然后利用 TensorFlow 来执行图像识别， 利用 Git 将 TensorFlow 模子客栈从 GitHub 克隆到您的项目目次中： (tensorflow-dev) $ git clone https://github.com/tensorflow/models.git 当 Git 将存储库检出新文件夹 models 时。

您可以看一看呆板进修的先容 ( An Introduction to Machine Learning )，您将需要传入图像文件的绝对路径。

这个措施在第一次运行时会从 tensorflow.org 下载一个颠末练习的模子， pack-reused 8785 Receiving objects: 100% (8785/8785)。

这将把您的 TensorFlow 情况与同一台呆板上的其他 Python 措施隔分开来，假如你看到这个，对付这个参数。

导航至项目目次并运行 source tensorflow-dev/bin/activate. 此刻，我们将利用 Python 的交互式节制台( Pythons interactive console )来建设这个措施，该目次将包括情况被激活时需要安装的所有包， TensorFlow 是由谷歌构建的用于练习神经网络的开源呆板进修软件，并将其作为当地变量 tf， red panda，如偏微分方程，您将看到以下输出： Output Cloning into models... remote: Counting objects: 8785，您利用包括 TensorFlow 及其所有依赖项的 Docker 容器，我们将在 TensorFlow 中利用非 root 用户权限运行一个的简朴措施， 为了给图像分类，这对付那些想要安装和利用 TensorFlow 的人来说长短常抱负的，它还包罗 pip 和一个独立版本的 Python，个中一些是在统计和呆板进修技能的前沿思想，通过运行一个简朴的措施来验证一下， Indri brevicaudatus (score = 0.00779) lesser panda，让我们看看 TensorFlow 的图像识别成果， TensorFlow 提供了 模子和示例的存储库 ，让我们确认一下 TensorFlow 是否安装乐成，按照 Ubuntu 16.04 初始化处事器配置指南 举办配置， 您可以通过以下几种方法安装 TensorFlow， world! 这表白一切都正常，添加这行代码来配置信息Hello， world!作为一种验证形式来验证，输入代码后按回车键： import tensorflow as tf 接下来，而且大概会滋扰其他 Python 安装或库，你需要练习一个模子， 此刻激活你的虚拟情况： $ source tensorflow-dev/bin/activate 一旦激活，TensorFlow 可以执行图像识别， but these are available on your machine and could speed up CPU computations. 957404: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasnt compiled to use AVX2 instructions，凭据 如安在 Ubuntu 16.04 上安装 Python 3 教程以设置 Python 和 virtualenv，并快速启动和运行，并通过运行几个示例验证了 TensorFlow 的运行环境，该要领将 TensorFlow 安装断绝，以及人类语言的音频识别，输入这一行代码， 要编写措施，您将在系统全局中安装 TensorFlow， panda bear， 步调 1、安装 TensorFlow 在此步调中，他们有一个优秀的 维基主页 。

CUDA 是 Nvidia 的一个并行计较平台， done. Resolving deltas: 100% (4942/4942)，它可以继承优化。

您已经安装了 TensorFlow，打印出在之前的代码行中构建的 hello TensorFlow 会话的功效： print(sess.run(hello)) 您将在节制台中看到如下输出： Output Hello，您与其他呆板进修、数据科学和统计喜好者举办比赛，这种安装要领不会在包情况间断绝 TensorFlow，而不是建设一个 Python 文件， bear cat，不需要依赖 Nvidia 显卡可能不需要运行要害机能的应用措施。

这对付并行计较任务是必须的，您可以通过以下方法来实现，这是一个检讨呆板进修观念实际应用的竞争平台，下载该模子需要您的磁盘有 200MB 的可用空间， but these are available on your machine and could speed up CPU computations. 这汇报你，一旦完成安装，您还可以摸索 Kaggle，我们将利用习用的初学者示例Hello。

它可让陈设在 GPU 上的用户直接会见虚拟指令集和 GPU 的其他元素。

TensorFlow 是一个深度进修软件系统，在这个要领中， coon bear。

尚有与 CUDA 集成的扩展。

这表白它已经筹备好让您开始输入一些 Python 语句，您需要至少 1GB 内存的系统才气乐成地完本钱教程的最后一个示例，按照谷歌呆板进修人工智能系统中的排名(RankBrain)，因此定名为TensorFlow，建设一个名为 tf-demo 的项目目次： $ mkdir ~/tf-demo 导航到新建设的 tf-demo 目次下： $ cd ~/tf-demo 然后建设一个名为 tensorflow-dev 的新虚拟情况，每种要领都有差异的用例和开拓情况： 1.Python 和 Virtualenv：在此要领中，您将安装只支持 CPU的 TensorFlow 版本。

如谷歌的 Inception， 首先，你有一个指令集( instruction set )，您将利用它来下载一个示例存储库，以得到更好的 TensorFlow 机能， done. remote: Total 8785 (delta 0)， 最后 您已经在 Python 虚拟情况中安装了 TensorFlow。

TensorFlow 架构答允陈设在桌面、处事器或移动设备中的多个 CPU 或 GPU 上。

2.安装 Python 3.3 或更高版本以及虚拟情况 virtualenv， done. Checking connectivity... done. 切换到 models/tutorials/image/imagenet 目次： (tensorflow-dev) $ cd models/tutorials/image/imagenet 此目次包括 classify_image.py 文件， Indri indri， 在本教程中， but these are available on your machine and could speed up CPU computations. 957158: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasnt compiled to use SSE4.2 instructions，TensorFlow 可以很好地用于信息检索，它们可以让您摸索其他项目， 此刻让我们利用 TensorFlow 的图像识别 API 来熟悉 TensorFlow 吧，您将在 Python 虚拟情况 virtualenv 中安装 TensorFlow， 3.Docker：Docker 是一个容器运行时情况。

它将内容完全断绝在系统上预先存在的包中， Ailuropoda melanoleuca (score = 0.89107) indri。

but these are available on your machine and could speed up CPU computations. 957527: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasnt compiled to use FMA instructions，然后您需要编写一些代码来利用该模子， 步调3、利用 TensorFlow 举办图像识别 此刻已经安装了 TensorFlow。

它也有助于办理其他不特定于呆板进修的问题。

请启动 Python 表明器： (tensorflow-dev) $ python 您将会在终端看到如下的提示 这是 Python 表明器的提示符，你可以安心地忽略它并继承下面的步调， world!) 然后建设一个新的 TensorFlow 会话并将其分派给变量 sess： sess = tf.Session() 留意：按照您的情况， but these are available on your machine and could speed up CPU computations. 957282: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasnt compiled to use AVX instructions，包罗代码和用于对图像举办分类的练习模子。

利用下面的呼吁： $ deactivate 假如要从头激活情况，图中的每个节点暗示神经网络在多维数组上执行的操纵， 3.安装 Git，它利用 TensorFlow 来识别图像， 如安在 Ubuntu 16.04 上安装 Git 。

reused 0 (delta 0)， Ailurus fulgens (score = 0.00296) custard apple (score = 0.00147) earthstar (score = 0.00117) 您已经利用了 TensorFlow 的图像识别成果对您的第一个图像举办了分类， 假如您想要利用另一个图像，此刻您拥有了一些东西，运行以下呼吁建设情况： $ python3 -m venv tensorflow-dev 这将建设一个新的 tensorflow-dev 目次，您将通过运行一个简朴的 TensorFlow 措施来验证安装是否乐成，包罗卷积神经网络和 Word Embeddings。

步调 2、验证安装是否乐成 为了验证 TensorFlow 是否安装乐成。

你将会在你的终端看到如下内容： (tensorflow-dev)username@hostname:~/tf-demo $ 此刻可以在虚拟情况中安装 TensorFlow。

您可以开始利用 TensorFlow 来做一些有趣的工作，您大概会看到如下输出: Output 956946: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasnt compiled to use SSE4.1 instructions，您需要筹备以下内容: 1.一个至少 1GB 内存的 Ubuntu 16.04 处事器， indris， Linux利用tensorflow框架搭建与尝试： Tensorflow在Ubuntu 64位16.04.2的安装： ubuntu 16.0.4设置tensorflow-gpu 1.1.0： Ubuntu系统下tensorflow安装进程大概呈现的问题及办理方案： 基于Docker的TensorFlow呆板进修框架搭建和实例源码解读： ，我们将建设一个虚拟情况并安装 TensorFlow， world!： hello = tf.constant(Hello，包罗 sudo 非 root 用户和防火墙， 通过按下 CTRL+D 退出 Python 交互式节制台。

panda，这是推荐给多用户系统上利用 TensorFlow 的那些人， 安装筹备 在开始本教程之前， TensorFlow 的 开拓者指南 是个很是好的资源和手册，可是这样做的话 Docker 镜像将相当大， 2.Native pip：在此要领中，要相识更多有关这些观念的常识，你可以看到和分享一些办理方案， cat bear， 首先，这种要领很是适合将 TensorFlow 归并到已经利用 Docker 的更大的应用措施体系布局中， 最后， 在本教程中，输入这一行代码来导入 TensorFlow 包。

运行以下呼吁安装和进级到 PyPi 中最新版本的 TensorFlow： (tensorflow-dev) $ pip3 install --upgrade tensorflow TensorFlow 将开始安装： Output Collecting tensorflow Downloading tensorflow-1.4.0-cp36-cp36m-macosx_10_11_x86_64.whl (39.3MB) 100% |......| 39.3MB 35kB/s ... Successfully installed bleach-1.5.0 enum34-1.1.6 html5lib-0.9999999 markdown-2.6.9 numpy-1.13.3 protobuf-3.5.0.post1 setuptools-38.2.3 six-1.11.0 tensorflow-1.4.0 tensorflow-tensorboard-0.4.0rc3 werkzeug-0.12.2 wheel-0.30.0 假如你但愿随时封锁虚拟情况，执行这条呼吁以运行图像分类器措施： (tensorflow-dev) $ python classify_image.py 您将看到以下输出： Output giant panda， 在本例中，可以通过将 -- image_file 参数添加到 python3 classify_image.py 中来实现，我们将对预处理惩罚好的熊猫图像举办分类，这些多维数组凡是称为张量(tensors)， panda，您将安装 TensorFlow 并在 Python 虚拟情况中利用 TensorFlow 所需的所有包，TensorFlow 的神经网络以有状态数据流图的形式暗示， 203.16 MiB | 24.16 MiB/s，。