Konfiguracja środowiska

Pobrać i zainstalować Miniconda lub Anaconda3 w najnowszej wersji: Python 3.6 64-bit (https://conda.io/miniconda.html), Po zainstalowaniu domyślnie ustawiony będzie Python 3.6, jednak ze względu na bibliotekę tensorflow uzywać będziemy wersji 3.5, w tym celu stworzymy wirtualne środowisko.

Otworzyć wiersz poleceń (cmd) jako administrator, przejści do folderu z Miniconda (lub Anaconda3) (u mnie C:\ProgramData\Miniconda3) i wykonać polecenia (jeżeli pyta o potwierdzenie dajemy 'y'):

• aktywacja głównego środowiska miniconda: $ Scripts\activate (powinno pojawić się (root))
• aktualizacja pakietu conda: $ conda update conda
• stworzenie virtualnego środowiska z pythonem 3.5: $ conda create -n venv3.5 python=3.5

• deaktywacja środowiska: $ deactivate

• wchodzimy do stworzonego środowiska: $ cd envs\venv3.5

• aktywacja: $ Scripts\activate venv3.5 (powinno pojawić się (venv3.5))

• istalacja pakietu numpy: $ conda install numpy (http://www.numpy.org/)

• istalacja pakietu scipy: $ conda install scipy (https://www.scipy.org/)

• istalacja pakietu matplotlib: $ conda install matplotlib (http://matplotlib.org/)

• istalacja pakietu pandas: $ conda install pandas (http://pandas.pydata.org/)

• istalacja pakietu scikit-learn: $ conda install scikit-learn (http://scikit-learn.org/stable/index.html)

• istalacja pakietu jupyter: $ conda install jupyter (http://jupyter.org/)

• instalacja pakietu tensorflow: $ pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.1.0-cp35-cp35m-win_amd64.whl (https://www.tensorflow.org/install/install_windows)

• instalacja pakietu keras: $ pip install keras (https://keras.io/)

Do kolejnych zajęć:

• $ conda install -c https://conda.anaconda.org/menpo opencv3

• $ pip install Image

• $ pip install pypiwin32

• $ pip install tflearn

• $ conda install h5py

Test

• uruchamiamy $ jupyter notebook (przy aktywnym venv3.5) jupyter uruchomi się w przeglądarce
• Tworzymy nowy dokument New->Python 3 i w komórkach wpisujemy jak poniżej (shift+enter wykonuje komórke)

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.optimize import minimize
from sklearn import preprocessing
from keras import backend as K
import cv2
import win32gui, win32ui, win32con, win32api
from PIL import ImageGrab
import tflearn
%matplotlib inline

Using TensorFlow backend.

curses is not supported on this machine (please install/reinstall curses for an optimal experience)

vec = np.array([1,2,3,4,5], dtype=np.double)
vec

array([ 1.,  2.,  3.,  4.,  5.])

df = pd.DataFrame({'a':vec, 'b':vec**2})
df.head()

	a	b
0	1.0	1.0
1	2.0	4.0
2	3.0	9.0
3	4.0	16.0
4	5.0	25.0

plt.plot(vec, vec**2)

[<matplotlib.lines.Line2D at 0xda69fd0>]

def func(x):
    return x[0]**2 + x[1]**2

x0 = np.ones(2)
res = minimize(func, x0, method='BFGS')
print(res.x)

[ -1.07505143e-08  -1.07505143e-08]

vec_scaled = preprocessing.scale(vec)
print(vec_scaled)

[-1.41421356 -0.70710678  0.          0.70710678  1.41421356]

a = K.variable(value=vec)
c = K.sum(a)
c

<tf.Tensor 'Sum:0' shape=() dtype=float32>

K.eval(c)

15.0