Tensorflowのfully_connected_feedの実行にエラーが続く

Question

tensoflowのfully_connected_feed.pyを実行しようとしているのですが、どう試行錯誤してもエラーが続きます。
tensorflowのインストールの仕方、実行する場所に問題があるのかもしれないので、手順を書きます。

http://qiita.com/hatapu/items/054dbab03607c47cb84f
http://d.hatena.ne.jp/shu223/20160105/1451952796#20160105f1
を参考にしました。
1

$ brew install pyenv-virtualenv

pyenv virtualenv 3.5.0 py350tensorflow

2

$ pyenv version
py350tensorflow (set by /Users/cloudspider/.pyenv/version)

こんな感じで表示されました。

3

$ sudo pip install --upgrade virtualenv
$ virtualenv --system-site-packages ~/tensorflow
$ source ~/tensorflow/bin/activate
pip install --upgrade https://storage.googleapis.com/tensorflow/mac/tensorflow-0.6.0-py3-none-any.whl

4
ホームディレクトリに「tensorflow」というディレクトリができたので中に入りgitという名前のディレクトリを作り、その中に入ります。

$cd tensorflow
$mkdir git
$cd git

5
ここでtensorflowのcloneをしました。

$ git clone --recurse-submodules https://github.com/tensorflow/tensorflow

6
fully_connected_feed.py の30,31行目を修正をしました。

import input_data
import mnist

7
実行しました。(アクティベートされている状態です)

$ cd tensorflow/
$ python tensorflow/examples/tutorials/mnist/fully_connected_feed.py 

8
エラーが出ます

Traceback (most recent call last):
  File "tensorflow/examples/tutorials/mnist/fully_connected_feed.py", line 32, in <module>
    import input_data
  File "/Users/cloudspider/tensorflow/git/tensorflow/tensorflow/examples/tutorials/mnist/input_data.py", line 29, in <module>
    from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets
ImportError: No module named 'tensorflow.contrib'

cloneするものをr0.8にしたり、tensorflowというディレクトリ名が被るのでダメなのかと思い、デスクトップに移動してみたり色々試したのですが、ダメでした。

そもそも /tensorflow/git/tensorflowで実行している事自体は良いのか。
/.pyenv/versions/py350tensorflowの中じゃないとダメじゃないのか。
source ~/tensorflow/bin/activateでアクティベートしている状態で実行してもよいのか。
そもそもこのアクティベートは何の意味があるのか。
など疑問が疑問を呼ぶ状態です。
エラー文にある通りにディレクトリを辿ると確かにそのディレクトリが存在しているのにエラーが出続きます。

どこに問題があるのでしょうか。
よろしくお願いします。

Answer 1

インストールの仕方やtensorflowのバージョンが古いようですね。
今では、コマンド一発でインストールできるようになっています。

GPU環境の場合

pip install tensorflow-gpu

CPU環境の場合

pip install tensorflow

上を実行した上で、以下のサンプルコードを動かしてみてください。

#  Copyright 2016 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.
"""This showcases how simple it is to build image classification networks.
It follows description from this TensorFlow tutorial:
    https://www.tensorflow.org/versions/master/tutorials/mnist/pros/index.html#deep-mnist-for-experts
"""

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import numpy as np
from sklearn import metrics
import tensorflow as tf

layers = tf.contrib.layers
learn = tf.contrib.learn


def max_pool_2x2(tensor_in):
  return tf.nn.max_pool(
      tensor_in, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')


def conv_model(feature, target, mode):
  """2-layer convolution model."""
  # Convert the target to a one-hot tensor of shape (batch_size, 10) and
  # with a on-value of 1 for each one-hot vector of length 10.
  target = tf.one_hot(tf.cast(target, tf.int32), 10, 1, 0)

  # Reshape feature to 4d tensor with 2nd and 3rd dimensions being
  # image width and height final dimension being the number of color channels.
  feature = tf.reshape(feature, [-1, 28, 28, 1])

  # First conv layer will compute 32 features for each 5x5 patch
  with tf.variable_scope('conv_layer1'):
    h_conv1 = layers.convolution2d(
        feature, 32, kernel_size=[5, 5], activation_fn=tf.nn.relu)
    h_pool1 = max_pool_2x2(h_conv1)

  # Second conv layer will compute 64 features for each 5x5 patch.
  with tf.variable_scope('conv_layer2'):
    h_conv2 = layers.convolution2d(
        h_pool1, 64, kernel_size=[5, 5], activation_fn=tf.nn.relu)
    h_pool2 = max_pool_2x2(h_conv2)
    # reshape tensor into a batch of vectors
    h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64])

  # Densely connected layer with 1024 neurons.
  h_fc1 = layers.dropout(
      layers.fully_connected(
          h_pool2_flat, 1024, activation_fn=tf.nn.relu),
      keep_prob=0.5,
      is_training=mode == tf.contrib.learn.ModeKeys.TRAIN)

  # Compute logits (1 per class) and compute loss.
  logits = layers.fully_connected(h_fc1, 10, activation_fn=None)
  loss = tf.losses.softmax_cross_entropy(target, logits)

  # Create a tensor for training op.
  train_op = layers.optimize_loss(
      loss,
      tf.contrib.framework.get_global_step(),
      optimizer='SGD',
      learning_rate=0.001)

  return tf.argmax(logits, 1), loss, train_op


def main(unused_args):
  ### Download and load MNIST dataset.
  mnist = learn.datasets.load_dataset('mnist')

  ### Linear classifier.
  feature_columns = learn.infer_real_valued_columns_from_input(
      mnist.train.images)
  classifier = learn.LinearClassifier(
      feature_columns=feature_columns, n_classes=10)
  classifier.fit(mnist.train.images,
                 mnist.train.labels.astype(np.int32),
                 batch_size=100,
                 steps=1000)
  score = metrics.accuracy_score(mnist.test.labels,
                                 list(classifier.predict(mnist.test.images)))
  print('Accuracy: {0:f}'.format(score))

  ### Convolutional network
  classifier = learn.Estimator(model_fn=conv_model)
  classifier.fit(mnist.train.images,
                 mnist.train.labels,
                 batch_size=100,
                 steps=20000)
  score = metrics.accuracy_score(mnist.test.labels,
                                 list(classifier.predict(mnist.test.images)))
  print('Accuracy: {0:f}'.format(score))


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