本文内容汇总

1. Anaconda(python3.7)和原生python3.7安装tensorflow
2. 警告 AVX2 FMA
3. 报错 'tensorflow' has no attribute 'xxxx'类错误
4. tensorflow导入mnist数据集出现的一些错误
5. 使用Pycharm，无法import tensorflow
6. tf.summary.FileWriter()，提示 PermissionDeniedError
7. 执行pip install XXX 出现Script file 'E:AnacondaScriptspip-script.py' is not present. 及pip不存在报错
8. tensorflow下已经初始化，但报错FailedPreconditionError: Attempting to use uninitialized value X
9. 加载CIFAR10数据集出现的一些报错

1.Anaconda(python3.7)和原生python3.7安装tensorflow

我计算机上同时安装了Anaconda(python3.7)和原生python3.7，两者冲突问题已经解决，参见另一篇文章。无论Anaconda还是原生python，使用pip install tensorflow==1.14都能够安装成功。

但我看网上的帖子，似乎tensorflow原来只支持到python3.5，更高版本不支持（到18年是这样，但实际我已经安装成功了），而网友安装了Anaconda(python3.7)，为解决这个问题，可使用conda 创建虚拟python3.5环境，然后安装tensorflow就行。例如<TensorFlow安装和下载>就说道，

1.在命令行中使用以下命令创建 conda 环境（如果使用 Windows，最好在命令行中以管理员身份执行）：
conda create -n tensorflow python=3.5
2.激活 conda 环境：activate tensorflow
3.根据要在 conda 环境中安装的 TensorFlow 版本，输入以下命令：pip install tensorflow==1.13.1
4.在命令行中禁用 conda 环境（Windows 调用 conda deactivate命令）
5.（安装后？禁用conda后？）现在可以执行第一个 TensorFlow 程序了

可我尝试了下这个方法，发现有问题，明明已经提示安装成功了，但是import tensorflow就会提示没有这个tf这个库，pip uninstall则提示都没安装tf这个库，总之就很奇怪。我不知道这些帖子是怎么操作的。另外，每次想使用tf，都需要先conda activate python35 激活这个python3.5环境才可以吗？岂不是很麻烦。还是说不管激不激活，但凡使用tf都是自动配合的python3.5？没想通这个问题，留待以后吧

2.警告 AVX2 FMA

在运行TensorFlow的代码时，遇到了以下关于AVX的警告。

warning：Your CPU supports instructions that this TensorFlow binary was not
compiled to use: AVX2 FMA

大意为：你的CPU支持AVX扩展，但是你安装的TensorFlow版本无法编译使用。

通过在代码中添加以下两语句，警告就不在出现了

import 

AVX补充知识：

除了通常的算术和逻辑，现代CPU提供了许多低级指令，称为扩展，例如， SSE2，SSE4，AVX等来自维基百科：
高级矢量扩展（AVX）是英特尔在2008年3月提出的英特尔和AMD微处理器的x86指令集体系结构的扩展，英特尔首先通过Sandy Bridge处理器在2011年第一季度推出，随后由AMD推出Bulldozer处理器在2011年第三季度.AVX提供了新功能，新指令和新编码方案。
特别是，AVX引入了融合乘法累加（FMA）操作，加速了线性代数计算，即点积，矩阵乘法，卷积等。几乎所有机器学习训练都涉及大量这些操作，因此将会支持AVX和FMA的CPU（最高达300％）更快。该警告指出您的CPU确实支持AVX（hooray！）

并需要注意：

这只限于CPU。如果你有一个GPU，你不应该关心AVX的支持，因为大多数昂贵的操作将被分派到一个GPU设备上（除非明确地设置）。在这种情况下，您可以简单地忽略此警告。

那为什么会出现这种警告呢？

由于tensorflow默认分布是在没有CPU扩展的情况下构建的，例如SSE4.1，SSE4.2，AVX，AVX2，FMA等。默认版本（来自pip install tensorflow的版本）旨在与尽可能多的CPU兼容。另一个观点是，即使使用这些扩展名，CPU的速度也要比GPU慢很多，并且期望在GPU上执行中型和大型机器学习培训。

解决方法：

• 如果安装的是GPU版本

如果你有一个GPU，你不应该关心AVX的支持，因为大多数昂贵的操作将被分派到一个GPU设备上（除非明确地设置）。在这种情况下，您可以在代码中添加以下语句简单地忽略此警告：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

• 如果安装的是CPU版本（pip install tensorflow）

（1）.在代码中加入如下代码，忽略警告：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

（2）.编译TensorFlow源码
如果您没有GPU并且希望尽可能多地利用CPU，那么如果您的CPU支持AVX，AVX2和FMA，则应该从针对CPU优化的源构建tensorflow。在这个问题中已经讨论过这个问题，也是这个GitHub问题。 Tensorflow使用称为bazel的ad-hoc构建系统，构建它并不是那么简单，但肯定是可行的。在此之后，不仅警告消失，tensorflow性能也应该改善。

本部分内容整理自CSDN博主「涛哥带你学编程」，并参考了stack overflow的英文讨论，另补充了自己遇到的实际情况。

3.报错 'tensorflow' has no attribute 'xxxx'类错误

第一种情况：如果不是第二种情况，确认tensorflow不是空库。

我在Pycharm上使用，程序没有问题，却报错AttributeError: 'module' object has no attribute 'global_variables_initializer'。

尝试解决方法如下：将tf.global_variables_initializer()更改为tf.initialize_all_variables()解决了问题，说明了pycharm使用的TF是旧版本。很奇怪，我anaconda安装的TF是比较新的版本，在cmd和Notepad++中用tf.global_variables_initializer()都是没问题的，奇怪

第二种情况：

在pip install tensorflow安装tensorflow库之后，运行代码，会遇见以下各种错误，这些错误都是相似的，表明tensorflow库是空库，无这些属性。

AttributeError

我按照网上方法尝试卸载、再重新安装tensorflow库，运行代码还是报错。经过更为细致的查找，明白了问题所在。

Google推出了tensorflow1.x 和tensorflow2.0两大类版本，其中2.0版本的推出是为了应对在动态图功能上更为强大的Pytorch库(Facebook所有)。2.0版本大幅更新，很多1.x版本的程序、语句在2.0上运行就会报错。我是在2019年10月使用pip install tensorflow安装tensorflow库的，则默认安装的2.0版本，所以要运行网上的tensorflow程序，需要安装1.x版本。例如，看到一个18年上传的GitHub项目，作者竟然还是用1.8这样的老版本开发的，一些语句甚至1.13版本运行都会出错。

我遇到的一种情况，可以作为这种解释的例证：

原来函数是这样写的

选择 1.x 版本进行开发，尽量使用 TensorFlow 1.13.1、1.14 版本为主。因为 TensorFlow 2.x 版本的代码是基于 TensorFlow 1.13.1 转化而来。TensorFlow 1.13.1 版本可以部分支持 TensorFlow 2.0 版本的代码。而 1.14 版本在 1.13 基础上又更新了一代，相对更为稳定。这次我就卸载了2.0版，安装了1.14版本。

pip uninstall tensorflow
pip install tensorflow==1.14

GitHub上有关于此类报错的探讨，他们报错的原因可能是window系统下 anaconda的一些配置问题（这里不太理解，此外我对anaconda使用的很少，相关的命令也不太会使用，需要研究一下，可以参见<恢复anaconda环境, 卸载和重装anaconda>与<Windows下 TensorFlow 的安装（包含：CUP版、GPU版、CUDA、cuDNN）>）

tensorflow1.0版本和2.0版本的比较，何种情况下使用相应版本比较好，以及两种版本的程序如何移植和兼容，参见我的另一篇<机器学习——TensorFlow库1.x版本和2.0版本比较、兼容、程序移植>

从GPU、CPU角度，还可以将tensorflow分为4个版本

• tensorflow - 仅支持 CPU 的当前稳定版本（建议新手使用）
• tensorflow-gpu - 支持 GPU 的当前稳定版本（Ubuntu 和 Windows）
• tf-nightly - 仅支持 CPU 的每夜版（不稳定）
• tf-nightly-gpu - 支持 GPU 的每夜版（不稳定，Ubuntu 和 Windows）

4.tensorflow导入mnist数据集出现的一些错误

安装好tensorflow后，导入mnist数据集也出了一些问题，让我折腾好久才明白。此处加以记录。

（1）首先需要明白tensorflow库、input_data.py

使用anaconda pip install tensorflow==1.14安装的tensorflow库，位于A:softwareAnaconda3Libsite-packagestensorflow（anaconda下载的库都在site-package这里）

使用GitHub手动从https://github.com/tensorflow/tensorflow下载的tensorflow库位于任意自己想放置的位置（本人放在Z:GitHub中）

不管tensorflow库是以上哪种方式下载的，包含的内容基本都是一致的（当然从GitHub上手动下载的内容更全，但所有必须的文件，两种方式都是有的）。即以下路径tensorflowexamplestutorialsmnistinputdata.py和文件input_data两种下载方式都是有的。

（2）有了上面的认识，接下来导入mnist数据集，并明白MNIST_data文件夹的位置

官方教程说是使用以下两句话导入mnist，我用anaconda-python也确实执行成功下载了，文件夹中下载了4个压缩包，mnist对象也有内容了。

#读取数据集，第一次tensorflow会自动下载数据集到下面路径文件中。
#原路径中若没有MNIST_data文件夹，则会自动创建之然后下载数据集
import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets("A:/software/Anaconda3/Lib/site-packages/tensorflow/examples/tutorials/mnist/MNIST_data", one_hot=True)

注意，一开始我犯了错误，直接粘贴了以下教程中的语句，执行后找不到MNIST_data文件夹在哪，以为下载失败。后来才发现在Z:/中，因为cmd执行时就base在Z:/。这个路径可以放在任意位置处，如自己当前所做的项目文件夹中，并不一定要放在tensorflow/examples/tutorials/mnist/MNIST_data库中。（当然，我目前还是放在了这个路径，方便以后自己用作他途）

#这是教程中的原句
import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

看别人的例子，就能很明白

（3）因为各种原因（主要是谷歌服务器URL的一些问题？），mnist数据集没有下载成功

例如上面的图片，运行程序出现”URLError”错误的问题。这时，可以自行从MNIST官网下载数据集后下载数据集后，将数据集放到自己想放的路径下（比如项目文件夹而非tensorflow库下Z:python_codemy_projectMNIST_project1MNIST_data，这种情况MNISTdata文件夹是自己手动创建的，可不是python创建的，因为就没执行自动创建MNIST_data文件夹和下载数据集）。另外要注意，保持数据库压缩包状态，千万不要解压！不然会报错

然后再执行

#注意修改MNIST_data路径，比如这里为python_codemy_projectMNIST_project1MNIST_data
import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets("cmd目前所在路径/MNIST_data/", one_hot=True)

表明读取成功，然后就可以随意调用mnist对象了。

（4）使用左斜杠'/'，或者使用双右斜杠''，右斜杠''可能会导致转义从而错误，这种错误就很low了，如下

（5）一些遗留问题

（a）无论GitHub下载的还是python自己自动下载的MNIST数据集，在MNIST_data这个文件夹都有mnist.py这个文件。我不知道这个文件是干嘛的，因为执行mnist = input_data.read_data_sets("cmd目前所在路径/MNIST_data/", one_hot=True)这个语句看起来像是会创建mnist.py这个文件，然而不是。这个点一开始迷惑我很久，后来发现应该是误会。

在我自己的项目中，只有input_data.py和MNIST数据集（也可以没有MNIST_data这个文件夹和数据集，有一个input_data.py足以，再执行那两条语句就会自动下载数据集），并没有mnist.py，但并不影响运行。

(b)还有就是GitHub上手动下载的内容中包括的input_data.py似乎和python pip自动下载的tensorflow库中的input_data.py，不太一样。可能有内容更新吧。比如体现在以下这个问题：

对于三个不同位置处的input_data.py，分别从空白cmd-> python -> import 相应路径.input_data as input_data 就会是对的。而如果已经cmd-> python -> import python_code.my_project.MNIST_project1.input_data as input_data 后，再执行 import tensorflow.examples.tutorials.mnist.input_data as input_data就会提示各种奇怪的报错。不知道是什么原因，可能是两个input_data.py文件不太一样吧。

5. 使用Pycharm，无法import tensorflow

我安装的anaconda 中有两个python.exe文件。配置Pycharm interpreter编译器时，需要连接至这个最外层的python.exe（第一张图片）, 因为此处的python才对应Anaconda3Libsite-packages中下载的各种库。

不太清楚A:softwareAnaconda3envspython35 中为什么会存在这个python35文件夹，照理说，一个anaconda不应该存在两个python.exe。估计是配置pycharm时，误用虚拟环境创建的，下载再安装anaconda时注意观察是否存在

参考网站：<MNIST官网> <tensorflow导入mnist数据集出错的解决办法> <TensorFlow读取MNIST数据集错误的问题>

6. tf.summary.FileWriter()，提示 PermissionDeniedError

Tensorflow下使用 tf.summary.FileWriter()，提示 PermissionDeniedError；

我的解决方法：把 tf.summary.FileWriter() 中的路径写成绝对路径 （好像这条没解决问题）

7. 执行pip install XXX 出现Script file 'E:AnacondaScriptspip-script.py' is not present. 及pip不存在报错

更新pip，使用的是

pip install --upgrade pip

执行此命令有可能不会成功，比如因为权限不够。这个操作可能造成已安装的pip包删除或破坏，然后再执行别的pip install的时候就一直提示Script file ‘E:AnacondaScriptspip-script.py’ is not present.这个错误。

解决方法，使用

easy_install pip

这个命令，再重新安装一下pip就好了

顺便查了一下pip 和easy_install 的区别：放上来方便记忆理解。

https://www.cnblogs.com/hdk1993/p/8010977.html

8. tensorflow下已经初始化，但报错FailedPreconditionError: Attempting to use uninitialized value X

在写程序初始化的时候一定要注意初始化的位置，并不是说自己的计算图搭建完成就要初始化，因为其中的组件可能本身也要申请变量，比如adam，这时最好是在程序运行前面添加变量的初始化，因为可以帮助你把后来模块中声明的变量同时进行初始化，参考下面报错案例1

import tensorflow as tf
W = tf.Variable(tf.zeros([2, 1]), name="weights")
b = tf.Variable(0., name="bias")def inference(X):...
def loss(X, Y):...
def inputs():...
# 本函数会用到优化器
def train(total_loss):learning_rate = 0.0000001#return tf.train.AdamOptimizer(0.0000001).minimize(total_loss)return tf.train.GradientDescentOptimizer(learning_rate).minimize(total_loss)def evaluate(sess, X, Y):...with tf.Session() as sess:X, Y = inputs()#init = tf.global_variables_initializer()total_loss = loss(X, Y)train_op = train(total_loss)coord = tf.train.Coordinator()threads = tf.train.start_queue_runners(sess=sess, coord=coord)init = tf.global_variables_initializer()#初始化所在的位置至关重要，以本程序为例，使用adam优化器时，会主动创建变量。#因此，如果这时的初始化位置在创建adam优化器之前，则adam中包含的变量会未初始化，然后报错。本行初始化时，可以看到Adam#已经声明，故不会出错sess.run(init)training_steps = 10000saver = tf.train.Saver()  #模型保存和恢复，当把改行放入for循环中以后，会发现程序执行速度明显变慢for step in range(training_steps):#saver = tf.train.Saver()sess.run(train_op)if step % 10 == 0:print("loss", sess.run(total_loss))if step % 1000 == 0:saver.save(sess, r"E:tf_project练习model_save_dirmy-model", global_step=step)evaluate(sess, X, Y)saver.save(sess, r"E:tf_project练习model_save_dirmy-model", global_step=training_steps)coord.request_stop()coord.join(threads)sess.close()

有时需要使用tf.local_variables_initializer()，如果使用tf.global_varialbes_initialize()时，会报错： Attempting to use uninitialized value，错误指向coord.join(threads)，可能是这条语句在执行中会形成一些临时局部变量，具体是什么不太清楚。吊诡的是，我在别处另外几段代码中也使用了coord.join(threads)+global_varialbes_initialize()但并没有报错，不清楚什么原因。参考下面报错案例2

import numpy as np
import tensorflow as tfdef next_batch():datasets =  np.asarray(range(0,20))input_queue = tf.train.slice_input_producer([datasets],shuffle=False,num_epochs=1)data_batchs = tf.train.batch(input_queue,batch_size=5,num_threads=1,capacity=20,allow_smaller_final_batch=False)return data_batchsif __name__ == "__main__":data_batchs = next_batch()sess = tf.Session()# sess.run(tf.global_varialbes_initialize()) # 这里使用全局变量初始化器则会报错“变量未初始化”sess.run(tf.local_variables_initializer())coord = tf.train.Coordinator()threads = tf.train.start_queue_runners(sess,coord)try:while not coord.should_stop():data = sess.run([data_batchs])print(data)except tf.errors.OutOfRangeError:print("complete")finally:coord.request_stop()coord.join(threads)sess.close()# 输出
[array([0, 1, 2, 3, 4])]
[array([5, 6, 7, 8, 9])]
[array([10, 11, 12, 13, 14])]
[array([15, 16, 17, 18, 19])]
complete

解决办法：

1. 试着换一下“全局变量”和“局部变量”初始化器，看看效果
2. 仔细检查init+run语句位置，避免一些需要初始化的OP出现在run后面。例如上例中，data_batchs = next_batch()容易误放到后面
3. 可以将两种初始化器结合起来，确保任何变量都初始化 init = (tf.global_variables_initializer(), tf.local_variables_initializer())+sess.run(init)

参考<报错FailedPreconditionError: Attempting to use uninitialized value X> <Attempting to use uninitialized value的解决方案>

9. 加载CIFAR10数据集出现的一些报错

CIFAR-10 数据集由 10 类 60000 张 32×3 2像素的彩色图片组成，每类有 6000 张图片。有 50000 张训练图片和 10000 张测试图片。常用于卷积神经网络-图片分类。

TFlearn库和Keras库中都含有cifar10.load_data()语句，用以加载CIFAR10数据集。两者的load_data()使用略有区别

(1) keras.datasets.cifar10.load_data()直接使用，不会报错。注意此load_data()无任何参数，若给参数则会报错。

import 

但每次使用keras加载cifar-10数据集的时候需要消耗很长时间，有时因为网络原因还不一定能加载成功~~解决办法是直接下载去官网下载好压缩包，下载下来的文件放到~/.keras/datasets/ 目录下，然后将文件名改名为cifar-10-batches-py.tar.gz， 再解压之。

再使用 (x_train, y_train), (x_test, y_test) = cifar10.load_data() 即可

(2) tflearn.datasets.cifar10.loaddata()的使用。注意此load_data()可不输入任何参数，也可输入dir_name或one_hot参数。

import tflearn.datasets.cifar10
(X,Y),(X_test,Y_test) = cifar10.load_data()

但在使用中，我发现通过keras来加载不会出错，但是通过tflearn加载则会报错，见下图：

No 

错误原因是从官网下载的数据集压缩文件是cifar-10-python.tar.gz，但是代码要求从cifar-10-batches-py中加载data_batch_N文件，而非从cifar-10-python中加载文件，所以报错说找不到该文件。解决办法是，手动下载cifar-10-python.tar.gz压缩包，解压，将其中文件全部放到另建的cifar-10-batches-py文件夹中，如下所示

再使用以下语句即可。代码将从下面所给dirname接着寻找cifar-10-batches-pydata_batch_N

(

注意dirname只到CBIANCHENG_relevant_code文件夹，不到cifar-10-batches-py文件夹，并且压缩包要保留。原因自己思考一下就知道了

<wrong cifar-10-batches path>中所述解决办法正是如此。不过应该不需要两层cifar-10-batches-py文件夹，已验证过了

手动加载，并将路径参数传给load_data()，这种处理思想，同样是适用于MNIST等其他数据集的。