【从零开始人工智能01】人工智能运行开发环境搭建 - 好文

从零开始人工智能系列：

* 人工智能运行开发环境搭建
<https://blog.csdn.net/weixin_44107621/article/details/85879270>
* 第一个人工智能小程序：强化学习找金币
<https://blog.csdn.net/weixin_44107621/article/details/86547076>
<>人工智能运行开发环境搭建

<>一、系统要求

操作系统为Win10。如果有条件的话，建议还是在Linux系统下搭建人工智能环境。

<>二、软件安装

由于使用Win10操作系统，环境搭建选定Anaconda软件为基础，人工智能组件选择了当前最热的两类：tensorflow和gym。

1.Anaconda软件安装

到https://www.anaconda.com/下载Anaconda软件，记住要下载支持python3.x的版本。下载后双击运行安装。我没有将Anaconda添加到PATH环境变量中，使其运行为一个相对独立的环境。安装完成后在开始菜单中有Anaconda目录，其中Anaconda
Navigator和Anaconda Prompt是最常用的2个程序，前一个是有人机交互界面，后一个是控制台程序。

2.创建运行环境
运行Anaconda
Navigator，依次点击【Enviroments】-【Create】，输入运行环境名称（这里我的环境名称为hdrai），选择Python版本3.6。

3.安装spyder

根据百度百科：Spyder是Python作者为它开发的一个简单的集成开发环境，和其他的Python开发环境相比，它最大的优点就是模仿MATLAB的“工作空间”的功能，可以很方便地观察和修改数组的值。

点击【Home】，选择刚才创建的运行环境（我创建的是hdrai）,安装Spyder组件。如果已安装，显示按钮为【Launch】,如果未安装，显示按钮为【Install】。

4.打开运行环境终端，升级pip（也可以选择暂时不升级）
在Anaconda软件中选中刚才创建的运行环境（我创建的是hdrai），点击向右箭头，选择【Open Terminal】，打开终端。

输入：python -m pip install --upgrade pip

5.安装tensorflow
输入：pip install tensorflow

6.安装keras
输入：pip install keras

7.安装matplotlib
输入：pip install matplotlib

8.安装gym
输入：pip install gym

安装过程中，注意到环境中已经有高版本的pyglet了（1.3.2），安装的gym版本是0.10.9。后面在用代码测试环境时发现pyglet-1.3.2支持gym-0.10.9时会报错，需要将pyglet版本降到1.2.4。
降版本的命令为：pip install pyglet==1.2.4
安装完成后可以用pip list查看所有安装的组件及版本

<>三、运行环境测试

使用两个事例分别对tensorflow和gym的运行环境进行测试，测试工具使用spyder。
1.倒立摆试验（基于gym的应用）
这是http://gym.openai.com/docs/上的事例，代码如下：
import gym from gym import wrappers env=gym.make('CartPole-v0') #
根据本机情况创建一个缓存目录
env=wrappers.Monitor(env,'E:/Workplace/OpenAI/tmp/cartpole-experiment-1',
force='True') for i_episode in range(20): observation=env.reset() for t in
range(100): env.render() print(observation) action=env.action_space.sample()
s,r,done,info=env.step(action) if done: print("Episode finished after {}
timestep".format(t+1)) break # 关闭动画效果窗体 exit()
运行效果为：

2.拟合平面（基于tensorflow的应用）
这是http://www.tensorfly.cn/tfdoc/get_started/introduction.html 上的事例，代码如下：
import tensorflow as tf import numpy as np # 使用 NumPy 生成假数据(phony data), 总共
100 个点. x_data = np.float32(np.random.rand(2, 100)) # 随机输入 y_data =
np.dot([0.100, 0.200], x_data) + 0.300 # 构造一个线性模型# b =
tf.Variable(tf.zeros([1])) W = tf.Variable(tf.random_uniform([1, 2], -1.0,
1.0)) y = tf.matmul(W, x_data) + b # 最小化方差 loss = tf.reduce_mean(tf.square(y -
y_data)) optimizer = tf.train.GradientDescentOptimizer(0.5) train =
optimizer.minimize(loss) # 初始化变量 init = tf.initialize_all_variables() # 启动图
(graph) sess = tf.Session() sess.run(init) # 拟合平面 for step in range(0,201):
sess.run(train) if step % 20 == 0: print(step, sess.run(W), sess.run(b)) #
得到最佳拟合结果 W: [[0.100 0.200]], b: [0.300]
运行效果为：

<>四、后记

上述安装的组件都是最基本的组件，在后续学习和实践中还会要求安装新的组件。

热门工具换一换