Ubuntu下anaconda安裝，Tensorflow配置及在Pycharm平臺開發

anaconda下載及虛擬環境配置

anaconda官方下載地址

我們選擇Python 3.7 version 即可
下載完成後在下載目錄有這樣一個文件

打開終端執行命令

出現圖片上結果之後一直按回車直到出現Please answer yes or no

這時輸入yes回車
表示安裝在此目錄下，可以直接回車!

輸入yes 回車
上圖是安裝完成後界面

我們重新打開一個終端
也許你的終端出現(base)字樣
說明默認進入了base虛擬環境

輸入 conda deactivate 可以退出虛擬環境，但這不是永久性的操作
我們可以在主目錄下找到.bashrc文件（需要開啓顯示隱藏文件）在最後一行加入 conda deactivate保存後退出，之後就不會打開終端默認進入base環境了

這裏推薦打開終端輸入conda upgrade --all 更新一下工具包

如果想要進入剛剛的base環境可以輸入conda activate base
或者Conda activate 也是默認進入base環境
可以查看一下自己python版本，是下載anaconda時候預裝的3.7版本，且可以看到Anaconda，Inc. on linux 字樣

當然我們也可以自己創建虛擬環境，以滿足開發過程中不同環境的需要
conda create -n python36 python=3.6
python36是自己起的名字，python=3.6爲指定python的版本

因爲預裝的是3.7環境，如果創建3.6版本的話需要下載一些東西，出現上面的界面後，輸入yes即可完成創建

進入自己創建的環境和退出操作如下

conda常用命令
conda remove -n python36 --all 刪除環境
conda info --env查看已有的環境

$ # conda的包管理類似pip
$ conda install scipy # conda安裝scipy
$ conda list # 查看已經安裝的packages
$ conda list -n tensotflow # 查看某個指定環境的已安裝包
$ conda search numpy # 查找package信息
$ conda install -n tensotflow numpy # 安裝某個指定環境的package
$ # 如果不用-n指定環境名稱，則被安裝在當前活躍環境，也可以通過-c指定通過某個channel安裝
$ conda update -n tensotflow numpy # 更新package
$ conda remove -n tensotflow numpy # 刪除package

#當然你也可以使用pip命令安裝
也許你的環境下現在還不能使用pip命令，需要配置一下
python -m pip install -U pip
安裝完成就可以使用pip了

Tensorflow環境配置

進入你想要安裝tensorflow的虛擬環境
輸入
Conda install tensorflow=1.14 安裝即可

注：最新的tensorflow已經到了2.0版本，conda中tensorflow版本也更新到了2.0，如果不指定版本Conda install tensorflow將默認安裝2.0版本，2.0版本中許多函數都發生了變化，因爲目前很多學習資料都是基於老版本的，如果是萌新的話建議指定安裝老版本

利用Pycharm進行開發

Linux下pycharm的安裝在此不詳細介紹
直接進入環境配置

如何在pycharm中用上conda虛擬環境呢
如果你已經創建了一個project，想把當前project環境切換到conda創建的虛擬環境可以這麼操作
File ->settings

上圖是已經配置好的界面，解釋器已經是conda下的python36

初次設置時候也許conda環境不能直接選擇，需要手動添加
點擊右上小齒輪->showall->+號
左側選擇Conda Environment->再選擇existing environment，或許可選的解釋器沒有我們想要的（如果已近可以直接選了，那選擇，一路OK下去就結束了），比如python36，可以點擊三個小點按如下地址尋找

找到之後，一路OK即可

之後我們就可以在剛剛點+號的這個頁面選擇conda環境了

下面簡單介紹一下新建project而且是使用conda環境的操作
File->new project->自己設置好project名字->點開下面小三角配置解釋器或許你要的環境在已經存在的解釋器（Existing interpreter）裏並不能直接選擇（如下圖），那就點Existing interpreter那一欄尾部的三個小點，像剛纔一樣手動選擇即可

到此環境就已經配置好了，下面給出一段基礎的tensorflow手寫數字識別的代碼可以驗證一下有沒有安裝成功（運行時候會先下載數據集，網絡不好的話會下載的比較慢，也可以在此數據集官網下載，放在工程文件夾主目錄即可MNIST）

from tensorflow.examples.tutorials.mnist  import input_data
import os
import tensorflow as tf
import numpy as np
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# 載入數據集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)


# 每個批次的大小
batch_size = 100
# 計算一共有多少個批次
n_batch = mnist.train.num_examples //batch_size
print(n_batch)
# 定義兩個placeholder
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])

#創建簡單的神經網絡
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))#只要列匹配就可以，會對每一行都加上
prediction = tf.nn.softmax(tf.matmul(x, W)+b)
#二次代價函數
loss = tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#初始化設置
init = tf.global_variables_initializer()
#結果存放在一個布爾型列表中
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一維張量中最大的值所在的位置，0行1列，每一行轉化成一個數字
#求準確率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
with tf.Session() as sess:
    sess.run(init)
    for epoch in range(21):
        for batch in range(n_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)
            sess.run(train_step,feed_dict={x: batch_xs, y: batch_ys})
        acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
        print("ITER"+str(epoch)+",Testing Accuracy" + str(acc))