

https://blog.csdn.net/robinspada/article/details/87277952 

 

查看安装包 

pip list 

 

6、测试Tensorflow 

启动Anaconda Prompt命令终端，依次输入以下命令： 

activate tensorflow 

python 

然后在在终端输入以下代码： 

import tensorflow as tf 

hello = tf.constant('Hello, TensorFlow!') 

sess = tf.Session() 

print(sess.run(hello)) 

打印'Hello, TensorFlow!'就成功了 

 

【Q】TF测试出问题就重复安装卸载几次 

（报错 "", line 1, in NameError: name 'tf' is not defined） 

 

7、安装Keras 

启动Anaconda Prompt命令终端，输入以下命令： 

安装keras 

activate tensorflow 

pip install keras 

 

8、验证keras是否安装成功 

继续输入： 

python 

import keras 

 

9、将 tensorflow 嵌入到 jupyter 

* 安装：conda install ipython 

* 安装：conda install jupyter 

* 运行：ipython kernelspec install-self --user 

* 运行：jupyter kernelspec install-self --user 

7. 打开 jupyter notebook 页面： 

(tensorflow) C:\Users\Administrator> jupyter notebook 

 

弹出浏览器窗口就成功了 

 

10、每次使用 Tensorflow 环境的步骤 

1. 打开 Anaconda Prompt 终端 

2. 激活 tensorflow 环境，输入：activate tensorflow 

进入 tensorflow 环境之后，输入：jupyter notebook 

 

11、Tensorflow+Keras测试：图片分类 

 

【引用参考】从零开始学TensorFlow 

来自   

【原始出处】Tensorflow学习笔记之一：训练你的第一个神经网络——基础分类 

来自   

 

跟着官网的代码跑了一(代码我都只是一步一步复制粘贴)，最后跑起来： 

# TensorFlow and tf.keras 


import tensorflow as tf 

from tensorflow import keras 



# Helper libraries 


import numpy as np 



print(tf.__version__) 



# 加载数据、区分出测试数据和训练数据 


# 注意：如果已经下过，重复下载的话，可能会出现EOFError: Compressed file ended before the end-of-stream marker was reached错误 


fashion_mnist = keras.datasets.fashion_mnist 

(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data() 



# 分类的列表 


class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 

               'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot'] 



# 查看数据的值 


print(train_images.shape)  # 样本的shape(可以看出有多少条样本、维度) 


print(len(train_labels))  # label的个数，有多少个样本，就应该有多少个label 


print(train_labels)  # label的值，对应上面分类列表(从0到9) 


# 对测试数据和训练数据进行预处理(实际上就是归一化) 


train_images = train_images / 255.0 

test_images = test_images / 255.0 



# 设置层  (初始处理)--- 建立神经层 


model = keras.Sequential([ 

    keras.layers.Flatten(input_shape=(28, 28)), 

    keras.layers.Dense(128, activation=tf.nn.relu), 

    keras.layers.Dense(10, activation=tf.nn.softmax) 

]) 



# 损失函数、优化器、指标 


model.compile(optimizer=tf.train.AdamOptimizer(), 

              loss='sparse_categorical_crossentropy', 

              metrics=['accuracy']) 



# 将训练集丢进去，训练出模型(Model) 


model.fit(train_images, train_labels, epochs=5) 



# 将测试数据丢到模型中，评估一下得分(准确率) 


test_loss, test_acc = model.evaluate(test_images, test_labels) 

print('Test accuracy:', test_acc) 



# 评估完准确率以后，我们可以对测试数据进行预测 


predictions = model.predict(test_images) 



# 选第一个样本预测后的得出最有可能结果 


print(np.argmax(predictions[0])) 



# 对比结果 


print(test_labels[0]) 

 

跑出来的结果： 

(后期注释：这是TensorFlow的版本) 

1.12.0 

最终输出：