在遥感领域进行深度学习时，通常使用python进行深度学习，会使用到tensorflow的安装，今天小编就给大家介绍如何在Anaconda中安装tensorflow！
下载Anaconda Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror ，下载完成之后开始安装，该勾选的都勾选安装即可，可以安装在非C盘。
安装Python
进入到windows中的命令模式：
（1）检测anaconda环境是否安装成功：conda --version
（2）检测目前安装了哪些环境变量：conda info --envs
（3）对于Anaconda中安装一个内置的python版本解析器(其实就是python的版本)
查看当前有哪些可以使用的python版本：conda search --full -name python
安装python版本（我这里是安装的3.5的版本，这个根据需求来吧）：conda create --name tensorflow python=3.5
（4）激活tensflow的环境：activate tensorflow（注意：这个是在后序安装成功之后才能进行的，否则会提示错误）
（5）检测tensflow的环境添加到了Anaconda里面：conda info --envs（注意：基于后序安装成功之后才进行的，否则会提示错误）
（6）检测当前环境中的python的版本：python --version
（7）退出tensorflow的环境：deactivate
（8）切换到tensorflow的环境：activate tensorflow
上面的这些基本就可以对于Anaconda有一个比较简单的了解，其实它就类似于JDK的一些操作，比如我们查看jdk的版本，也可以用java --version ，所以说对于Anaconda去安装tensorflow是比较简单的原因也正是这样，也就是是给我们提供了一个基础的依赖环境，这样就方便我们进行后面的安装操作；
4：进行正式的安装Tensorflow
注意事项：根据Tensorflow的官方文档，可以得到安装tensorflow的一个命令是下面：
pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.0.0-cp35-cp35m-win_x86_64.whl
但是，如果我们在cmd中，直接进行这样的话，有可能是不能够成功的，开始也不知道为什么，后面发现是跟电脑的cpu和显卡有点关系，所以，采取后面的方法进行安装；
5：通过命令：pip install --upgrade --ignore-installed tensorflow
剩下的就是慢慢的等待安装的过程啦
温馨提示：（1）如果在这个命令之后，有提示说需要你升级你的pip的版本，那么你就根据上面的提示进行命令安装就可以了
6：等待完成之后，确认是否安装成功
（1）打开之前安装的Anaconda
这两个都可以，我这里说一下使用Anaconda Prompt的方式；
方法一：步骤：①直接点击进入，就会显示如下的内容：
②切换到tensorflow的环境
③进入python编辑环境
④然后编写一个使用的代码：
方法二：通过使用Anaconda中的spyder的编辑器
通过这个的方式的话，更加简单，直接编写上面的代码，然后进行运行就可以啦，我这里就不多介绍了。。。
7：OK，到这里的话，基本上从安装到成功就已经实现了~~~~
温馨提示：如果你发现，你的conda和tensorflow环境都是安装成功的，但是一用测试代码进行跑的时候就出问题了，那么请注意，这个原因你由于你在安装tensorflow的时候，是直接在cmd下，而不是在你用conda激活的一个环境，所以导致，tensorflow并没有直接嵌入到conda环境，所以，就导致无法导入模块的一个错误；
解决方法：（1）只需要在activate tensorflow ----------注意：这个环境是第三步中的第3点里面创建的；
（2）然后再使用第五步中的命令就可以了
二：将Tensorflow环境嵌入到编辑器中
环境：Tensorflow和Pycharm编辑器
步骤：
1：下载Pycharm软件，，这个的话下载安装都很简单，所以就不多说了
2：使用Pycharm创建一个项目
3：设置项目的相关内容
温馨提示：注意上面的Interpreter的选择，因为我们现在要测试的是tensorflow嵌入到我们的IDE，方便我们开发，所以这个python解析器就是要选择我们之前安装tensorflow目录下的解析器，否则的话，我们之后是使用不了tensorflow的模块的内容的哦。。。特别要注意。。。当然，如果这里不选择，那么在创建工程之后还是可以修改的，后面我会说；
4：创建一个py文件，用于编写测试代码
5：运行程序代码
OKOK，，，这就说明我们的环境已经整合完成啦。。。。大功告成
温馨提示：有时候我们会发现，我们引入了tensorflow模块之后，那就会报错，这个原因有如下可能：
（1）tensorflow没有安装成功，这样的话，就需要重新按照我的步骤去了！
（2）IDE中的python解析器，没有使用tensorflow中安装的那个，所以导致无法识别
这个解决方案有两种：
第一种：就是创建工程的时候就选择正确的解析器，也就是我上面所使用的方法
第二种：就是在项目工程里面进行修改配置：
步骤：1：选择File----》setting
2：
3：添加新的解析器
4：找到我们安装的Anadonda中的env中的tensorflow中的python.exe
5：点击apply应用，然后重启我们的IDE，这样的话就不会报无法找到tensorflow的模块的错误了。
版本：Linux（Ubuntu14.0.1）
三：Linux环境安装Tensorflow（通过Anaconda方式）
步骤：（1）下载Anaconda的Linux版本 https://www.anaconda.com/download/#linux
从官网的路径进行下载，一般都很慢，所以，大家可以去这个地址进行下载(或者在进行留言也可以)：https://download.csdn.net/download/cs_hnu_scw/10389323
（2）运行下载好的Anaconda,找到下载的目录，然后执行命令：bash XXXXXXXXX（就是Anaconda文件的名字）
（3）一直等待安装完成即可；
当出现下面这个的时候：
强烈注意一点：在安装的时候，会提示你是否要将这个添加到环境变量中，最好选择Yes，要不然每次都要进行额外的手动添加，非常的不方便，所以强烈建议直接添加到环境变量中；
（4）当执行完成上面的步骤之后，对Anaconda 的环境进行测试；
执行命令：conda --version （作用：查看当前Anaconda的版本）
如果，出现对应的安装版本，那么就表示安装成功，可以继续后面的安装步骤。
（5）添加tensorflow的环境。执行命令：conda create -n tensorflow python=3.5（版本的话，我个人比较喜欢3.X+版本）。当执行完成之后，就根据提示，进行输入yes就可以了，慢慢等待。
（6）激活环境，执行命令：source activate tensorflow （作用：进入到tensorflow的环境）
（7）激活tensorflow的环境，执行命令：
pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0rc0-cp27-none-linux_x86_64.whl
千万要注意一个地方：如果你安装的python的版本是2.7.那么就用上面的地址，即可，如果你用了3.5版本，那么久需要对应的修改为如下链接：（其他版本类似修改）
pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.1-cp35-cp35m-linux_x86_64.whl
（8）执行完之后，剩下的就只有等待了，，，对于出现的提示，全部都是“yes”即可。
（9）安装完成之后，进行测试。
具体步骤：
1：在tensorflow的环境下，执行命令：python （作用：表示进入python环境）
2：然后输入代码（这个其实和windows安装的时候测试时一样）：
import tensorflow as tf hello = tf.constant('first tensorflow') sess = tf.Session() print sess.run(hello)
如果：输出first tensorflow ，那么就表示安装成功了。
补充内容：
1：当需要退出python环境，即执行Ctrl+D或者输入quit即可
2：退出tensorflow环境，source deactivate
3：激活tensorflow环境，source activate tensorflow
四：Pycharm整合tensorflow环境
（1）下载Pycharm，这个就自己到官网下载Linux的社区版本即可，然后对其下载的文件进行相应的解压命令处理就可以了，另外的话，注意一点，在Linux中运行Pycharm不是直接点击就运行，而是需要找到对应的目录下（bin目录），然后执行命令：sh pycharm.sh 即可运行Pycharm。
（2）这个其实和windows的整合方式是一样的，只是说tensorflow的路径是不一样的而已，所以，大家可以参考上面对于Windows版本的详细配置过程即可，这里就不多说了。
---------------------------------------------------------------------------------------------------------------------------------
五：Tensorflow的案例实践
（1）案列实践：通过百度云盘下载我分享的内容即可，里面的内容都是封装好的，所以应该能看懂
项目链接：https://pan.baidu.com/s/1-TelzkLHodDNsdX6G82ZOg 密码：b05p
温馨提示：（1）在运行这个代码的时候，会出现ImportError: No module named 'matplotlib'，这是因为你python中缺少了这个包，所以需要进行额外添加；或者进入tensorflow的环境，然后通过pip install matplotlib
解决办法：进入cmd，然后conda install matplotlib ，，然后等安装成功即可，这时候就会找到从而解决这个问题；
（2）手写数字的识别案例：
数据：https://pan.baidu.com/s/1UC6uBPPOBzZhYvNV93RgNw
代码：
#!/usr/bin/python # -*- coding:utf-8 -*- # @Time : 2018/3/30 0030 15:20 # @Author : scw # @File : writenumbercompute.py # 描述：进行手写数字的识别的实例分析 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # 获取数据 mnist = input_data.read_data_sets("E:/tensorflowdata/MNIST_data/", one_hot=True) print('训练集信息：') print(mnist.train.images.shape,mnist.train.labels.shape) print('测试集信息：') print(mnist.test.images.shape,mnist.test.labels.shape) print('验证集信息：') print(mnist.validation.images.shape,mnist.validation.labels.shape) # 构建图 sess = tf.InteractiveSession() x = tf.placeholder(tf.float32, [None, 784]) W = tf.Variable(tf.zeros([784,10])) b = tf.Variable(tf.zeros([10])) y = tf.nn.softmax(tf.matmul(x,W) + b) y_ = tf.placeholder(tf.float32, [None,10]) cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),reduction_indices=[1])) train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy) # 进行训练 tf.global_variables_initializer().run() for i in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) train_step.run({x: batch_xs, y_: batch_ys}) # 模型评估 correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) print('MNIST手写图片准确率：') print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels}))
（3）拨号键与短信息图标的识别
功能描述：主要是实现对于拨号键图标与短信息键图标的一个识别，作为一个简单的分类Demo。
