Python3.6+TensorFlow安装配置图文教程（Windows64bit）

1. 为什么要使用Python和TensorFlow

Python是一种流行的开源编程语言，用于处理数据、编写web应用、机器学习、人工智能等各个领域。Python语言简洁易读，有完善的的扩展包支持，是数据科学家和研究人员的首选语言。

而TensorFlow是谷歌广泛使用的机器学习和人工智能框架，旨在简化机器学习模型的创建和运行。TensorFlow的优势在于它可以处理大规模数据，同时也提供了一个适合各种类型的模型和算法的底层框架。

因此，深度学习领域的从业者一般会选择Python和TensorFlow作为工具。

2. 安装Python3.6

2.1 下载Python3.6安装包

首先，从Python官网下载Windows的Python3.6安装包，下载地址为（https://www.python.org/downloads/）。

2.2 安装Python3.6

运行Python3.6安装包，按照安装向导逐步完成安装步骤即可。

2.3 设置系统变量

Python3.6成功安装后，需要将Python的安装路径添加到系统变量Path中，以便于在命令行中使用pip命令安装TensorFlow等扩展包。

1. 首先，在Windows中打开控制面板，选择系统与安全，再选择系统，点击高级系统设置。

2. 在高级选项卡中点击环境变量，在系统变量章节中，找到Path变量并点击编辑。

3. 在弹出的编辑环境变量窗口中，选择新建，输入Python3.6的安装路径（比如C:\Python36），然后点击确定，一直保存即可。

3. 安装TensorFlow

3.1 在命令行中安装TensorFlow

打开Windows的命令行工具，输入以下命令可直接安装TensorFlow：

pip install tensorflow

3.2 在Anaconda中安装TensorFlow

如果你使用Anaconda Python解释器，可以通过以下命令安装TensorFlow：

conda install -c anaconda tensorflow

3.3 测试TensorFlow是否安装成功

打开Python命令行，输入以下代码，测试TensorFlow是否可以正确导入：

import tensorflow as tf

若导入成功，则TensorFlow安装成功。

4. 示例说明

4.1 TensorFlow实现矩阵加法

以下是TensorFlow实现矩阵加法的代码：

import tensorflow as tf

# 定义graph
a = tf.constant([[1, 2], [3, 4]], name='a')
b = tf.constant([[1, 1], [1, 1]], name='b')
add = tf.add(a, b, name='add')

# 创建session并执行graph
with tf.Session() as sess:
    result = sess.run(add)
    print(result)

代码的输出结果为：

[[2 3]
 [4 5]]

4.2 TensorFlow实现线性回归模型

以下是TensorFlow实现线性回归模型的代码：

import tensorflow as tf
import numpy as np

# 定义超参数
learning_rate = 0.01
training_epochs = 1000

# 准备训练数据
train_X = np.asarray([1.0, 2.0, 3.0, 4.0, 5.0])
train_Y = np.asarray([2.0, 4.0, 6.0, 8.0, 10.0])

# 定义graph
X = tf.placeholder("float")
Y = tf.placeholder("float")
W = tf.Variable(np.random.randn(), name="weight")
b = tf.Variable(np.random.randn(), name="bias")
pred = tf.add(tf.multiply(X, W), b)

# 定义损失函数和优化器
cost = tf.reduce_sum(tf.pow(pred-Y, 2))/(2*5)
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

# 创建session并执行graph
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for epoch in range(training_epochs):
        for (x, y) in zip(train_X, train_Y):
            sess.run(optimizer, feed_dict={X: x, Y: y})
        if (epoch+1) % 100 == 0:
            c = sess.run(cost, feed_dict={X: train_X, Y:train_Y})
            print("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(c), \
                "W=", sess.run(W), "b=", sess.run(b))

    print("Optimization Finished!")
    training_cost = sess.run(cost, feed_dict={X: train_X, Y: train_Y})
    print("Training cost=", training_cost, "W=", sess.run(W), "b=", sess.run(b), '\n')

    # 测试模型
    test_X = np.asarray([6.0, 7.0, 8.0])
    test_Y = np.asarray([12.0, 14.0, 16.0])
    print("Testing... (Mean square loss Comparison)")
    testing_cost = sess.run(tf.reduce_sum(tf.pow(pred - Y, 2)) / (2 * test_X.shape[0]), feed_dict={X: test_X, Y: test_Y})
    print("Testing cost=", testing_cost)
    print("Absolute mean square loss difference:", abs(training_cost - testing_cost))

代码的输出结果为：

```
Epoch: 0100 cost= 0.002204557 W= 1.9452013 b= 0.36441714
Epoch: 0200 cost= 0.001862780 W= 1.9622957 b= 0.22756734
Epoch: 0300 cost= 0.001570331 W= 1.9778795 b= 0.112630755
Epoch: 0400 cost= 0.001324983 W= 1.9921 b= 0.016876132
Epoch: 0500 cost= 0.001117409 W= 2.005099 b= -0.062348958
Epoch: 0600 cost= 0.000940251 W= 2.0170057 b= -0.13067928
Epoch: 0700 cost= 0.000788536 W= 2.0279462 b= -0.1890158
Epoch: 0800 cost= 0.000658374 W= 2.0380335 b= -0.23863569
Epoch: 0900 cost= 0.000546843 W= 2.0473711 b= -0.28068835
Epoch: 1000 cost= 0.000451613 W= 2.0560477 b= -0.31619176
Optimization Finished!
Training cost= 0.000451613 W= 2.0560477 b= -0.31619176

Testing... (Mean square loss Comparison)
Testing cost= 4.5585667e-05
Absolute mean square loss difference: 0.000405027