【 python3.7+pycharm+tensorflow2.0+CPU下载安装配置】
2022/1/16 17:04:16
本文主要是介绍【 python3.7+pycharm+tensorflow2.0+CPU下载安装配置】,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
python3.7+pycharm+tensorflow2.0+CPU下载安装配置
博主查找了大量网上资源,发现大多数都是使用anaconda下载python和tensorflow配置的,由于博主之前安装了python3.7版本,想要不通过anaconda来进行tensorflow的安装,我觉得还挺简单的。方法大致如下,版本部分大家自行调整。
1、下载安装Python3.7和pycharm,网上已有大量博文,可以参考以下内容或者自行查找。
添加链接描述
2、下载tensorflow文件,附上参考链接,添加链接描述,按照对应的python版本号,选择合适的文件进行下载,下载过程几秒钟吧。博主选择是2.0.0/py37/CPU/avx2 下载之后文件名发生了改变,要将文件名改回来,改成如下形式。
3、安装tensorflow文件。用cmd管理员方式打开python文件夹下的Scripts文件,执行如下命令:
- pip install wheel
- pip install [.whl绝对路径]
这个时候tensorflow已经下载完成了,下载也挺快的不到一分钟,可以 运行 pip show tensorflow命令查看是否安装成功。
4、打开pycharm新建一个project,选择file/settings/python interpreter将python interpreter的路径改为之前下载的python.exe的路径。
5、测试代码,运行一下。
import tensorflow as tf tf.get_logger().setLevel('ERROR') tf.compat.v1.disable_eager_execution() # 保证session.run()能够正常运行 y_hat = tf.constant(36, name='y_hat') # Define y_hat constant. Set to 36. y = tf.constant(39, name='y') # Define y. Set to 39 loss = tf.Variable((y - y_hat) ** 2, name='loss') # Create a variable for the loss init = tf.compat.v1.global_variables_initializer() # When init is run later (session.run(init)), # the loss variable will be initialized and ready to be computed with tf.compat.v1.Session() as session: # Create a session and print the output session.run(init) # Initializes the variables print(session.run(loss))
至此,所有配置就完成了,还是比较快的,并没有想象中的那么麻烦。
希望大家可以从这篇文章有所收获!
这篇关于【 python3.7+pycharm+tensorflow2.0+CPU下载安装配置】的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-10-30tensorflow是什么-icode9专业技术文章分享
- 2024-10-15成功地使用本地的 NVIDIA GPU 运行 PyTorch 或 TensorFlow
- 2024-01-23供应链投毒预警 | 恶意Py包仿冒tensorflow AI框架实施后门投毒攻击
- 2024-01-19attributeerror: module 'tensorflow' has no attribute 'placeholder'
- 2024-01-19module 'tensorflow.compat.v2' has no attribute 'internal'
- 2023-07-17【2023年】第33天 Neural Networks and Deep Learning with TensorFlow
- 2023-07-10【2023年】第32天 Boosted Trees with TensorFlow 2.0(随机森林)
- 2023-07-09【2023年】第31天 Logistic Regression with TensorFlow 2.0(用TensorFlow进行逻辑回归)
- 2023-07-01【2023年】第30天 Supervised Learning with TensorFlow 2(用TensorFlow进行监督学习 2)
- 2023-06-18【2023年】第29天 Supervised Learning with TensorFlow 1(用TensorFlow进行监督学习 1)