在 Ubuntu16.04上安装anaconda+Spyder+TensorFlow（支持GPU）
TensorFlow 官方文档中文版
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、下载并安装Anaconda
下载方式
1.官方网站
目前最新版本Anaconda 4.3.1 For Linux。分Python3.6和2.7版本，32和64位 。选择合适版本
速度慢些
2.清华大学的Anaconda
速度快python
在清华大学 TUNA 镜像源选择对应的操做系统与所需的Python版本下载Anaconda安装包。Windows环境下的安装包直接执行.exe文件进行安装便可，Ubuntu环境下在终端执行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
安装方法
打开终端，进入Anaconda所在的文件夹下
运行该命令：bash Anaconda3-4.3.0-Linux-x86_64.shgit
这里注意，若是提示权限问题，可以使用：sudo bash Anaconda3-4.3.0-Linux-x86_64.sh
可是采用sudo这种方式会对接下来安装Tensorflow有点影响，下面细说。
Anaconda安装
在清华大学 TUNA 镜像源选择对应的操做系统与所需的Python版本下载Anaconda安装包。Windows环境下的安装包直接执行.exe文件进行安装便可，Ubuntu环境下在终端执行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
在安装的过程当中，会询问安装路径，按回车便可。以后会询问是否将Anaconda安装路径加入到环境变量（.bashrc)中，输入yes，这样之后在终端中输入python便可直接进入Anaconda的Python版本（若是你的系统中以前安装过Python，自行选择yes or no）。安装成功后，会有当前用户根目录下生成一个anaconda2的文件夹，里面就是安装好的内容express
查询安装信息apache
$ conda info
查询当前已经安装的库ubuntu
$ conda list
安装库(***表明库名称）
$ conda install ***
更新库
$ conda update ***
Anaconda仓库镜像
官方下载更新工具包的速度很慢，因此继续添加清华大学 TUNA提供的Anaconda仓库镜像，在终端或cmd中输入以下命令进行添加
$ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ $ conda config --set show_channel_urls yes $ conda install numpy #测试是否添加成功
以后会自动在用户根目录生成“.condarc”文件，Ubuntu环境下路径为~/.condarc，Windows环境下路径为C:\用户\your_user_name\.condarc
channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ - defaults show_channel_urls: yes
若是要删除镜像，直接删除“.condarc”文件便可
使用
1.安装好以后便可在终端输入spyder,相似pycharm的一个IDE
2.自带notebook IDE。打开方式，终端输入ipython notebook便可打开该IDE。关于notebook，可自行了解
3.Linux 自己安装的2.7版本仍然存在，Python3和anaconda合并
4.关于conda命令，终端输入conda list 便可查看已经安装的模块 。conda install * conda update *
5.综上，咱们安装好之后，从此使用ipython便可，方便好用
在ubuntu上卸载anaconda的步骤 ：
（一）删除整个anaconda目录：
因为Anaconda的安装文件都包含在一个目录中，因此直接将该目录删除便可。到包含整个anaconda目录的文件夹下，删除整个Anaconda目录：
rm -rf anaconda文件夹名
（二）建议清理下.bashrc中的Anaconda路径：
1.到根目录下，打开终端并输入：
sudo gedit ~/.bashrc
2.在.bashrc文件末尾用#号注释掉以前添加的路径(或直接删除)：
#export PATH=/home/lq/anaconda3/bin:$PATH
保存并关闭文件
3.使其当即生效，在终端执行：
source ~/.bashrc
4.关闭终端，而后再重启一个新的终端，这一步很重要，否则在原终端上仍是绑定有anaconda.
2、下载并安装Tensorflow
anaconda安装方式
$ 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
这里，若是想安装其余版本（CPU only 和 GPU support 都有）,参考
tensorflow on Ubuntu
注意：若是anaconda采用的是sudo 安装方式，则当前用户安装tensorflow时会提示权限不够，由于anaconda文件夹及其子文件（夹）的全部者和组都是root。这时须要修改：
$ sudo chown -R 用户 anaconda3/ $ sudo chgrp -R 用户 anaconda3/ （用户为本身用户名）
2. 创建一个tensorflow的运行环境
- # Python 2.7
- $ conda create -n tensorflow python=2.7
- # Python 3.4
- $ conda create -n tensorflow python=3.4
- # Python 3.5
- $ conda create -n tensorflow python=3.5
3.在conda环境中安装tensorflow
在conda环境中安装tensorflow的好处是能够便捷的管理tensorflow的依赖包。分为两个步骤：激活上一步创建的名为tensorflow的conda环境；用conda或者pip工具安装Tensorflow，做者选择的是pip方式。
3.1 pip方式
pip方式须要首先激活conda环境
- $ source activate tensorflow
而后根据要安装的不一样tensorflow版本选择对应的一条环境变量设置export语句（操做系统，Python版本，CPU版本仍是CPU+GPU版本）
- # Ubuntu/Linux 64-bit, CPU only, Python 2.7
- (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.10.0-cp27-none-linux_x86_64.whl
- # Ubuntu/Linux 64-bit, GPU enabled, Python 2.7
- # Requires CUDA toolkit 7.5 and CuDNN v5. For other versions, see "Install from sources" below.
- (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.10.0-cp27-none-linux_x86_64.whl
- # Mac OS X, CPU only, Python 2.7:
- (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-0.10.0-py2-none-any.whl
- # Mac OS X, GPU enabled, Python 2.7:
- (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/gpu/tensorflow-0.10.0-py2-none-any.whl
- # Ubuntu/Linux 64-bit, CPU only, Python 3.4
- (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.10.0-cp34-cp34m-linux_x86_64.whl
- # Ubuntu/Linux 64-bit, GPU enabled, Python 3.4
- # Requires CUDA toolkit 7.5 and CuDNN v5. For other versions, see "Install from sources" below.
- (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.10.0-cp34-cp34m-linux_x86_64.whl
- # Ubuntu/Linux 64-bit, CPU only, Python 3.5
- (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.10.0-cp35-cp35m-linux_x86_64.whl
- # Ubuntu/Linux 64-bit, GPU enabled, Python 3.5
- # Requires CUDA toolkit 7.5 and CuDNN v5. For other versions, see "Install from sources" below.
- (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.10.0-cp35-cp35m-linux_x86_64.whl
- # Mac OS X, CPU only, Python 3.4 or 3.5:
- (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-0.10.0-py3-none-any.whl
- # Mac OS X, GPU enabled, Python 3.4 or 3.5:
- (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/gpu/tensorflow-0.10.0-py3-none-any.whl
最后根据是python 2仍是３版本选择一句进行安装。
- # Python 2
- (tensorflow)$ pip install --ignore-installed --upgrade $TF_BINARY_URL
- # Python 3
- (tensorflow)$ pip3 install --ignore-installed --upgrade $TF_BINARY_URL
3.2 conda方式
conda上面目前有人已经作好了tensorflow的pkg，可是版本不必定最新，且只有CPU版本，不支持GPU。
步骤也是首先激活conda环境，而后调用conda install 语句安装.
- $ source activate tensorflow
- (tensorflow)$ # Your prompt should change
- # Linux/Mac OS X, Python 2.7/3.4/3.5, CPU only:
- (tensorflow)$ conda install -c conda-forge tensorflow
上面的步骤完成后，从conda环境中退出:
- (tensorflow)$ source deactivate
4. 测试安装
- $ source activate tensorflow
- (tensorflow)$ # Your prompt should change.
- # Run Python programs that use TensorFlow.
- ...
- # When you are done using TensorFlow, deactivate the environment.
- (tensorflow)$ source deactivate
tensorflow自带几个示例程序，详细位置以下：
…/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/models
Anaconda2是Anaconda的安装位置，第一个tensorflow为conda建立的名字为tensorflow的环境，第二个tensorflow即安装的tensorflow包。进入image下的mnist目录，而后运行python convolutional.py就是对mnist的训练过程。
5. spyder里import tensorflow报错显示没有tensorflow模块解决
安装完anaconda后anaconda会自带spyder这个IDE，可是咱们在打开这个IDE输入import tensorflow会显示没有TensorFlow这个模块的错误，不对啊，明明咱们已经安装了TensorFlow，并且在终端下也测试了没问题啊。这里我也查看了网上关于这个问题地许多教程，感受都不太明朗，这里给出我不知在哪儿看到的解决方案：
之因此会出现这个问题大概是anaconda自带的spyder没有工做在tensorflow环境下的缘由。想要在TensorFlow环境下使用spyder，那就在tensorflow环境下再安装一个spyder嘛。好，那咱们开始安装。
在tensorflow环境下，在终端用conda安装spyder。输入一下命令：
conda install spyder
而后会看见安装目录位于咱们以前建好的tensorflow环境下，也会看到安装spyder会安装许多依赖包，而后输入y，大概10分钟后就安装好了。这时咱们在终端输入spyder打开spyder，在IPython console下输入import tensorflow，若是没有报错则代表安装成功了。
总结：
注意每次要使用tensorflow时，必定要先在终端激活tensorflow环境：source activate tensorflow 而后输入spyder打开spyder,这里的这个spyder是tensorflow环境下的spyder,不使用tensorflow时使用如下命令关掉tensorflow环境source deactivate
在anaconda中建立了一个环境tensorflow，里面安装了tensorflow。
# 建立一个环境 conda create --name tensorflow python=2.7 # 使用一个环境 source activate tensorflow
而后在这个环境下打开spyder。而后import tensorflow，报错，说找不到tensorflow。
解决办法是在tensorflow这个环境下，安装spyder。
而后在这个环境下打开spyder：
这样就能够在spyder中使用tensorflow了：
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)
将其中的d:/dog.jpg 改为你的图片位置
而后点击上面工具栏里的绿色三角进行运行，最终显示
若是右下角“ Ipython console" 能显示出图片，说明咱们的运行环境安装成功。
咱们能够选择右上角的 ” variable explorer" 来查看图片信息，如
咱们能够把这个程序保存起来，注意python脚本文件的后缀名为py.
Protobuf pip 包 3.1
若是没有遇到和 protobuf pip 包相关的问题，你能够跳过这个部分。
注意： 若是你的 TensorFlow 运行缓慢，你可能遇到了一个 protobuf pip 包相关的问题。
TensorFlow pip 包依赖于 protobuf pip 包 3.1。 从 PyPI 下载的 protobuf 是 proto 序列化/反序列化的纯 Python 实现的库， 其速度比 C++ 实现慢10-50倍。Protobuf 支持二进制扩展，速度更快，基于 C++。 但该扩展没法在纯Python实现的 pip 包中获取。咱们制做了包含该二进制扩展的protobuf pip 包。 以下命令可安装该自定义的 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
安装这个 protobuf 包会覆盖已经存在的 protobuf 包。 注意该二进制 pip 包已经支持大于 64MB 的问题，修复了以下问题：
[libprotobuf ERROR google/protobuf/src/google/protobuf/io/coded_stream.cc:207]
Protocol message 被拒绝，由于太大（大于 67108864 字节）。
为增大限制或禁用报警，
在 google/protobuf/io/coded_stream.h 中查看 CodedInputStream::SetTotalBytesLimit()
Spyder报错：
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.
问题描述：
进入python3，而后import tensorflow，没法import，错误代码：libcudnn.so.6:cannot open sharedobject file: No such file or directory
问题解决：
pip uninstall tensorflow-gpupip install tensorflow-gpu==1.2
问题解释：
根据错误代码，应该是找不到libcudnn.so.6。这个时候笔者就没有注意最后是6而不是5，就开始各类试路径啊，硬连接软连接啥的。实质上是由于当前时间（2017.8），虽然tensorflow官网install教程里面说的是安装cudnn5.1，而tensorflow-gpu1.3已经开始去找cudnn6了（也就是说是用cudnn6编译的）。。。 理论上能够安装cudnn6试试看，但笔者自己没有追逐最新版的习惯（天知道还有什么新坑），因此直接换到了tensorflow-gpu1.2版本，就解决问题了。
另注：一般状况下这类问题是真的找不到文件，而不是找错文件。这个时候笔者一般会先查一下各类路径有没有设置错误（写错啊，路径之间的冒号啊），而后去指定路径看看有没有这个文件，最后去查一下连接问题（这个就有些复杂了，并且改动起来有风险，建议备份先）。
3.安装tensorflow
虽然谷歌官网推荐使用anaconda的安全环境安装，可是我觉的太麻烦，想用ipython notebook 或者 spyder 就很麻烦，不如直接安装进去 site-packages
因此这里 不用直接 进入终端，
# 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
打开你的anaconda文件夹，找到envs 打开tensorflow 将sitepack-ages里面的东西都考到 anaconda/lib/python2.7/sitepack-ages
4.运行tensorflow
打开终端，输入 spyder 或者ipython notebook 就能够实验了
5.今天发现新办法，安装了anaconda以后
在终端直接输入：conda install -c https://conda.anaconda.org/jjhelmus tensorflow 就能够了，不用那么麻烦了，由于将虚拟环境中一出来可能使conda命令失效，安装了anaconda以后
若是说权限不够的， 能够 使用指令： sudo chmod 777 -R anaconda2 以后就能够安装tensorflow了
conda install -c https://conda.anaconda.org/jjhelmus tensorflow
6.其他解决办法：
若是你试了上面几种办法都很差用，那么能够下载tensorflow
https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0rc0-cp27-none-linux_x86_64.whl
，将whl文件放到你的anaconda2/lib/python2.7/site-packages/ 里面，而后打开终端： pip install
tensorflow-0.8.0rc0-cp27-none-linux_x86_64.whl 就能够了
13：test
在test以前，开启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）
下载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的官网教程以下：
https://www.tensorflow.org/versions/r0.7/how_tos/summaries_and_tensorboard/index.html
简单解释下：TensorBoard是个可视化工具，能够用来查看TensorFlow的图以及过程当中的各类值和图像等。
1. 在tensorflow程序中给须要的节点添加“summary operations”，“summary operations”会收集该节点的数据，并标记上第几步、时间戳等标识，写入事件文件。
事件文件的形式以下所示：
2. TensorBoard读取事件文件，并可视化Tensorflow的流程。
Demo演示
- 利用官网提供的例子进行演示，官方例子提供了一个基于mnist的例子，个人文件的路径以下：
~/libsource/tensorflow/tensorflow/examples/tutorials/mnist，
其中~/libsource/tensorflow/改成用户本身的tensorflow路径便可。
上述目录下有一个mnist_with_summaries.py文件，即为加入了“summary operations”的mnist demo。 - 启动mnist_with_summaries.py，
python mnist_with_summaries.py
mnist_with_summaries.py的源码以下：
# 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')
标识了事件文件的输出路径。该例中，输出路径为/tmp/mnist_logs
- 打开TensorBoard服务
tensorboard --logdir=/tmp/mnist_logs/
- 在浏览器中进行浏览http://0.0.0.0:6006，在这个可视化界面中，能够查看tensorflow图和各类中间输出等。
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
解决方案：
下载tensorflow的github的源代码，将tensorflow的tensorboard目录下的TAG文件拷贝到python下面的tensorboard目录下便可，个人目录以下：
sudo cp ~/libsource/tensorflow/tensorflow/tensorflow/tensorboard/TAG /usr/local/lib/python2.7/dist-packages/tensorflow/tensorboard/
- 1. ubuntu16.04安装opencv3.4.1(支持cuda9)
- 2. Ubuntu16.04 安装anaconda3支持python3
- 3. Ubuntu16.04 安装MXNet GPU
- 4. Caffe Ubuntu16.04 GPU安装
- 5. Kubernetes安装GPU支持插件
- 6. Ubuntu16.04安装32位支持库
- 7. ubuntu16.04 LTS安装Tensorflow-gpu（python）
- 8. Ubuntu16.04安装apollo2.5(GPU版本)
- 9. ubuntu16.04下caffe安装(GPU版)
- 10. ubuntu16.04 + caffe + SSD + gpu 安装
- 更多相关文章...
- • R 绘图 - 中文支持 - R 语言教程
- • PHP 安装 - PHP教程
- • Composer 安装与使用
- • IntelliJ IDEA安装代码格式化插件
-
每一个你不满意的现在，都有一个你没有努力的曾经。
- 1. ubuntu16.04安装opencv3.4.1(支持cuda9)
- 2. Ubuntu16.04 安装anaconda3支持python3
- 3. Ubuntu16.04 安装MXNet GPU
- 4. Caffe Ubuntu16.04 GPU安装
- 5. Kubernetes安装GPU支持插件
- 6. Ubuntu16.04安装32位支持库
- 7. ubuntu16.04 LTS安装Tensorflow-gpu（python）
- 8. Ubuntu16.04安装apollo2.5(GPU版本)
- 9. ubuntu16.04下caffe安装(GPU版)
- 10. ubuntu16.04 + caffe + SSD + gpu 安装