Conclusion d'abord

** TensorFlow 2.1.0 est maintenant disponible sur Python 3.7 sous Windows 10! ** **

Préface

L'autre jour, j'ai essayé d'utiliser TensorFlow 2.1.0 en utilisant l'environnement de Google Colab. J'ai été impressionné par le fait qu'il était pratique de l'utiliser sans aucune préparation, mais j'ai essayé de créer un environnement et de le tester car je voulais l'exécuter sur une machine locale et également sur le Jupyter Notebook que j'utilisais depuis longtemps. ..

Il sera construit à partir de l'Anaconda installé.

Écoulement brutal

Créez un nouvel environnement virtuel avec ** Anaconda Navigtor **
Installez ** Microsoft Visual C ++ Redistributable Package ** pour Visual Studio 2015, 2017 et 2019
Installez des bibliothèques telles que ** TensorFlow, matplotlib ** avec Anaconda Navigtor
Confirmation de l'installation
Déplaçons ** TensorFlow 2.0 ** pour reconnaître les caractères manuscrits Je suis resté coincé dans deux éléments. Il semble que vous deviez installer des packages supplémentaires pour utiliser ** TensorFlow 2.1.0 ** C'est peut-être le moment où vous devez vous soucier de l'installation de ** TensorFlow 2.1.0 ** sur ** Windows 10 **?

1. Créez un nouvel environnement avec Anaconda Navigator

Si vous ne prévoyez pas d'utiliser différents environnements virtuels, vous pouvez utiliser root, vous n'avez donc pas à faire le travail de cet élément. Démarrez Anaconda Navigtor, sélectionnez l'environnement dans le menu de gauche, appuyez sur créer, choisissez le nom de l'environnement, sélectionnez la version Python 3.7 et créez. (Cela prend un peu de temps)

2. Installez le package redistribuable Microsoft Visual C ++ pour Visual Studio 2015, 2017 et 2019

https://support.microsoft.com/en-us/help/2977003/the-latest-supported-visual-c-downloads/ Téléchargez et installez le package redistribuable Microsoft Visual C ++ pour Visual Studio 2015, 2017 et 2019 à partir de l'url ci-dessus. TensorFlow 2.1.0 et les versions ultérieures semblent nécessiter le fichier msvcp140_1.dll inclus dans ce package.

Ce fichier lui-même est inclus dans Visual Studio 2019, donc si vous avez installé VS 2019, tout va bien.

3. Installez des bibliothèques telles que Tensorflow et matplotlib avec Anaconda Navigtor

Il est presque temps de finir aussi loin. Revenez à ** Anaconda Navigator **, sélectionnez l'environnement généré par l'environnement, définissez l'élément à gauche du menu de droite sur TOUT ou Non installé, recherchez ** tensorflow, matplotlib **, ajoutez une case à cocher et appliquez. Installez-le. ** TensorFlow 2.1.0 ** est une bibliothèque assez volumineuse, donc l'installation prendra un certain temps, mais attendons.

4. Confirmation de l'installation

Sélectionnez ouvrir avec Python dans le bouton de lecture à droite du nom de l'environnement ** Anaconda Navigator ** pour ouvrir une invite de commande. Exécutez maintenant ce qui suit pour importer et vérifier la version de TensorFlow, et s'il n'y a pas d'erreur, l'installation a réussi!

import tensorflow
print(tf.__version__)

Warning! HDF5 library version mismatched error Si vous obtenez une erreur comme celle-ci, il est possible que la bibliothèque HDF5 présente une incohérence de version. Après avoir vérifié l'opération une fois, ce phénomène s'est produit et TensorFlow n'a pas pu être importé. J'ai réinstallé la bibliothèque HDF5 et elle a été guérie.

pip uninstall h5py
pip install --user h5py

5. Déplaçons TensorFlow 2.0 pour reconnaître les caractères manuscrits

C'est la fin de la création de l'environnement pour TensorFlow 2.1.0! Enfin, nous allons construire et former un réseau de neurones en faisant référence à «Introduction à TensorFlow 2.0 pour les débutants» sur le site officiel de TensorFlow. Lancez Jupyter Notebook et exécutez le code suivant.

Tout d'abord, prenez un ensemble de données d'apprentissage appelé mnist pour la reconnaissance d'image, etc. et construisez un modèle du réseau neuronal.

`Charger un jeu de données, créer un modèle`


from __future__ import absolute_import, division, print_function, unicode_literals
#Installez TensorFlow
import tensorflow as tf
#Lire un jeu de données à partir de mnist
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
#Définition et construction d'un modèle de réseau neuronal
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

`Formation et évaluation de modèles`


model.fit(x_train, y_train, batch_size=32, epochs=5)
model.evaluate(x_test,  y_test, verbose=2)

Voici les progrès et les résultats de la formation.

`Afficher le contenu de l'ensemble de données`


#Importer la bibliothèque d'aide
import numpy as np
import matplotlib.pyplot as plt
#10 données*Sortie à 6
for i in range(0,60):
  plt.subplot(6,10,i+1)
  plt.imshow(x_train[i],cmap='gray')
plt.show()
print(y_train[0:60])

Le contenu de l'ensemble de données ressemble à ceci. Vous pouvez voir qu'il contient 28 * 28 données d'image numérotées manuscrites et des étiquettes numériques.

en conclusion

J'ai utilisé ** TensorFlow 2.1.0 sur Python 3.7 ** sur Windows 10 et formé un modèle de réseau neuronal basé sur un ensemble de données de nombres manuscrits de mnist. Ensuite, j'aimerais prédire les chiffres manuscrits que j'ai préparés.

La source

"Installation de TensorFlow avec pip" https://www.tensorflow.org/install/pip?hl=ja#windows

[PYTHON] Utilisez Tensorflow 2.1.0 avec Anaconda sur Windows 10!