TensorFlow 简介
TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。
Tensor的意思是张量，代表N维数组；Flow的意思是流，代表基于数据流图的计算。把N维数字从流图的一端流动到另一端的过程，就是人工智能神经网络进行分析和处理的过程。
配置环境
本文章是在 Windows 10 (1803) 下进行的配置，以 Python 语言作为工作语言。
下载 Anaconda
Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项，方便我们后面的配置。
官网上，当下最新的版本 Anaconda 5.2 For Windows，可使用 Python 3.6。
下载并安装完成后我们要进行配置。
配置 Anaconda
安装完 Anaconda 后，将 (安装目录)\Anaconda3\Scripts 加入系统环境变量 Path 中，网上相关教程多，这里按下不表，然后我们的操作都要在命令行下进行。
以管理员权限打开命令行，输入 conda -V 或 conda --version 显示当前安装的版本，我这里是 4.5.8 ，若无错误则说明上述变量加入无误，接下来输入conda upgrade --all 把所有工具包进行升级，避免后续出现问题。
接下来要给 Python 建立一个独立的环境，输入 activate ，发现命令行前多出了 (base) ， 这是 Anaconda 自带的环境。此时若输入 python 就可以进入 Anaconda 自带的 Python 环境，这个环境是与你之前有无安装 Python 无关的，同时此时输入 python -V 就可以查看此时 python 的版本。
接下来创建一个自己的虚拟环境，我们输入以下代码
1 | conda create -n tfLearn python=3 |
创建一个名称为 tfLearn 的虚拟环境，使用的 python 版本是 python3，你也可以细化到 python=3.x.x。
我们可以使用
1 | conda env list |
列出所有环境的名称和所在位置。
此时我们用下列语句切换至我们的 tfLearn 环境。
1 | activate tfLearn |
此时命令行前的 (base) 改变成了 (tfLearn) ，表明切换成功，下一步我们进行 python 的配置。
配置 python
进入 tfLearn 环境后，我们使用下列安装 tensorFlow。
1 | pip install tensorflow-gpu==1.9.0 |
注意此处指定了 tensorflow 是以 gpu 方式安装的，且版本为 1.9.0 ，这是为了与后面的 CUDA 配套的。
如果此时你不是以管理员权限进行的安装的话，在此处安装结尾可能会出现报错。
安装 CUDA 和 cuDNN
NVIDIA官网中CUDA下载
请选择 CUDA 9.0，这是配套的。
NVIDIA官网中cuDNN下载
请选择 cuDNN v7.1.4 for CUDA 9.0，解压后放置于CUDA v9.0的根目录下（文件夹刚好是对应的）。
测试环境
tfLearn 环境下，进入 python 环境，输入
1 | import tensorflow as tf |
经过一小段等待，没有报错信息输出，说明安装成功，我们的测试环境就搭建好了。
安装jupyter notebook
在 Anaconda 页面中，在 Home选项卡下，将 Applications on 切换到 tfLearn 环境，下面会出现一些工具可以安装，我们找到 jupyter notebook 点击 install ，完成后点击 Launch，浏览器会默认打开 http://localhost:8888 这是 jupyter notebook的工作环境，也是我们之后要实践的主要场地。
Anaconda 意义
Anaconda 是一个多环境的配置工具，他解决我们在工作中不同工具版本的共存问题。
他实现这个解决方法的方式十分简单，我们的新建的一个个工作环境都在 Anaconda3\envs 下，点开我们的 tfLearn 文件夹，里面就是一个完备的 python 环境。
#引用