在 Ubuntu16.04上安装anaconda+Spyder+TensorFlow（支持GPU）

TensorFlow 官方文档中文版

http://www.tensorfly.cn/tfdoc/get_started/introduction.html

https://zhyack.github.io/posts/2016_09_30-Configurate-TensorFlow-On-Ubuntu.html

https://www.leiphone.com/news/201606/ORlQ7uK3TIW8xVGF.html

一、下载并安装Anaconda

下载方式

1.官方网站 
目前最新版本Anaconda 4.3.1 For Linux。分Python3.6和2.7版本，32和64位 。选择合适版本 
速度慢些 
2.清华大学的Anaconda 
速度快

在清华大学 TUNA 镜像源选择对应的操作系统与所需的Python版本下载Anaconda安装包。Windows环境下的安装包直接执行.exe文件进行安装即可，Ubuntu环境下在终端执行

$ bash Anaconda2-4.3.1-Linux-x86_64.sh   #Python 2.7版本

或者

$ bash Anaconda3-4.3.1-Linux-x86_64.sh  #Python 3.5 版本

安装方法

打开终端，进入Anaconda所在的文件夹下 
运行该命令：bash Anaconda3-4.3.0-Linux-x86_64.sh

这里注意，如果提示权限问题，可使用：sudo bash Anaconda3-4.3.0-Linux-x86_64.sh

但是采用sudo这种方式会对接下来安装Tensorflow有点影响，下面细说。

检查是否安装成功

上面的安装过程执行完成之后关闭那个终端，重新打开一个，在终端输入“python”，如果出现下面的信息，说明安装成功：

介绍了python的版本信息，但是后面带了anaconda的标识，这就说明Anaconda安装成功了，此时输入exit()退出python环境，输入：

conda list

会显示一大堆可用的packages，说明我们的安装是没有问题的。

如果你在这一步输入python之后显示的还是系统默认的版本，那说明.bashrc的更新还没有生效，命令行输入：

source ~/.bashrc

即可。至此安装完成。

Anaconda安装

---

在清华大学 TUNA 镜像源选择对应的操作系统与所需的Python版本下载Anaconda安装包。Windows环境下的安装包直接执行.exe文件进行安装即可，Ubuntu环境下在终端执行

$ bash Anaconda2-4.3.1-Linux-x86_64.sh   #Python 2.7版本

或者

$ bash Anaconda3-4.3.1-Linux-x86_64.sh  #Python 3.5 版本

在安装的过程中，会询问安装路径，按回车即可。之后会询问是否将Anaconda安装路径加入到环境变量（.bashrc)中，输入yes，这样以后在终端中输入python即可直接进入Anaconda的Python版本（如果你的系统中之前安装过Python，自行选择yes or no）。安装成功后，会有当前用户根目录下生成一个anaconda2的文件夹，里面就是安装好的内容

查询安装信息

$ conda info

查询当前已经安装的库

$ conda list

安装库(***代表库名称）

$ conda install ***

更新库

 $ conda update ***

Anaconda仓库镜像

---

官方下载更新工具包的速度很慢，所以继续添加清华大学 TUNA提供的Anaconda仓库镜像，在终端或cmd中输入如下命令进行添加

$ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
$ conda config --set show_channel_urls yes

$ conda install numpy   #测试是否添加成功

之后会自动在用户根目录生成“.condarc”文件，Ubuntu环境下路径为~/.condarc，Windows环境下路径为C:\用户\your_user_name\.condarc

channels:
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
 - defaults
show_channel_urls: yes

如果要删除镜像，直接删除“.condarc”文件即可

使用

1.安装好之后即可在终端输入spyder,类似pycharm的一个IDE 
2.自带notebook IDE。打开方式，终端输入ipython notebook即可打开该IDE。关于notebook，可自行了解 
3.Linux 本身安装的2.7版本仍然存在，Python3和anaconda合并 
4.关于conda命令，终端输入conda list 即可查看已经安装的模块 。conda install * conda update * 
5.综上，我们安装好以后，今后使用ipython即可，方便好用

在ubuntu上卸载anaconda的步骤 ：

（一）删除整个anaconda目录：

由于Anaconda的安装文件都包含在一个目录中，所以直接将该目录删除即可。到包含整个anaconda目录的文件夹下，删除整个Anaconda目录：

rm -rf anaconda文件夹名

（二）建议清理下.bashrc中的Anaconda路径：

1.到根目录下，打开终端并输入：
      sudo gedit ~/.bashrc

2.在.bashrc文件末尾用#号注释掉之前添加的路径(或直接删除)：
      #export PATH=/home/lq/anaconda3/bin:$PATH
      保存并关闭文件

3.使其立即生效，在终端执行：
      source ~/.bashrc

4.关闭终端，然后再重启一个新的终端，这一步很重要，不然在原终端上还是绑定有anaconda.

二、下载并安装Tensorflow

anaconda安装方式

$ conda create -n tensorflow
$ source activate tensorflow
$ pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.1.0-cp36-cp36m-linux_x86_64.whl

这里，如果想安装其他版本（CPU only 和 GPU support 都有）,参考 
tensorflow on Ubuntu

注意：如果anaconda采用的是sudo 安装方式，则当前用户安装tensorflow时会提示权限不够，因为anaconda文件夹及其子文件（夹）的所有者和组都是root。这时需要修改：

$ sudo chown -R 用户 anaconda3/
$ sudo chgrp -R 用户 anaconda3/
（用户为自己用户名）

2. 建立一个tensorflow的运行环境

1. # Python 2.7
2. $ conda create -n tensorflow python=2.7
3. # Python 3.4
4. $ conda create -n tensorflow python=3.4
5. # Python 3.5
6. $ conda create -n tensorflow python=3.5

3.在conda环境中安装tensorflow

在conda环境中安装tensorflow的好处是可以便捷的管理tensorflow的依赖包。分为两个步骤：激活上一步建立的名为tensorflow的conda环境；用conda或者pip工具安装Tensorflow，作者选择的是pip方式。

3.1 pip方式

pip方式需要首先激活conda环境

1. $ source activate tensorflow

然后根据要安装的不同tensorflow版本选择对应的一条环境变量设置export语句（操作系统，Python版本，CPU版本还是CPU+GPU版本）

1. # Ubuntu/Linux 64-bit, CPU only, Python 2.7
2. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.10.0-cp27-none-linux_x86_64.whl
3. # Ubuntu/Linux 64-bit, GPU enabled, Python 2.7
4. # Requires CUDA toolkit 7.5 and CuDNN v5. For other versions, see "Install from sources" below.
5. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.10.0-cp27-none-linux_x86_64.whl
6. # Mac OS X, CPU only, Python 2.7:
7. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-0.10.0-py2-none-any.whl
8. # Mac OS X, GPU enabled, Python 2.7:
9. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/gpu/tensorflow-0.10.0-py2-none-any.whl
10. # Ubuntu/Linux 64-bit, CPU only, Python 3.4
11. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.10.0-cp34-cp34m-linux_x86_64.whl
12. # Ubuntu/Linux 64-bit, GPU enabled, Python 3.4
13. # Requires CUDA toolkit 7.5 and CuDNN v5. For other versions, see "Install from sources" below.
14. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.10.0-cp34-cp34m-linux_x86_64.whl
15. # Ubuntu/Linux 64-bit, CPU only, Python 3.5
16. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.10.0-cp35-cp35m-linux_x86_64.whl
17. # Ubuntu/Linux 64-bit, GPU enabled, Python 3.5
18. # Requires CUDA toolkit 7.5 and CuDNN v5. For other versions, see "Install from sources" below.
19. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.10.0-cp35-cp35m-linux_x86_64.whl
20. # Mac OS X, CPU only, Python 3.4 or 3.5:
21. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-0.10.0-py3-none-any.whl
22. # Mac OS X, GPU enabled, Python 3.4 or 3.5:
23. (tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/gpu/tensorflow-0.10.0-py3-none-any.whl

最后根据是python 2还是３版本选择一句进行安装。

1. # Python 2
2. (tensorflow)$ pip install --ignore-installed --upgrade $TF_BINARY_URL
3. # Python 3
4. (tensorflow)$ pip3 install --ignore-installed --upgrade $TF_BINARY_URL

3.2 conda方式

conda上面目前有人已经做好了tensorflow的pkg，但是版本不一定最新，且只有CPU版本，不支持GPU。

步骤也是首先激活conda环境，然后调用conda install 语句安装.

1. $ source activate tensorflow
2. (tensorflow)$  # Your prompt should change
3. # Linux/Mac OS X, Python 2.7/3.4/3.5, CPU only:
4. (tensorflow)$ conda install -c conda-forge tensorflow

上面的步骤完成后，从conda环境中退出:

1. (tensorflow)$ source deactivate

4. 测试安装

1. $ source activate tensorflow
2. (tensorflow)$  # Your prompt should change.
3. # Run Python programs that use TensorFlow.
4. ...
5. # When you are done using TensorFlow, deactivate the environment.
6. (tensorflow)$ source deactivate

tensorflow自带几个示例程序，详细位置如下：

…/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow/models

Anaconda2是Anaconda的安装位置，第一个tensorflow为conda创建的名字为tensorflow的环境，第二个tensorflow即安装的tensorflow包。进入image下的mnist目录，然后运行python convolutional.py就是对mnist的训练过程。

5. spyder里import tensorflow报错显示没有tensorflow模块解决 
安装完anaconda后anaconda会自带spyder这个IDE，但是我们在打开这个IDE输入import tensorflow会显示没有TensorFlow这个模块的错误，不对啊，明明我们已经安装了TensorFlow，而且在终端下也测试了没问题啊。这里我也查看了网上关于这个问题地许多教程，感觉都不太明朗，这里给出我不知在哪儿看到的解决方案： 
之所以会出现这个问题大概是anaconda自带的spyder没有工作在tensorflow环境下的原因。想要在TensorFlow环境下使用spyder，那就在tensorflow环境下再安装一个spyder嘛。好，那我们开始安装。 
在tensorflow环境下，在终端用conda安装spyder。输入一下命令：

conda install spyder

然后会看见安装目录位于我们之前建好的tensorflow环境下，也会看到安装spyder会安装许多依赖包，然后输入y，大概10分钟后就安装好了。这时我们在终端输入spyder打开spyder，在IPython console下输入import tensorflow，如果没有报错则表明安装成功了。

总结： 
注意每次要使用tensorflow时，一定要先在终端激活tensorflow环境：source activate tensorflow 然后输入spyder打开spyder,这里的这个spyder是tensorflow环境下的spyder,不使用tensorflow时使用以下命令关掉tensorflow环境source deactivate

在anaconda中创建了一个环境tensorflow，里面安装了tensorflow。

# 创建一个环境
conda create --name tensorflow python=2.7

# 使用一个环境
source activate tensorflow

然后在这个环境下打开spyder。然后import tensorflow，报错，说找不到tensorflow。

解决办法是在tensorflow这个环境下，安装spyder。 

然后在这个环境下打开spyder： 

这样就可以在spyder中使用tensorflow了： 

sudo pip install spyder conda install QtPy conda install Pylint

test code:

from skimage import io img=io.imread('d:/dog.jpg') io.imshow(img)

将其中的d:/dog.jpg 改成你的图片位置

然后点击上面工具栏里的绿色三角进行运行，最终显示

如果右下角“ Ipython console" 能显示出图片，说明我们的运行环境安装成功。

我们可以选择右上角的 ” variable explorer" 来查看图片信息，如

我们可以把这个程序保存起来，注意python脚本文件的后缀名为py.

Protobuf pip 包 3.1

如果没有遇到和 protobuf pip 包相关的问题，你可以跳过这个部分。

注意： 如果你的 TensorFlow 运行缓慢，你可能遇到了一个 protobuf pip 包相关的问题。

TensorFlow pip 包依赖于 protobuf pip 包 3.1。 从 PyPI 下载的 protobuf 是 proto 序列化/反序列化的纯 Python 实现的库， 其速度比 C++ 实现慢10-50倍。Protobuf 支持二进制扩展，速度更快，基于 C++。 但该扩展无法在纯Python实现的 pip 包中获取。我们制作了包含该二进制扩展的protobuf pip 包。 如下命令可安装该自定义的 protobuf pip 包：

• for Python 2.7:

  $ pip install --upgrade \
  https://storage.googleapis.com/tensorflow/linux/cpu/protobuf-3.1.0-cp27-none-linux_x86_64.whl

• for Python 3.5:

  $ pip3 install --upgrade \
  https://storage.googleapis.com/tensorflow/linux/cpu/protobuf-3.1.0-cp35-none-linux_x86_64.whl

安装这个 protobuf 包会覆盖已经存在的 protobuf 包。 注意该二进制 pip 包已经支持大于 64MB 的问题，修复了如下问题：

[libprotobuf ERROR google/protobuf/src/google/protobuf/io/coded_stream.cc:207]
Protocol message 被拒绝，因为太大（大于 67108864 字节）。
为增大限制或禁用报警，
在 google/protobuf/io/coded_stream.h 中查看 CodedInputStream::SetTotalBytesLimit()
Spyder报错：

import tensorflow as tf
Traceback (most recent call last):

File "<ipython-input-1-41389fad42b5>", line 1, in <module>
import tensorflow as tf

File "/home/jz/anaconda2/lib/python2.7/site-packages/tensorflow/__init__.py", line 24, in <module>
from tensorflow.python import *

File "/home/jz/anaconda2/lib/python2.7/site-packages/tensorflow/python/__init__.py", line 49, in <module>
from tensorflow.python import pywrap_tensorflow

File "/home/jz/anaconda2/lib/python2.7/site-packages/tensorflow/python/pywrap_tensorflow.py", line 52, in <module>
raise ImportError(msg)

ImportError: Traceback (most recent call last):
File "/home/jz/anaconda2/lib/python2.7/site-packages/tensorflow/python/pywrap_tensorflow.py", line 41, in <module>
from tensorflow.python.pywrap_tensorflow_internal import *
File "/home/jz/anaconda2/lib/python2.7/site-packages/tensorflow/python/pywrap_tensorflow_internal.py", line 28, in <module>
_pywrap_tensorflow_internal = swig_import_helper()
File "/home/jz/anaconda2/lib/python2.7/site-packages/tensorflow/python/pywrap_tensorflow_internal.py", line 24, in swig_import_helper
_mod = imp.load_module('_pywrap_tensorflow_internal', fp, pathname, description)
ImportError: libcudnn.so.6: cannot open shared object file: No such file or directory

Failed to load the native TensorFlow runtime.

See https://www.tensorflow.org/install/install_sources#common_installation_problems

for some common reasons and solutions. Include the entire stack trace
above this error message when asking for help.

问题描述： 
进入python3，然后import tensorflow，无法import，错误代码：libcudnn.so.6:cannot open sharedobject file: No such file or directory

问题解决：

pip uninstall tensorflow-gpupip install tensorflow-gpu==1.2

问题解释： 
根据错误代码，应该是找不到libcudnn.so.6。这个时候笔者就没有注意最后是6而不是5，就开始各种试路径啊，硬链接软链接啥的。实质上是因为当前时间（2017.8），虽然tensorflow官网install教程里面说的是安装cudnn5.1，而tensorflow-gpu1.3已经开始去找cudnn6了（也就是说是用cudnn6编译的）。。。 理论上可以安装cudnn6试试看，但笔者本身没有追逐最新版的习惯（天知道还有什么新坑），所以直接换到了tensorflow-gpu1.2版本，就解决问题了。 
另注：通常情况下这类问题是真的找不到文件，而不是找错文件。这个时候笔者通常会先查一下各种路径有没有设置错误（写错啊，路径之间的冒号啊），然后去指定路径看看有没有这个文件，最后去查一下链接问题（这个就有些复杂了，而且改动起来有风险，建议备份先）。

3.安装tensorflow

虽然谷歌官网推荐使用anaconda的安全环境安装，但是我觉的太麻烦，想用ipython notebook 或者 spyder 就很麻烦，不如直接安装进去 site-packages
所以这里 不用直接 进入终端，

# Python 2.7
$ conda create -n tensorflow python=2.7

$ source activate tensorflow
(tensorflow)$  # Your prompt should change

# Ubuntu/Linux 64-bit, CPU only:
(tensorflow)$ pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0rc0-cp27-none-linux_x86_64.whl

# Ubuntu/Linux 64-bit, GPU enabled. Requires CUDA toolkit 7.5 and CuDNN v4.  For
# other versions, see "Install from sources" below.
(tensorflow)$ pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.8.0rc0-cp27-none-linux_x86_64.whl

打开你的anaconda文件夹，找到envs 打开tensorflow 将sitepack-ages里面的东西都考到 anaconda/lib/python2.7/sitepack-ages

4.运行tensorflow

打开终端，输入 spyder 或者ipython notebook   就可以实验了

5.今天发现新办法，安装了anaconda之后

在终端直接输入：conda install -c https://conda.anaconda.org/jjhelmus tensorflow 就可以了，不用那么麻烦了，因为将虚拟环境中一出来可能使conda命令失效，安装了anaconda之后
如果说权限不够的， 可以 使用指令： sudo chmod 777 -R anaconda2  之后就可以安装tensorflow了
 

6.其余解决办法：

如果你试了上面几种办法都不好用，那么可以下载tensorflow

https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0rc0-cp27-none-linux_x86_64.whl

，将whl文件放到你的anaconda2/lib/python2.7/site-packages/ 里面，然后打开终端： pip install

tensorflow-0.8.0rc0-cp27-none-linux_x86_64.whl 就可以了

 

13：test
在test之前，开启gpu支持

$ export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/cuda/extras/CUPTI/lib64"
$ export CUDA_HOME=/usr/local/cuda

2017-9-15日更（成功）
下载1.2版本的whl文件：https://pypi.python.org/pypi/tensorflow-gpu/1.2.1
或者https://anaconda.org/anaconda/tensorflow-gpu

TensorBoard

TensorBoard的官网教程如下： 
https://www.tensorflow.org/versions/r0.7/how_tos/summaries_and_tensorboard/index.html

简单解释下：TensorBoard是个可视化工具，可以用来查看TensorFlow的图以及过程中的各种值和图像等。 
1. 在tensorflow程序中给需要的节点添加“summary operations”，“summary operations”会收集该节点的数据，并标记上第几步、时间戳等标识，写入事件文件。 
事件文件的形式如下所示：

2. TensorBoard读取事件文件，并可视化Tensorflow的流程。

Demo演示

• 利用官网提供的例子进行演示，官方例子提供了一个基于mnist的例子，我的文件的路径如下： 
  ~/libsource/tensorflow/tensorflow/examples/tutorials/mnist， 
  其中~/libsource/tensorflow/改为用户自己的tensorflow路径即可。 
  上述目录下有一个mnist_with_summaries.py文件，即为加入了“summary operations”的mnist demo。
• 启动mnist_with_summaries.py，

python mnist_with_summaries.py

mnist_with_summaries.py的源码如下：

# Copyright 2015 The TensorFlow Authors. All Rights Reserved.
#
# Licensed under the Apache License, Version 2.0 (the 'License');
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an 'AS IS' BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
# ==============================================================================
"""A simple MNIST classifier which displays summaries in TensorBoard.
 This is an unimpressive MNIST model, but it is a good example of using
tf.name_scope to make a graph legible in the TensorBoard graph explorer, and of
naming summary tags so that they are grouped meaningfully in TensorBoard.
It demonstrates the functionality of every TensorBoard dashboard.
"""
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

flags = tf.app.flags
FLAGS = flags.FLAGS
flags.DEFINE_boolean('fake_data', False, 'If true, uses fake data '
                     'for unit testing.')
flags.DEFINE_integer('max_steps', 1000, 'Number of steps to run trainer.')
flags.DEFINE_float('learning_rate', 0.001, 'Initial learning rate.')
flags.DEFINE_float('dropout', 0.9, 'Keep probability for training dropout.')
flags.DEFINE_string('data_dir', '/tmp/data', 'Directory for storing data')
flags.DEFINE_string('summaries_dir', '/tmp/mnist_logs', 'Summaries directory')

def train():
  # Import data
  mnist = input_data.read_data_sets(FLAGS.data_dir,
                                    one_hot=True,
                                    fake_data=FLAGS.fake_data)

  sess = tf.InteractiveSession()

  # Create a multilayer model.

  # Input placehoolders
  with tf.name_scope('input'):
    x = tf.placeholder(tf.float32, [None, 784], name='x-input')
    y_ = tf.placeholder(tf.float32, [None, 10], name='y-input')

  with tf.name_scope('input_reshape'):
    image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])
    tf.image_summary('input', image_shaped_input, 10)

  # We can't initialize these variables to 0 - the network will get stuck.
  def weight_variable(shape):
    """Create a weight variable with appropriate initialization."""
    initial = tf.truncated_normal(shape, stddev=0.1)
    return tf.Variable(initial)

  def bias_variable(shape):
    """Create a bias variable with appropriate initialization."""
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)

  def variable_summaries(var, name):
    """Attach a lot of summaries to a Tensor."""
    with tf.name_scope('summaries'):
      mean = tf.reduce_mean(var)
      tf.scalar_summary('mean/' + name, mean)
      with tf.name_scope('stddev'):
        stddev = tf.sqrt(tf.reduce_sum(tf.square(var - mean)))
      tf.scalar_summary('sttdev/' + name, stddev)
      tf.scalar_summary('max/' + name, tf.reduce_max(var))
      tf.scalar_summary('min/' + name, tf.reduce_min(var))
      tf.histogram_summary(name, var)

  def nn_layer(input_tensor, input_dim, output_dim, layer_name, act=tf.nn.relu):
    """Reusable code for making a simple neural net layer.
    It does a matrix multiply, bias add, and then uses relu to nonlinearize.
    It also sets up name scoping so that the resultant graph is easy to read,
    and adds a number of summary ops.
    """
    # Adding a name scope ensures logical grouping of the layers in the graph.
    with tf.name_scope(layer_name):
      # This Variable will hold the state of the weights for the layer
      with tf.name_scope('weights'):
        weights = weight_variable([input_dim, output_dim])
        variable_summaries(weights, layer_name + '/weights')
      with tf.name_scope('biases'):
        biases = bias_variable([output_dim])
        variable_summaries(biases, layer_name + '/biases')
      with tf.name_scope('Wx_plus_b'):
        preactivate = tf.matmul(input_tensor, weights) + biases
        tf.histogram_summary(layer_name + '/pre_activations', preactivate)
      activations = act(preactivate, 'activation')
      tf.histogram_summary(layer_name + '/activations', activations)
      return activations

  hidden1 = nn_layer(x, 784, 500, 'layer1')

  with tf.name_scope('dropout'):
    keep_prob = tf.placeholder(tf.float32)
    tf.scalar_summary('dropout_keep_probability', keep_prob)
    dropped = tf.nn.dropout(hidden1, keep_prob)

  y = nn_layer(dropped, 500, 10, 'layer2', act=tf.nn.softmax)

  with tf.name_scope('cross_entropy'):
    diff = y_ * tf.log(y)
    with tf.name_scope('total'):
      cross_entropy = -tf.reduce_mean(diff)
    tf.scalar_summary('cross entropy', cross_entropy)

  with tf.name_scope('train'):
    train_step = tf.train.AdamOptimizer(FLAGS.learning_rate).minimize(
        cross_entropy)

  with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
      correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
    with tf.name_scope('accuracy'):
      accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    tf.scalar_summary('accuracy', accuracy)

  # Merge all the summaries and write them out to /tmp/mnist_logs (by default)
  merged = tf.merge_all_summaries()
  train_writer = tf.train.SummaryWriter(FLAGS.summaries_dir + '/train',
                                        sess.graph)
  test_writer = tf.train.SummaryWriter(FLAGS.summaries_dir + '/test')
  tf.initialize_all_variables().run()

  # Train the model, and also write summaries.
  # Every 10th step, measure test-set accuracy, and write test summaries
  # All other steps, run train_step on training data, & add training summaries

  def feed_dict(train):
    """Make a TensorFlow feed_dict: maps data onto Tensor placeholders."""
    if train or FLAGS.fake_data:
      xs, ys = mnist.train.next_batch(100, fake_data=FLAGS.fake_data)
      k = FLAGS.dropout
    else:
      xs, ys = mnist.test.images, mnist.test.labels
      k = 1.0
    return {x: xs, y_: ys, keep_prob: k}

  for i in range(FLAGS.max_steps):
    if i % 10 == 0:  # Record summaries and test-set accuracy
      summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))
      test_writer.add_summary(summary, i)
      print('Accuracy at step %s: %s' % (i, acc))
    else:  # Record train set summaries, and train
      if i % 100 == 99:  # Record execution stats
        run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
        run_metadata = tf.RunMetadata()
        summary, _ = sess.run([merged, train_step],
                              feed_dict=feed_dict(True),
                              options=run_options,
                              run_metadata=run_metadata)
        train_writer.add_run_metadata(run_metadata, 'step%d' % i)
        train_writer.add_summary(summary, i)
        print('Adding run metadata for', i)
      else:  # Record a summary
        summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))
        train_writer.add_summary(summary, i)

def main(_):
  if tf.gfile.Exists(FLAGS.summaries_dir):
    tf.gfile.DeleteRecursively(FLAGS.summaries_dir)
  tf.gfile.MakeDirs(FLAGS.summaries_dir)
  train()

if __name__ == '__main__':
  tf.app.run()

其中

flags.DEFINE_string('summaries_dir', '/tmp/mnist_logs', 'Summaries directory')

标识了事件文件的输出路径。该例中，输出路径为/tmp/mnist_logs

• 打开TensorBoard服务

tensorboard --logdir=/tmp/mnist_logs/

• 在浏览器中进行浏览http://0.0.0.0:6006，在这个可视化界面中，可以查看tensorflow图和各种中间输出等。

 

 

TensorBoard的不过是个调试工具，看起来很酷炫有没有，但怎么充分利用，我想还是要对tensorflow充分了解。下面要转向对tensorflow的学习中了。

 

 

 

Error 2 Bug解决

通过pip方式安装的tensorflow，在使用tensorboard的时候，可能会出现如下Bug：

WARNING:tensorflow:IOError [Errno 2] No such file or directory: '/usr/local/lib/python2.7/dist-packages/tensorflow/tensorboard/TAG' on path /usr/local/lib/python2.7/dist-packages/tensorflow/tensorboard/TAG
WARNING:tensorflow:Unable to read TensorBoard tag
Starting TensorBoard  on port 6006

解决方案： 
下载tensorflow的github的源代码，将tensorflow的tensorboard目录下的TAG文件拷贝到python下面的tensorboard目录下即可，我的目录如下：

sudo cp ~/libsource/tensorflow/tensorflow/tensorflow/tensorboard/TAG /usr/local/lib/python2.7/dist-packages/tensorflow/tensorboard/