(TF)Anaconda安装Tensorflow+Keras+Jupyter Notebook老电脑（CPU不支持AVX指令集）
【参考】：
1、Win10下安装Tensorflow+Keras简记（CPU版本）
/p/6c3b1889b358
2、Anaconda环境安装tensorflow并嵌入到jupyter notebook中
/p/100594244
3、【参考】老电脑也要玩tensorflow，解决AVX、SEE、SEE2等报错之路
/mooe1011/article/details/88957576
【其它命令】
退出命令exit()
进入E盘目录 E:
进入某个目录cd C:\Users\XX\Downloads
【步骤】
1、安装anaconda最新版本
下载地址：64-bit Python 3.6
下载后，安装在自己喜欢的分区盘的根目录下，
建议在根目录下创建Anaconda3目录，然后安装在该目录下。
2、增加国内镜像源
网络上都是用命令的方法，
这里介绍在Anaconda Navigator界面上添加的方法，
点击主界面左侧的Home一栏，然后点击Channels按钮，再点击右上角的Add按钮，就可以添加了，加入清华大学的源即可。
https://mirrors.tuna./anaconda/pkgs/main/
https://mirrors.tuna./anaconda/pkgs/free/
3、设置环境变量
有两种方法，命令或界面，建议在界面下设置，
打开安装好的Anaconda Navigatior，点击主界面左侧的Environments一栏，
然后点击左下角Create按钮，选择Python，Name设置为tensorflow。
4、安装Tensorflow（CPU版本）
启动AnacondaPrompt命令终端，
activate tensorflow
pip install --ignore-installed --upgrade tensorflow
（很慢，要翻墙）
【其它（未测试）】更换pip源到国内镜像，安装TensorFlow
/p/502638407add
查看安装包
pip list
安装方法二、
pip install tensorflow
卸载
exit()
退出python
pip uninstall tensorflow
TF测试出问题就重复安装卸载几次
5、老CPU，没有AVS指令集的CPU，安装SSE版本
【导入TF时产生错误错误】
ImportError: DLL load failed:找不到指定的模块
ImportError: DLL load failed with error code 3221225501
【原因】
TensorFlow发布二进制版本1.6及更高版本已使用AVX指令集进行了预构建。
因此，在没有这些指令集的任何CPU上，TF的CPU或GPU版本都将无法加载。
来自 </tensorflow/tensorflow/issues/35598>
【分析】
下载CPU-Z，查看指令集
新的CPU支持AVX指令集，以及更高性能的AVX2指令集
老的CPU不支持AVX，只有SSE
在 /fo40225/tensorflow-windows-wheel 查找适合自己电脑的包
下载地址
/fo40225/tensorflow-windows-wheel/tree/master/1.14.0/py37/CPU/sse2
版本
启动AnacondaPrompt命令终端，安装
TF 2.0.0版本
pip install F:\AI\Tensorflow\tensorflow-2.0.0-cp37-cp37m-win_amd64.whl
TF1.14.0版本
pip install F:\AI\Tensorflow\tensorflow-1.14.0-cp37-cp37m-win_amd64.whl
【扩展】若芯片支持AVX2，可使用AVX2的安装包，省内存
windows版TensorFlow最优安装，使用AVX2指令集
/robinspada/article/details/87277952
查看安装包
pip list
6、测试Tensorflow
启动Anaconda Prompt命令终端，依次输入以下命令：
activate tensorflow
python
然后在在终端输入以下代码：
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
打印'Hello, TensorFlow!'就成功了
【Q】TF测试出问题就重复安装卸载几次
（报错 "<stdin>", line 1, in <module> NameError: name 'tf' is not defined）
7、安装Keras
启动Anaconda Prompt命令终端，输入以下命令：
安装keras
activate tensorflow
pip install keras
8、验证keras是否安装成功
继续输入：
python
import keras
9、将tensorflow嵌入到jupyter
* 安装：conda install ipython
* 安装：conda install jupyter
* 运行：ipython kernelspec install-self --user
* 运行：jupyter kernelspec install-self --user
7. 打开 jupyter notebook 页面：
(tensorflow) C:\Users\Administrator> jupyter notebook
弹出浏览器窗口就成功了
10、每次使用Tensorflow环境的步骤
1. 打开 Anaconda Prompt 终端
2. 激活 tensorflow 环境，输入：activate tensorflow
进入 tensorflow 环境之后，输入：jupyter notebook
11、Tensorflow+Keras测试：图片分类
【引用参考】从零开始学TensorFlow
来自 </p/58751772>
【原始出处】Tensorflow学习笔记之一：训练你的第一个神经网络——基础分类
来自 </p/d4fb3a391d22>
跟着官网的代码跑了一(代码我都只是一步一步复制粘贴)，最后跑起来：
# TensorFlow and tf.kerasimport tensorflow as tffrom tensorflow import keras# Helper librariesimport numpy as npprint(tf.__version__)#加载数据、区分出测试数据和训练数据#注意：如果已经下过，重复下载的话，可能会出现EOFError: Compressed file ended before the end-of-stream marker was reached错误fashion_mnist = keras.datasets.fashion_mnist(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()#分类的列表class_names = ['T-shirt/top','Trouser','Pullover','Dress','Coat','Sandal','Shirt','Sneaker','Bag','Ankle boot']#查看数据的值print(train_images.shape) #样本的shape(可以看出有多少条样本、维度)print(len(train_labels)) # label的个数，有多少个样本，就应该有多少个labelprint(train_labels) # label的值，对应上面分类列表(从0到9)#对测试数据和训练数据进行预处理(实际上就是归一化)train_images = train_images / 255.0test_images = test_images / 255.0#设置层 (初始处理)---建立神经层model = keras.Sequential([keras.layers.Flatten(input_shape=(28, 28)),keras.layers.Dense(128, activation=tf.nn.relu),keras.layers.Dense(10, activation=tf.nn.softmax)])#损失函数、优化器、指标pile(optimizer=tf.train.AdamOptimizer(),loss='sparse_categorical_crossentropy',metrics=['accuracy'])#将训练集丢进去，训练出模型(Model)model.fit(train_images, train_labels, epochs=5)#将测试数据丢到模型中，评估一下得分(准确率)test_loss, test_acc = model.evaluate(test_images, test_labels)print('Test accuracy:', test_acc)#评估完准确率以后，我们可以对测试数据进行预测predictions = model.predict(test_images)#选第一个样本预测后的得出最有可能结果print(np.argmax(predictions[0]))#对比结果print(test_labels[0])
跑出来的结果：
(后期注释：这是TensorFlow的版本)
1.12.0
最终输出：
