小白随笔

       今天天气不好也不坏,早上路上湿漉漉的,跟逗比师兄起的有点晚,踩着自行车就上路了........

       打开电脑的第一个想法就是在昨天装好的tensorflow上跑个线性回归的程序,首先碰到的问题就是,既然是线性的,我想看看它的散点图像,就想到了之前一直用的

matplotlib.那么恶心的一天就开始了......

         首先,我装的python解释器有三个,第一个是一直使用的(装在C盘,matplotlib一直可用),第二是在D盘Anaconda里的(新装的,没用过), 第三个是在

Anaconda/env文件下tensorflow中的python解释器. 

       然后我的操作就在pycharm中来回切换解释器,还利用 pip3  install -t  指定包路径(如D:\Anaconda\envs\tensorflow\Lib\site-packages) matplotlib=版本号,结

果把C盘中的matplotlib都搞崩了,无论怎么换都搞不出来.....

      下午,郁闷之中看爬虫视频,正好看到scrapy安装的这部分,其步骤如下所示:

#Windows平台
    1、pip3 install wheel #安装后，便支持通过wheel文件安装软件，wheel文件官网：https://www.lfd.uci.edu/~gohlke/pythonlibs
    2、pip3 install lxml
    3、pip3 install pyopenssl  # pyopenssl是一个封装了openssl的python模块。使用它可以方便地进行一些加解密操作。
    # pywin32与python3有不兼容的问题，在 下载与当前python相兼容的版本，使用pip install 路径名（.wheel）文件方式进行安装
    4、下载并安装pywin32：https://sourceforge.net/projects/pywin32/files/pywin32/  # 去220目录下根据你的系统与python解释器下载相应的版本
    # 直接使用国内源下载
    pip3 --no-cache-dir install -i https://mirrors.aliyun.com/pypi/simple/pypiwin32 --ignore-installed
    # 因为scrapy是基于twisted开发的，所以需要下载twisted
    5、下载twisted的wheel文件：http://www.lfd.uci.edu/~gohlke/pythonlibs/#twisted  
    6、执行pip3 install 下载目录\Twisted-17.9.0-cp36-cp36m-win_amd64.whl   # 安装本地的twisted文件
　　 # cmd: >> pip3 install D:\tank_files\Twisted-18.9.0-cp36-cp36m-win_amd64.whl
    7、pip3 install scrapy  # 把1-6做完以后再下载scarpy框架，否则会报错
  
#Linux平台
    1、pip3 install scrapy

          看到pip3我就头大,硬着头皮来装一下scrapy吧,结果又是一堆依赖,版本报错. 实在不行,就在cmd中直接按步骤敲,找包,找文件,然后再安装,默认路径就是我

在C盘中的python库, (第4步可忽略,第6步我的电脑是选 Twisted-17.9.0-cp36-cp36m-win_amd32.whl), 一路趟过来,结果安装成功了!

         这回就想到了我的matplotlib, 于是在网上找到了一个比较稳定的版本2.0.2,在cmd上安装成功 (换了很多次才成功!) 这下心里有点眉目了,马上用添加路径的

方法给tensorflow加上这个难得的版本,结果还是飘红,心凉了一截,这回只能是tensorflow跟mt版本不兼容的问题了,那么咋办呢?

        既然我找不到合适你的,那么你就自己找吧:

  最终,它找了个3.0.3版本的:

   好吧,今天的故事就到这吧!  搞了一天,图放下面了:

代码如下:

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

num_point = 1000
v_set = []
for i in range(num_point):
    x1 = np.random.normal(0.0,0.55)
# 我们更经常会用到np.random.randn(size)所谓标准正太分布（μ=0, σ=1），
# 对应于np.random.normal(loc=0, scale=1, size)
    y1 = x1*0.2 +0.5 + np.random.normal(0.0,0.05)
    v_set.append([x1,y1])
x_data = [v[0] for v in v_set]
y_data = [v[1] for v in v_set]

W = tf.Variable(tf.random.uniform([1],-1.0,1.0),name='W')
b = tf.Variable(tf.zeros([1]),name='b')


plt.scatter(x_data,y_data,c='r')
plt.show()
y = W * x_data +b
#均方差作为损失
loss = tf.reduce_mean (tf.square(y - y_data),name='loss')
# 学习率为0.6
optimizer=tf.train.GradientDescentOptimizer(0.6)
#优化训练
train= optimizer.minimize(loss,name='train')
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
print('W=',sess.run(W),'b=',sess.run(b),"loss =",sess.run(loss))

for step  in range(200):
    sess.run(train)
    print("W=",sess.run(W),'b=',sess.run(b),"loss=",sess.run(loss))

       晚安!

 

转载于:https://www.cnblogs.com/sima-3/p/11099771.html