在 Ubuntu16.04上安裝anaconda+Spyder+TensorFlow（支持GPU）

時間  2019-11-30
標籤 ubuntu16.04 ubuntu 安裝 anaconda+spyder+tensorflow anaconda spyder tensorflow 支持 gpu 欄目 Ubuntu 简体版
原文   原文鏈接

TensorFlow 官方文檔中文版

http://www.tensorfly.cn/tfdoc/get_started/introduction.html

https://zhyack.github.io/posts/2016_09_30-Configurate-TensorFlow-On-Ubuntu.html

https://www.leiphone.com/news/201606/ORlQ7uK3TIW8xVGF.htmlhtml

1、下載並安裝Anaconda

下載方式

1.官方網站 
目前最新版本Anaconda 4.3.1 For Linux。分Python3.6和2.7版本，32和64位 。選擇合適版本 
速度慢些 
2.清華大學的Anaconda 
速度快python

在清華大學 TUNA 鏡像源選擇對應的操做系統與所需的Python版本下載Anaconda安裝包。Windows環境下的安裝包直接執行.exe文件進行安裝便可，Ubuntu環境下在終端執行react

$ bash Anaconda2-4.3.1-Linux-x86_64.sh   #Python 2.7版本

或者linux

$ bash Anaconda3-4.3.1-Linux-x86_64.sh  #Python 3.5 版本

安裝方法

打開終端，進入Anaconda所在的文件夾下 
運行該命令：bash Anaconda3-4.3.0-Linux-x86_64.shgit

這裏注意，若是提示權限問題，可以使用：sudo bash Anaconda3-4.3.0-Linux-x86_64.sh

可是採用sudo這種方式會對接下來安裝Tensorflow有點影響，下面細說。

檢查是否安裝成功
上面的安裝過程執行完成以後關閉那個終端，從新打開一個，在終端輸入「python」，若是出現下面的信息，說明安裝成功：
介紹了python的版本信息，可是後面帶了anaconda的標識，這就說明Anaconda安裝成功了，此時輸入exit()退出python環境，輸入：
conda list
會顯示一大堆可用的packages，說明咱們的安裝是沒有問題的。
若是你在這一步輸入python以後顯示的仍是系統默認的版本，那說明.bashrc的更新尚未生效，命令行輸入：
source ~/.bashrc
便可。至此安裝完成。

 

Anaconda安裝

在清華大學 TUNA 鏡像源選擇對應的操做系統與所需的Python版本下載Anaconda安裝包。Windows環境下的安裝包直接執行.exe文件進行安裝便可，Ubuntu環境下在終端執行github

$ bash Anaconda2-4.3.1-Linux-x86_64.sh   #Python 2.7版本

或者shell

$ bash Anaconda3-4.3.1-Linux-x86_64.sh  #Python 3.5 版本

在安裝的過程當中，會詢問安裝路徑，按回車便可。以後會詢問是否將Anaconda安裝路徑加入到環境變量（.bashrc)中，輸入yes，這樣之後在終端中輸入python便可直接進入Anaconda的Python版本（若是你的系統中以前安裝過Python，自行選擇yes or no）。安裝成功後，會有當前用戶根目錄下生成一個anaconda2的文件夾，裏面就是安裝好的內容express

查詢安裝信息apache

$ conda info

查詢當前已經安裝的庫ubuntu

$ conda list

安裝庫(***表明庫名稱）

$ conda install ***

更新庫

$ conda update ***

Anaconda倉庫鏡像

官方下載更新工具包的速度很慢，因此繼續添加清華大學 TUNA提供的Anaconda倉庫鏡像，在終端或cmd中輸入以下命令進行添加

$ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
$ conda config --set show_channel_urls yes

$ conda install numpy   #測試是否添加成功

以後會自動在用戶根目錄生成「.condarc」文件，Ubuntu環境下路徑爲~/.condarc，Windows環境下路徑爲C:\用戶\your_user_name\.condarc

channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ - defaults show_channel_urls: yes

若是要刪除鏡像，直接刪除「.condarc」文件便可

使用

1.安裝好以後便可在終端輸入spyder,相似pycharm的一個IDE 
2.自帶notebook IDE。打開方式，終端輸入ipython notebook便可打開該IDE。關於notebook，可自行了解 
3.Linux 自己安裝的2.7版本仍然存在，Python3和anaconda合併 
4.關於conda命令，終端輸入conda list 便可查看已經安裝的模塊 。conda install * conda update * 
5.綜上，咱們安裝好之後，從此使用ipython便可，方便好用

在ubuntu上卸載anaconda的步驟 ：

（一）刪除整個anaconda目錄：

    因爲Anaconda的安裝文件都包含在一個目錄中，因此直接將該目錄刪除便可。到包含整個anaconda目錄的文件夾下，刪除整個Anaconda目錄：

 

    rm -rf anaconda文件夾名


（二）建議清理下.bashrc中的Anaconda路徑：

   1.到根目錄下，打開終端並輸入：
      sudo gedit ~/.bashrc

   2.在.bashrc文件末尾用#號註釋掉以前添加的路徑(或直接刪除)：
      #export PATH=/home/lq/anaconda3/bin:$PATH
      保存並關閉文件

   3.使其當即生效，在終端執行：
      source ~/.bashrc
 

   4.關閉終端，而後再重啓一個新的終端，這一步很重要，否則在原終端上仍是綁定有anaconda.

 

2、下載並安裝Tensorflow

anaconda安裝方式

$ conda create -n tensorflow
$ source activate tensorflow
$ pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.1.0-cp36-cp36m-linux_x86_64.whl

這裏，若是想安裝其餘版本（CPU only 和 GPU support 都有）,參考 
tensorflow on Ubuntu

注意：若是anaconda採用的是sudo 安裝方式，則當前用戶安裝tensorflow時會提示權限不夠，由於anaconda文件夾及其子文件（夾）的全部者和組都是root。這時須要修改：

$ sudo chown -R 用戶 anaconda3/
$ sudo chgrp -R 用戶 anaconda3/
（用戶爲本身用戶名）

2. 創建一個tensorflow的運行環境

[plain]  view plain  copy
 
  1. # Python 2.7  
  2. $ conda create -n tensorflow python=2.7  
  3.   
  4. # Python 3.4  
  5. $ conda create -n tensorflow python=3.4  
  6.   
  7. # Python 3.5  
  8. $ conda create -n tensorflow python=3.5  

3.在conda環境中安裝tensorflow

在conda環境中安裝tensorflow的好處是能夠便捷的管理tensorflow的依賴包。分爲兩個步驟：激活上一步創建的名爲tensorflow的conda環境；用conda或者pip工具安裝Tensorflow，做者選擇的是pip方式。

3.1 pip方式

pip方式須要首先激活conda環境

[plain]  view plain  copy
 
  1. $ source activate tensorflow  
而後根據要安裝的不一樣tensorflow版本選擇對應的一條環境變量設置export語句（操做系統，Python版本，CPU版本仍是CPU+GPU版本）
[plain]  view plain  copy
 
  1. # Ubuntu/Linux 64-bit, CPU only, Python 2.7  
  2. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.10.0-cp27-none-linux_x86_64.whl  
  3.   
  4. # Ubuntu/Linux 64-bit, GPU enabled, Python 2.7  
  5. # Requires CUDA toolkit 7.5 and CuDNN v5. For other versions, see "Install from sources" below.  
  6. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.10.0-cp27-none-linux_x86_64.whl  
  7.   
  8. # Mac OS X, CPU only, Python 2.7:  
  9. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-0.10.0-py2-none-any.whl  
  10.   
  11. # Mac OS X, GPU enabled, Python 2.7:  
  12. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/gpu/tensorflow-0.10.0-py2-none-any.whl  
  13.   
  14. # Ubuntu/Linux 64-bit, CPU only, Python 3.4  
  15. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.10.0-cp34-cp34m-linux_x86_64.whl  
  16.   
  17. # Ubuntu/Linux 64-bit, GPU enabled, Python 3.4  
  18. # Requires CUDA toolkit 7.5 and CuDNN v5. For other versions, see "Install from sources" below.  
  19. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.10.0-cp34-cp34m-linux_x86_64.whl  
  20.   
  21. # Ubuntu/Linux 64-bit, CPU only, Python 3.5  
  22. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.10.0-cp35-cp35m-linux_x86_64.whl  
  23.   
  24. # Ubuntu/Linux 64-bit, GPU enabled, Python 3.5  
  25. # Requires CUDA toolkit 7.5 and CuDNN v5. For other versions, see "Install from sources" below.  
  26. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.10.0-cp35-cp35m-linux_x86_64.whl  
  27.   
  28. # Mac OS X, CPU only, Python 3.4 or 3.5:  
  29. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-0.10.0-py3-none-any.whl  
  30.   
  31. # Mac OS X, GPU enabled, Python 3.4 or 3.5:  
  32. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/gpu/tensorflow-0.10.0-py3-none-any.whl  

最後根據是python 2仍是３版本選擇一句進行安裝。

[plain]  view plain  copy
 
  1. # Python 2  
  2. (tensorflow)$ pip install --ignore-installed --upgrade $TF_BINARY_URL  
  3.   
  4. # Python 3  
  5. (tensorflow)$ pip3 install --ignore-installed --upgrade $TF_BINARY_URL 

3.2 conda方式

conda上面目前有人已經作好了tensorflow的pkg，可是版本不必定最新，且只有CPU版本，不支持GPU。

步驟也是首先激活conda環境，而後調用conda install 語句安裝.

 

[plain]  view plain  copy
 
  1. $ source activate tensorflow  
  2. (tensorflow)$  # Your prompt should change  
  3.   
  4. # Linux/Mac OS X, Python 2.7/3.4/3.5, CPU only:  
  5. (tensorflow)$ conda install -c conda-forge tensorflow  

上面的步驟完成後，從conda環境中退出:

[plain]  view plain  copy
 
  1. (tensorflow)$ source deactivate  

4. 測試安裝

[plain]  view plain  copy
 
    1. $ source activate tensorflow  
    2. (tensorflow)$  # Your prompt should change.  
    3. # Run Python programs that use TensorFlow.  
    4. ...  
    5. # When you are done using TensorFlow, deactivate the environment.  
    6. (tensorflow)$ source deactivate  

tensorflow自帶幾個示例程序，詳細位置以下：

…/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/models

Anaconda2是Anaconda的安裝位置，第一個tensorflow爲conda建立的名字爲tensorflow的環境，第二個tensorflow即安裝的tensorflow包。進入image下的mnist目錄，而後運行python convolutional.py就是對mnist的訓練過程。

5. spyder裏import tensorflow報錯顯示沒有tensorflow模塊解決 
安裝完anaconda後anaconda會自帶spyder這個IDE，可是咱們在打開這個IDE輸入import tensorflow會顯示沒有TensorFlow這個模塊的錯誤，不對啊，明明咱們已經安裝了TensorFlow，並且在終端下也測試了沒問題啊。這裏我也查看了網上關於這個問題地許多教程，感受都不太明朗，這裏給出我不知在哪兒看到的解決方案： 
之因此會出現這個問題大概是anaconda自帶的spyder沒有工做在tensorflow環境下的緣由。想要在TensorFlow環境下使用spyder，那就在tensorflow環境下再安裝一個spyder嘛。好，那咱們開始安裝。 
在tensorflow環境下，在終端用conda安裝spyder。輸入一下命令：

conda install spyder

而後會看見安裝目錄位於咱們以前建好的tensorflow環境下，也會看到安裝spyder會安裝許多依賴包，而後輸入y，大概10分鐘後就安裝好了。這時咱們在終端輸入spyder打開spyder，在IPython console下輸入import tensorflow，若是沒有報錯則代表安裝成功了。

總結： 
注意每次要使用tensorflow時，必定要先在終端激活tensorflow環境：source activate tensorflow 而後輸入spyder打開spyder,這裏的這個spyder是tensorflow環境下的spyder,不使用tensorflow時使用如下命令關掉tensorflow環境source deactivate

在anaconda中建立了一個環境tensorflow，裏面安裝了tensorflow。

# 建立一個環境 conda create --name tensorflow python=2.7 # 使用一個環境 source activate tensorflow

而後在這個環境下打開spyder。而後import tensorflow，報錯，說找不到tensorflow。

解決辦法是在tensorflow這個環境下，安裝spyder。 
這裏寫圖片描述

而後在這個環境下打開spyder： 
這裏寫圖片描述

這樣就能夠在spyder中使用tensorflow了： 
這裏寫圖片描述

sudo pip install spyder conda install QtPy conda install Pylint

 

test code:

from skimage import io img=io.imread('d:/dog.jpg') io.imshow(img)

將其中的d:/dog.jpg 改爲你的圖片位置

而後點擊上面工具欄裏的綠色三角進行運行，最終顯示

若是右下角「 Ipython console" 能顯示出圖片，說明咱們的運行環境安裝成功。

咱們能夠選擇右上角的 」 variable explorer" 來查看圖片信息，如

咱們能夠把這個程序保存起來，注意python腳本文件的後綴名爲py.

Protobuf pip 包 3.1

若是沒有遇到和 protobuf pip 包相關的問題，你能夠跳過這個部分。

注意： 若是你的 TensorFlow 運行緩慢，你可能遇到了一個 protobuf pip 包相關的問題。

TensorFlow pip 包依賴於 protobuf pip 包 3.1。 從 PyPI 下載的 protobuf 是 proto 序列化/反序列化的純 Python 實現的庫， 其速度比 C++ 實現慢10-50倍。Protobuf 支持二進制擴展，速度更快，基於 C++。 但該擴展沒法在純Python實現的 pip 包中獲取。咱們製做了包含該二進制擴展的protobuf pip 包。 以下命令可安裝該自定義的 protobuf pip 包：

  • for Python 2.7:

    $ pip install --upgrade \
https://storage.googleapis.com/tensorflow/linux/cpu/protobuf-3.1.0-cp27-none-linux_x86_64.whl

  • for Python 3.5:

    $ pip3 install --upgrade \
https://storage.googleapis.com/tensorflow/linux/cpu/protobuf-3.1.0-cp35-none-linux_x86_64.whl

安裝這個 protobuf 包會覆蓋已經存在的 protobuf 包。 注意該二進制 pip 包已經支持大於 64MB 的問題，修復了以下問題：

[libprotobuf ERROR google/protobuf/src/google/protobuf/io/coded_stream.cc:207]
Protocol message 被拒絕，由於太大（大於 67108864 字節）。
爲增大限制或禁用報警，
在 google/protobuf/io/coded_stream.h 中查看 CodedInputStream::SetTotalBytesLimit()
Spyder報錯：

import tensorflow as tf
Traceback (most recent call last):

 
 
 File "<ipython-input-1-41389fad42b5>", line 1, in <module>
 import tensorflow as tf
 
 
 
 
 File "/home/jz/anaconda2/lib/python2.7/site-packages/tensorflow/__init__.py", line 24, in <module>
 from tensorflow.python import *
 
 
 
 
 File "/home/jz/anaconda2/lib/python2.7/site-packages/tensorflow/python/__init__.py", line 49, in <module>
 from tensorflow.python import pywrap_tensorflow
 
 
 
 
 File "/home/jz/anaconda2/lib/python2.7/site-packages/tensorflow/python/pywrap_tensorflow.py", line 52, in <module>
 raise ImportError(msg)
 
 
 
 
ImportError: Traceback (most recent call last):
 File "/home/jz/anaconda2/lib/python2.7/site-packages/tensorflow/python/pywrap_tensorflow.py", line 41, in <module>
 from tensorflow.python.pywrap_tensorflow_internal import *
 File "/home/jz/anaconda2/lib/python2.7/site-packages/tensorflow/python/pywrap_tensorflow_internal.py", line 28, in <module>
 _pywrap_tensorflow_internal = swig_import_helper()
 File "/home/jz/anaconda2/lib/python2.7/site-packages/tensorflow/python/pywrap_tensorflow_internal.py", line 24, in swig_import_helper
 _mod = imp.load_module('_pywrap_tensorflow_internal', fp, pathname, description)
ImportError: libcudnn.so.6: cannot open shared object file: No such file or directory
 
 
 
 

Failed to load the native TensorFlow runtime.
 
 
 
 
See https://www.tensorflow.org/install/install_sources#common_installation_problems
 
 
 
 
for some common reasons and solutions. Include the entire stack trace
above this error message when asking for help.
 
 
問題描述： 
進入python3，而後import tensorflow，沒法import，錯誤代碼：libcudnn.so.6:cannot open sharedobject file: No such file or directory
 
 
問題解決：
 
 
pip uninstall tensorflow-gpupip install tensorflow-gpu==1.2
 
 
問題解釋： 
根據錯誤代碼，應該是找不到libcudnn.so.6。這個時候筆者就沒有注意最後是6而不是5，就開始各類試路徑啊，硬連接軟連接啥的。實質上是由於當前時間（2017.8），雖然tensorflow官網install教程裏面說的是安裝cudnn5.1，而tensorflow-gpu1.3已經開始去找cudnn6了（也就是說是用cudnn6編譯的）。。。 理論上能夠安裝cudnn6試試看，但筆者自己沒有追逐最新版的習慣（天知道還有什麼新坑），因此直接換到了tensorflow-gpu1.2版本，就解決問題了。 
另注：一般狀況下這類問題是真的找不到文件，而不是找錯文件。這個時候筆者一般會先查一下各類路徑有沒有設置錯誤（寫錯啊，路徑之間的冒號啊），而後去指定路徑看看有沒有這個文件，最後去查一下連接問題（這個就有些複雜了，並且改動起來有風險，建議備份先）。
 
 
 
 
 
3.安裝tensorflow
 
 
 
 
 
 
 
 
 
雖然谷歌官網推薦使用anaconda的安全環境安裝，可是我覺的太麻煩，想用ipython notebook 或者 spyder 就很麻煩，不如直接安裝進去 site-packages
因此這裏 不用直接 進入終端，

 
 
 
 
# Python 2.7
$ conda create -n tensorflow python=2.7
 
 
 
 
$ source activate tensorflow
(tensorflow)$  # Your prompt should change
 
 
 
 
# Ubuntu/Linux 64-bit, CPU only:
(tensorflow)$ pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0rc0-cp27-none-linux_x86_64.whl

# Ubuntu/Linux 64-bit, GPU enabled. Requires CUDA toolkit 7.5 and CuDNN v4.  For
# other versions, see "Install from sources" below.
(tensorflow)$ pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.8.0rc0-cp27-none-linux_x86_64.whl
 
 
 
 
打開你的anaconda文件夾，找到envs 打開tensorflow 將sitepack-ages裏面的東西都考到 anaconda/lib/python2.7/sitepack-ages
 
 
 
 
 
 
 
 
 
4.運行tensorflow
 
 
 
 
 
 
 
 
 
 
 
 
 
打開終端，輸入 spyder 或者ipython notebook   就能夠實驗了
 
 
 
 
5.今天發現新辦法，安裝了anaconda以後
 
 
 
 
 
 
 
 
在終端直接輸入：conda install -c https://conda.anaconda.org/jjhelmus tensorflow 就能夠了，不用那麼麻煩了，由於將虛擬環境中一出來可能使conda命令失效，安裝了anaconda以後
若是說權限不夠的， 能夠 使用指令： sudo chmod 777 -R anaconda2  以後就能夠安裝tensorflow了
 conda install -c https://conda.anaconda.org/jjhelmus tensorflow
 
 
 
 
 
 
 
 
 
 
6.其他解決辦法：
 
 
 
 
若是你試了上面幾種辦法都很差用，那麼能夠下載tensorflow
 
 
 
 
https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0rc0-cp27-none-linux_x86_64.whl
 
 
，將whl文件放到你的anaconda2/lib/python2.7/site-packages/ 裏面，而後打開終端： pip install
 
 
tensorflow-0.8.0rc0-cp27-none-linux_x86_64.whl 就能夠了
 
 
 
 
 
 
 
13：test
在test以前，開啓gpu支持
 
 
 
  
$ export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/cuda/extras/CUPTI/lib64"
$ export CUDA_HOME=/usr/local/cuda
 
 
 
 
2017-9-15日更（成功）
下載1.2版本的whl文件：https://pypi.python.org/pypi/tensorflow-gpu/1.2.1
或者https://anaconda.org/anaconda/tensorflow-gpu
 
  
  
 
 
  
TensorBoard
 
  
TensorBoard的官網教程以下： 
https://www.tensorflow.org/versions/r0.7/how_tos/summaries_and_tensorboard/index.html
 
  
簡單解釋下：TensorBoard是個可視化工具，能夠用來查看TensorFlow的圖以及過程當中的各類值和圖像等。 
1. 在tensorflow程序中給須要的節點添加「summary operations」，「summary operations」會收集該節點的數據，並標記上第幾步、時間戳等標識，寫入事件文件。 
事件文件的形式以下所示： 
 
  
 
  
2. TensorBoard讀取事件文件，並可視化Tensorflow的流程。
 
 
 
 
 
  
Demo演示
 
  
     
   
  • 利用官網提供的例子進行演示，官方例子提供了一個基於mnist的例子，個人文件的路徑以下： 
    ~/libsource/tensorflow/tensorflow/examples/tutorials/mnist， 
    其中~/libsource/tensorflow/改成用戶本身的tensorflow路徑便可。 
    上述目錄下有一個mnist_with_summaries.py文件，即爲加入了「summary operations」的mnist demo。
    •  
   
  • 啓動mnist_with_summaries.py，
    •  
  
 
 
 
 
 
  
python mnist_with_summaries.py 
 
  
mnist_with_summaries.py的源碼以下：
 
 
 
 
 
  
# Copyright 2015 The TensorFlow Authors. All Rights Reserved. # # Licensed under the Apache License, Version 2.0 (the 'License'); # you may not use this file except in compliance with the License. # You may obtain a copy of the License at # # http://www.apache.org/licenses/LICENSE-2.0 # # Unless required by applicable law or agreed to in writing, software # distributed under the License is distributed on an 'AS IS' BASIS, # WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. # See the License for the specific language governing permissions and # limitations under the License. # ============================================================================== """A simple MNIST classifier which displays summaries in TensorBoard. This is an unimpressive MNIST model, but it is a good example of using tf.name_scope to make a graph legible in the TensorBoard graph explorer, and of naming summary tags so that they are grouped meaningfully in TensorBoard. It demonstrates the functionality of every TensorBoard dashboard. """ from __future__ import absolute_import from __future__ import division from __future__ import print_function import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data flags = tf.app.flags FLAGS = flags.FLAGS flags.DEFINE_boolean('fake_data', False, 'If true, uses fake data ' 'for unit testing.') flags.DEFINE_integer('max_steps', 1000, 'Number of steps to run trainer.') flags.DEFINE_float('learning_rate', 0.001, 'Initial learning rate.') flags.DEFINE_float('dropout', 0.9, 'Keep probability for training dropout.') flags.DEFINE_string('data_dir', '/tmp/data', 'Directory for storing data') flags.DEFINE_string('summaries_dir', '/tmp/mnist_logs', 'Summaries directory') def train(): # Import data mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True, fake_data=FLAGS.fake_data) sess = tf.InteractiveSession() # Create a multilayer model. # Input placehoolders with tf.name_scope('input'): x = tf.placeholder(tf.float32, [None, 784], name='x-input') y_ = tf.placeholder(tf.float32, [None, 10], name='y-input') with tf.name_scope('input_reshape'): image_shaped_input = tf.reshape(x, [-1, 28, 28, 1]) tf.image_summary('input', image_shaped_input, 10) # We can't initialize these variables to 0 - the network will get stuck. def weight_variable(shape): """Create a weight variable with appropriate initialization.""" initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial) def bias_variable(shape): """Create a bias variable with appropriate initialization.""" initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) def variable_summaries(var, name): """Attach a lot of summaries to a Tensor.""" with tf.name_scope('summaries'): mean = tf.reduce_mean(var) tf.scalar_summary('mean/' + name, mean) with tf.name_scope('stddev'): stddev = tf.sqrt(tf.reduce_sum(tf.square(var - mean))) tf.scalar_summary('sttdev/' + name, stddev) tf.scalar_summary('max/' + name, tf.reduce_max(var)) tf.scalar_summary('min/' + name, tf.reduce_min(var)) tf.histogram_summary(name, var) def nn_layer(input_tensor, input_dim, output_dim, layer_name, act=tf.nn.relu): """Reusable code for making a simple neural net layer. It does a matrix multiply, bias add, and then uses relu to nonlinearize. It also sets up name scoping so that the resultant graph is easy to read, and adds a number of summary ops. """ # Adding a name scope ensures logical grouping of the layers in the graph. with tf.name_scope(layer_name): # This Variable will hold the state of the weights for the layer with tf.name_scope('weights'): weights = weight_variable([input_dim, output_dim]) variable_summaries(weights, layer_name + '/weights') with tf.name_scope('biases'): biases = bias_variable([output_dim]) variable_summaries(biases, layer_name + '/biases') with tf.name_scope('Wx_plus_b'): preactivate = tf.matmul(input_tensor, weights) + biases tf.histogram_summary(layer_name + '/pre_activations', preactivate) activations = act(preactivate, 'activation') tf.histogram_summary(layer_name + '/activations', activations) return activations hidden1 = nn_layer(x, 784, 500, 'layer1') with tf.name_scope('dropout'): keep_prob = tf.placeholder(tf.float32) tf.scalar_summary('dropout_keep_probability', keep_prob) dropped = tf.nn.dropout(hidden1, keep_prob) y = nn_layer(dropped, 500, 10, 'layer2', act=tf.nn.softmax) with tf.name_scope('cross_entropy'): diff = y_ * tf.log(y) with tf.name_scope('total'): cross_entropy = -tf.reduce_mean(diff) tf.scalar_summary('cross entropy', cross_entropy) with tf.name_scope('train'): train_step = tf.train.AdamOptimizer(FLAGS.learning_rate).minimize( cross_entropy) with tf.name_scope('accuracy'): with tf.name_scope('correct_prediction'): correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) with tf.name_scope('accuracy'): accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) tf.scalar_summary('accuracy', accuracy) # Merge all the summaries and write them out to /tmp/mnist_logs (by default) merged = tf.merge_all_summaries() train_writer = tf.train.SummaryWriter(FLAGS.summaries_dir + '/train', sess.graph) test_writer = tf.train.SummaryWriter(FLAGS.summaries_dir + '/test') tf.initialize_all_variables().run() # Train the model, and also write summaries. # Every 10th step, measure test-set accuracy, and write test summaries # All other steps, run train_step on training data, & add training summaries def feed_dict(train): """Make a TensorFlow feed_dict: maps data onto Tensor placeholders.""" if train or FLAGS.fake_data: xs, ys = mnist.train.next_batch(100, fake_data=FLAGS.fake_data) k = FLAGS.dropout else: xs, ys = mnist.test.images, mnist.test.labels k = 1.0 return {x: xs, y_: ys, keep_prob: k} for i in range(FLAGS.max_steps): if i % 10 == 0: # Record summaries and test-set accuracy summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False)) test_writer.add_summary(summary, i) print('Accuracy at step %s: %s' % (i, acc)) else: # Record train set summaries, and train if i % 100 == 99: # Record execution stats run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE) run_metadata = tf.RunMetadata() summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True), options=run_options, run_metadata=run_metadata) train_writer.add_run_metadata(run_metadata, 'step%d' % i) train_writer.add_summary(summary, i) print('Adding run metadata for', i) else: # Record a summary summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True)) train_writer.add_summary(summary, i) def main(_): if tf.gfile.Exists(FLAGS.summaries_dir): tf.gfile.DeleteRecursively(FLAGS.summaries_dir) tf.gfile.MakeDirs(FLAGS.summaries_dir) train() if __name__ == '__main__': tf.app.run()
 
  
其中
 
 
 
 
 
  
flags.DEFINE_string('summaries_dir', '/tmp/mnist_logs', 'Summaries directory')
 
  
標識了事件文件的輸出路徑。該例中，輸出路徑爲/tmp/mnist_logs
 
  
     
   
  • 打開TensorBoard服務
    •  
  
 
 
 
 
 
  
tensorboard --logdir=/tmp/mnist_logs/ 
 
  
     
   
  • 在瀏覽器中進行瀏覽http://0.0.0.0:6006，在這個可視化界面中，能夠查看tensorflow圖和各類中間輸出等。
    •  
  
 
  
 
    
  
 
  

      
  
 
  

      
  
 
  

    TensorBoard的不過是個調試工具，看起來很酷炫有沒有，但怎麼充分利用，我想仍是要對tensorflow充分了解。下面要轉向對tensorflow的學習中了。 
  
 
  

      
  
 
  

      
  
 
  

      
  
 
  
 
   
 
    
Error 2 Bug解決
 
    
經過pip方式安裝的tensorflow，在使用tensorboard的時候，可能會出現以下Bug：
 
   
 
   
 
    
WARNING:tensorflow:IOError [Errno 2] No such file or directory: '/usr/local/lib/python2.7/dist-packages/tensorflow/tensorboard/TAG' on path /usr/local/lib/python2.7/dist-packages/tensorflow/tensorboard/TAG WARNING:tensorflow:Unable to read TensorBoard tag Starting TensorBoard on port 6006 
 
    
解決方案： 
下載tensorflow的github的源代碼，將tensorflow的tensorboard目錄下的TAG文件拷貝到python下面的tensorboard目錄下便可，個人目錄以下：
 
   
 
   
 
    
sudo cp ~/libsource/tensorflow/tensorflow/tensorflow/tensorboard/TAG /usr/local/lib/python2.7/dist-packages/tensorflow/tensorboard/
 
   
 
  
 
 
 



        

            

        	





    

		

            
相關文章

            

                

                

                    

                

            


            
相關標籤/搜索

            
        


    

        

            

        

        

        
        

        

        

    




	

    





    

    	

    

        每日一句
    

    
    
    	每一个你不满意的现在，都有一个你没有努力的曾经。
    







    

    


    



    

        本站公眾號
    

    

           歡迎關注本站公眾號,獲取更多信息

        
    




    

    




	


	







    

        聯繫我們
        最近搜索
        最新文章
        
        沪ICP备13005482号-10

            MyBatis教程
            SQL 教程
            MySQL教程
            Java 教程
            Thymeleaf 教程
            Hibernate教程
            Spring教程 
            Redis教程