如何在本地开发和微信服务端进行联调?详细的方法步骤
一.python3.5下载(跳过)
下载地址: [https://www.python.org/downloads/release/python-350/] 安装方法: [https://jingyan.baidu.com/article/29697b9158e688ab21de3c75.html]
二.下载anaconda(自带python 3.5)
【资料图】
最好下载3-4.2.0 下载地址 安装方法
三.下载安装tensorflow
在anaconda prompt 里敲命令安装tensorflow(一定要用管理员打开anaconda prompt不然可能报cmd 不是内部指令 若无法解决自行百度) 安装方法 https://www.cnblogs.com/ming-4/p/11516728.html 如果出现错误 解决办法 如果该解决方法里的命令不对,看他的评论然后又遇到了 查看python版本和pip版本
实在不行,考虑换镜像。
pip install https://mirrors.tuna.tsinghua.edu.cn/tensorflow/windows/cpu/tensorflow-1.1.0-cp35-cp35m-win_amd64.whl
作者链接
很明显我是小白,走到弯路不比你们少。 (到这的步骤已经搞了一上午) 用Spyder 测试Tensorflow安装成功(感谢凡哥提供,转载于 悲恋花丶无心之人) 如果进入Spyder import tensorflow 没找到 tensorflow 点击参照方法二
四.python 手写体识别
import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_dataimport osos.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"# 定义一个全局对象来获取参数的值,在程序中使用(eg:FLAGS.iteration)来引用参数FLAGS = tf.app.flags.FLAGS# 设置训练相关参数tf.app.flags.DEFINE_integer("iteration", 10001, "Iterations to train [1e4]")tf.app.flags.DEFINE_integer("disp_freq", 200, "Display the current results every display_freq iterations [1e2]")tf.app.flags.DEFINE_integer("train_batch_size", 100, "The size of batch images [128]")tf.app.flags.DEFINE_float("learning_rate", 0.1, "Learning rate of for adam [0.01]")tf.app.flags.DEFINE_string("log_dir", "logs", "Directory of logs.")def main(argv=None): # 0、准备训练/验证/测试数据集 mnist = input_data.read_data_sets("MNIST_data", one_hot=True) # 1、数据输入设计:使用 placeholder 将数据送入网络,None 表示张量的第一个维度可以是任意长度的 with tf.name_scope("Input"): X = tf.placeholder(dtype=tf.float32, shape=[None, 784], name="X_placeholder") Y = tf.placeholder(dtype=tf.int32, shape=[None, 10], name="Y_placeholder") # 2、前向网络设计 with tf.name_scope("Inference"): W = tf.Variable(initial_value=tf.random_normal(shape=[784, 10], stddev=0.01), name="Weights") b = tf.Variable(initial_value=tf.zeros(shape=[10]), name="bias") logits = tf.matmul(X, W) + b Y_pred = tf.nn.softmax(logits=logits) # 3、损失函数设计 with tf.name_scope("Loss"): # 求交叉熵损失 cross_entropy = tf.nn.softmax_cross_entropy_with_logits(labels=Y, logits=logits, name="cross_entropy") # 求平均 loss = tf.reduce_mean(cross_entropy, name="loss") # 4、参数学习算法设计 with tf.name_scope("Optimization"): optimizer = tf.train.GradientDescentOptimizer(FLAGS.learning_rate).minimize(loss) # 5、评估节点设计 with tf.name_scope("Evaluate"): # 返回验证集/测试集预测正确或错误的布尔值 correct_prediction = tf.equal(tf.argmax(Y_pred, 1), tf.argmax(Y, 1)) # 将布尔值转换为浮点数后,求平均准确率 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) print("~~~~~~~~~~~开始执行计算图~~~~~~~~~~~~~~") with tf.Session() as sess: summary_writer = tf.summary.FileWriter(logdir=FLAGS.log_dir, graph=sess.graph) # 初始化所有变量 sess.run(tf.global_variables_initializer()) total_loss = 0 for i in range(0, FLAGS.iteration): X_batch, Y_batch = mnist.train.next_batch(FLAGS.train_batch_size) _, loss_batch = sess.run([optimizer, loss], feed_dict={X: X_batch, Y: Y_batch}) total_loss += loss_batch if i % FLAGS.disp_freq == 0: val_acc = sess.run(accuracy, feed_dict={X: mnist.validation.images, Y: mnist.validation.labels}) if i == 0: print("step: {}, train_loss: {}, val_acc: {}".format(i, total_loss, val_acc)) else: print("step: {}, train_loss: {}, val_acc: {}".format(i, total_loss / FLAGS.disp_freq, val_acc)) total_loss = 0 test_acc = sess.run(accuracy, feed_dict={X: mnist.test.images, Y: mnist.test.labels}) print("test accuracy: {}".format(test_acc)) summary_writer.close()# 执行main函数if __name__ == "__main__": tf.app.run()
# -*- coding: utf-8 -*-"""Created on Mon Feb 24 16:18:26 2020TREEGER@author: Administrator"""import tensorflow as tfimport sslssl._create_default_https_context = ssl._create_unverified_contextfrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("./mnist_data/", one_hot=True)learning_rate = 0.005training_epochs = 20batch_size = 100batch_count = int(mnist.train.num_examples / batch_size)n_hidden_1 = 256n_hidden_2 = 256n_input = 784n_classes = 10 # (0-9 数字)X = tf.placeholder("float", [None, n_input])Y = tf.placeholder("float", [None, n_classes])weights = {"weight1": tf.Variable(tf.random_normal([n_input, n_hidden_1])), "weight2": tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])), "out": tf.Variable(tf.random_normal([n_hidden_2, n_classes]))}biases = {"bias1": tf.Variable(tf.random_normal([n_hidden_1])), "bias2": tf.Variable(tf.random_normal([n_hidden_2])), "out": tf.Variable(tf.random_normal([n_classes]))}def multilayer_perceptron_model(x): layer_1 = tf.add(tf.matmul(x, weights["weight1"]), biases["bias1"]) layer_2 = tf.add(tf.matmul(layer_1, weights["weight2"]), biases["bias2"]) out_layer = tf.matmul(layer_2, weights["out"]) + biases["out"] return out_layerlogits = multilayer_perceptron_model(X)loss_op = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y))optimizer = tf.train.GradientDescentOptimizer(learning_rate)# optimizer = tf.train.MomentumOptimizer(learning_rate,0.2)# optimizer = tf.train.AdagradOptimizer(learning_rate)# optimizer = tf.train.AdamOptimizer(learning_rate)train_op = optimizer.minimize(loss_op)init = tf.global_variables_initializer() # 参数初始化with tf.Session() as sess: sess.run(init) for epoch in range(training_epochs): # range(150):training_epochs avg_cost = 0. for i in range(batch_count): train_x, train_y = mnist.train.next_batch(batch_size) _, c = sess.run([train_op, loss_op], feed_dict={X: train_x, Y: train_y}) avg_cost += c / batch_count print("Epoch:", "%02d" % (epoch + 1), "avg cost={:.6f}".format(avg_cost)) pred = tf.nn.softmax(logits) # Apply softmax to logits correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(Y, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) print("Accuracy:", accuracy.eval({X: mnist.test.images, Y: mnist.test.labels}))
标签:
相关推荐:
最新新闻:
- 精彩看点:最受程序员喜爱的8款代码编辑器 你喜欢哪一款?
- 经典摄影技巧有哪些?经典摄影技巧分享_全球快播
- 每日消息!如何用手机访问自动跳转到手机版?操作方法步骤
- Java免费开发工具有哪些?Java开发工具包汇总:最新快讯
- 美国英语布局的变体——MicrosoftNetwork_环球热头条
- 小学生拼音熟记顺口溜 暑期让孩子牢牢掌握汉语拼音 世界今日报
- idx是什么文件?idx文件怎么打开?|快讯
- 【组装电脑配置清单】组装电脑报价及配置清单
- 以太网或令牌环物理地址——ARP缓存
- 如何在本地开发和微信服务端进行联调?详细的方法步骤
- python3.5下载+tensorflow安装教程 python安装tensorflow的方法_天天热头条
- 安卓手机输入法怎么设置?安卓手机输入法设置正确步骤
- 手机号如何注册谷歌邮箱?免费域名网站推荐-消息
- 【计算】边缘水平边缘竖直边缘计算 Robert详解:全球速讯
- linux中Gy模式什么意思?一文读懂重要极端微生物的生理特点
- 什么是databaselink?数据库中的databaselink是什么?
- 什么是二叉树的遍历?二叉树的遍历顺序规则是什么?
- 运维人员如何查看数据库的整体情况?详情介绍
- 反编译.class文件重新编译的方法有哪些?class字节码反编译操作过程-世界信息
- 环球热资讯!工作做多少年就该换一份?如何应对背景调查?
- 天天微头条丨internet选项在哪?如何打开ie浏览器的internet选项?
- 【模拟两人诈金花牌】手牌大小判断决定输赢
- 卸载MySQL重新安装:安装失败解决方法
- oppoa59s如何恢复出厂设置?oppoa59s恢复出厂设置方法:世界观热点
- 环球观热点:五种常见的网页自动跳转方法 搜索引擎的辨识能力有哪些?
- app里的隐形字符编码是什么?app里的隐形字符编码
- 如何打开、隐藏和关闭外部exe?详细的操作步骤 天天日报
- 消费机哪款好?推荐几款消费机产品:焦点热议
- 全球热议:洗衣机什么牌子好?洗衣机十大品牌排名榜
- 战术层出不穷 EU流永不过时 为什么会诞生这个战术?
- 种植牙危害到底有哪些?种植牙的五大危害 环球热消息
- 时讯:免费小巧的分屏软件 支持win7和win8系统
- 视频实时换脸明星动画 人工智能“换脸术”秒变大牌明星-天天报资讯
- 【adbshell】abd命令的使用方法|天天热门
- 魅族20系列首发游戏模式6.0|天天新要闻
- word里如何删除文本框?word删除文本框的操作方法
- 骨戒对剑魂的伤害提升有多大?测试结果告诉你|世界时讯
- 如何查看.dat文件内容?dat文件是什么意思?|天天播资讯
- 宫本茂认为他离世后任天堂也不会有变化_天天快播报
- 《塞尔达传说:王国之泪》官网确定游戏将推出DLC|世界观察
- 环球微速讯:Twitter已经解雇了产品经理Esther Crawford
- 世界热推荐:内存崩盘光威特价内存条仅需115元
- 恐怖生存游戏《森林之子》现已发售 热销榜登顶好评如潮!
- 5G时代: 多路径实现收入与资本效率:环球短讯
- 行业崩盘!威刚1TB固态硬盘仅需299元_新消息
- 高盛董事会批准300亿美元股票回购计划_讯息
- Paradox Interactive 2023发布会将于3/7举行:环球资讯
- 天天通讯!《匹诺曹的谎言》宣布推出实体版 全新预告释出
- 顾客疑给差评被商家曝光姓名住址 商家:没有泄露隐私:环球焦点
- 《宝可梦睡觉》今夏推出:和卡比兽一起呼呼大睡吧 天天资讯
- 荣耀Magic5 Pro发布:5000万像素 100倍变焦
- 《森林之子》没有捏脸引不满:性别歧视+种族歧视?|世界通讯
- 实时焦点:TV《火影忍者》20周年纪念PV公开 火之意志生生不息
- 《战地7》爆料:4代男主回归 新引擎开发-世界快资讯
- 新安洁2022年实现营收6亿元:增加信用减值损失约6100余万元:新动态
- 每日热讯!泰山站候车乘客集体呼呼大睡:6366级台阶专治不服
- 游客热衷打包柳州螺蛳粉 机场火车站:可以携带但途中不能吃|每日讯息
- DOTA2利马Major淘汰赛对阵出炉 两支中国队出局:天天关注
- 《刺客信条:RED》有双主角 计划在2024年发售
- 【当前独家】过于激动!杨紫琼获奖后没忍住飙出脏话
- 《超凡蜘蛛侠》彼得梅姨重聚!莎莉·菲尔德获美国演员工会终身成就奖-全球热门
- 今日热闻!诺基亚近60年来首次更换Logo 宣布改变业务战略方向
- 仅有巴掌大小 千兆路由器新品到手价99元:焦点热文
- 世界热门:新款特斯拉Model 3曝光:内饰升级 再次降价
- 中兴发布新路由器:方糖造型99元_环球热点
- 环球简讯:手机屏幕在太阳底下看不清_手机屏幕在线检测
- 黄晓明期盼丫丫早日回家 愿我们的国宝都能安全健康
- 听韩潇讲家乡话!《命运2》新资料片将加入中配
- 全球热讯:会“隐形”的冰箱即将登场!海信真空冰箱定义空间美学
- 【环球快播报】数字技术焕活文化遗产新纪元《中国文化遗产数字化研究报告》正式发布
- 小米米家智能温湿度计3大屏幕长续航,售价49元
- 全球速看:小米13 Lite发布:3663元 正式走向高端
- 世界速讯:高通详解骁龙X75 5G调制解调器,首个面向毫米波频段的十载波聚合
- 世界视点!万维望远镜
- 遭老罪喽!《狂飙》麻子变成景点:粉丝合影演驴哥_全球时快讯