『TensorFlow2.0正式版教程』极简安装TF2.0正式版（CPUGPU）教程

0 前言

TensorFlow 2.0&＃xff0c;今天凌晨&＃xff0c;正式放出了2.0版本。

不少网友表示&＃xff0c;TensorFlow 2.0比PyTorch更好用&＃xff0c;已经准备全面转向这个新升级的深度学习框架了。

​

本篇文章就带领大家用最简单地方式安装TF2.0正式版本&＃xff08;CPU与GPU&＃xff09;&＃xff0c;由我来踩坑&＃xff0c;方便大家体验正式版本的TF2.0。

废话不多说现在正式开始教程。

1 环境准备

我目前是在Windows10上面&＃xff0c;使用conda管理的python环境&＃xff0c;通过conda安装cuda与cudnn&＃xff08;GPU支持&＃xff09;&＃xff0c;通过pip安装的tensorflow2.0。经过尝试只是最简单地安装方式&＃xff0c;无需配置复杂环境。

&＃xff08;关于ubuntu与mac版本的安装可以仿照此方法&＃xff0c;因为conda支持多平台&＃xff0c;应该没什么问题&＃xff0c;如果大家问题多的话&＃xff0c;可以评论&＃xff0c;我后面会会更新ubuntu安装教程&＃xff09;

1.0 conda环境准备

conda是很好用python管理工具&＃xff0c;可以方便建立管理多个python环境。后面安装的步骤里我也会介绍一些常用的conda指令。

conda 我推荐使用安装miniconda&＃xff0c;大家可以理解为精简版的anaconda&＃xff0c;只保留了一些必备的组件&＃xff0c;所以安装会比快上很多&＃xff0c;同时也能满足我们管理python环境的需求。&＃xff08;anaconda一般在固态硬盘安装需要占用几个G内存&＃xff0c;花费1-2个小时&＃xff0c;miniconda一般几百M&＃xff0c;10分钟就可以安装完成了&＃xff09;

miniconda推荐使用清华源下载&＃xff1a;https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/

选择适合自己的版本就可以&＃xff0c;

• windows推荐地址&＃xff1a;https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-4.7.10-Windows-x86_64.exe
• ubuntu推荐地址&＃xff1a;https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-4.7.10-Linux-x86_64.sh
• Mac os推荐地址&＃xff1a;https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-4.7.10-MacOSX-x86_64.pkg

下以windows版本来安装miniconda作为演示&＃xff0c;从上述下载合适版本&＃xff0c;下载好后以管理员权限打开点击安装。

​

注意这两个都要勾选&＃xff0c;一个是让我们可以直接在cmd使用conda指令&＃xff0c;第二个是把miniconda自带的python3.7作为系统python。

安装好后就可以在cmd中使用conda指令了&＃xff0c;cmd打开方式&＃xff0c;windows键&＃43;R键&＃xff0c;弹出输入框&＃xff0c;输入cmd就进入了。也可以直接在windows搜索cmd点击运行。

下面介绍些cmd conda指令&＃xff1a;

1. 查看conda环境&＃xff1a;conda env list
2. 新建conda环境(env_name就是创建的环境名&＃xff0c;可以自定义)&＃xff1a;conda create -n env_name
3. 激活conda环境&＃xff08;ubuntu与Macos 将conda 替换为source&＃xff09;&＃xff1a;conda activate env_name
4. 退出conda环境&＃xff1a;conda deactivate
5. 安装和卸载python包&＃xff1a;conda install numpy # conda uninstall numpy
6. 查看已安装python列表&＃xff1a;conda list -n env_name

知道这些指令就可以开始使用conda新建一个环境安装TF2.0了。

1.1 TF2.0 CPU版本安装

TF CPU安装比较简单&＃xff0c;因为不需要配置GPU&＃xff0c;所以windows ubuntu macOS安装方式都类似&＃xff0c;缺点就是运行速度慢&＃xff0c;但是用于日常学习使用还是可以的。

下面以windows版本做演示&＃xff1a;一下均在命令行操作

1.1.0 新建TF2.0 CPU环境&＃xff08;使用conda 新建环境指令 python&＃61;&＃61;3.6表示在新建环境时同时python3.6&＃xff09;

当弹出 &＃xff1a;Proceed ([y]/n)? 输入y回车

完成后就可以进入此环境

1.1.1 进入TF_2C环境

进入后我们就可以发现&＃xff1a;(TF_2C)在之前路径前面&＃xff0c;表示进入了这个环境。使用conda deactivate可以退出。

​

我们再次进入 conda activate TF_2C &＃xff0c;便于执行下述命令

1.1.2 安装TF2.0 CPU版本&＃xff08;后面的 -i 表示从国内清华源下载&＃xff0c;速度比默认源快很多&＃xff09;

如果网不好的&＃xff0c;多执行几次。然后过一会就安装好啦。下面我们做下简单测试。

1.1.3 测试TF2.0 CPU版本(把下面代码保存到demo.py使用TF_2C python运行)

import tensorflow as tf
version &＃61; tf.__version__
gpu_ok &＃61; tf.test.is_gpu_available()
print("tf version:",version,"\nuse GPU",gpu_ok)

如果没有问题的话输出结果如下&＃xff1a;可以看到tf 版本为2.0.0 因为是cpu版本&＃xff0c;所以gpu 为False

1.2 TF2.0 GPU版本安装

GPU版本和CPU类似&＃xff0c;但是会多一步对于GPU支持的安装。下面来一步步实现。安装之前确认你的电脑拥有Nvidia的GPU

1.2.0 新建TF2.0 GPU环境&＃xff08;使用conda 新建环境指令 python&＃61;&＃61;3.6表示在新建环境时同时python3.6&＃xff09;

当弹出 &＃xff1a;Proceed ([y]/n)? 输入y回车

完成后就可以进入此环境

1.1.1 进入TF_2G环境

1.1.2 安装GPU版本支持&＃xff0c;拥有Nvidia的GPU的windows一般都有默认驱动的&＃xff0c;只需要安装cudatoolkit 与 cudnn包就可以了&＃xff0c;要注意一点需要安装cudatoolkit 10.0 版本&＃xff0c;注意一点&＃xff0c;如果系统的cudatoolkit小于10.0需要更新一下至10.0

1.1.3 安装TF2.0 GPU版本&＃xff08;后面的 -i 表示从国内清华源下载&＃xff0c;速度比默认源快很多&＃xff09;

如果网不好的&＃xff0c;多执行几次。然后过一会就安装好啦。下面我们做下简单测试。

1.1.3 测试TF2.0 GPU版本(把下面代码保存到demo.py使用TF_2G python运行)

import tensorflow as tf
version &＃61; tf.__version__
gpu_ok &＃61; tf.test.is_gpu_available()
print("tf version:",version,"\nuse GPU",gpu_ok)

如果没有问题的话输出结果如下&＃xff1a;可以看到tf 版本为2.0.0 因为是gpu版本&＃xff0c;所以gpu 为True&＃xff0c;这表示GPU版本安装完成了。

1.2 最后我们测试一个使用TF2.0版本方式写的线性拟合代码

把下述代码保存为main.py

import tensorflow as tfX &＃61; tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
y &＃61; tf.constant([[10.0], [20.0]])class Linear(tf.keras.Model):def __init__(self):super().__init__()self.dense &＃61; tf.keras.layers.Dense(units&＃61;1,activation&＃61;None,kernel_initializer&＃61;tf.zeros_initializer(),bias_initializer&＃61;tf.zeros_initializer())def call(self, input):output &＃61; self.dense(input)return output# 以下代码结构与前节类似
model &＃61; Linear()
optimizer &＃61; tf.keras.optimizers.SGD(learning_rate&＃61;0.01)
for i in range(100):with tf.GradientTape() as tape:y_pred &＃61; model(X) # 调用模型 y_pred &＃61; model(X) 而不是显式写出 y_pred &＃61; a * X &＃43; bloss &＃61; tf.reduce_mean(tf.square(y_pred - y))grads &＃61; tape.gradient(loss, model.variables) # 使用 model.variables 这一属性直接获得模型中的所有变量optimizer.apply_gradients(grads_and_vars&＃61;zip(grads, model.variables))if i % 10 &＃61;&＃61; 0:print(i, loss.numpy())
print(model.variables)

输出结果如下&＃xff1a;

0 250.0
10 0.73648137
20 0.6172349
30 0.5172956
40 0.4335389
50 0.36334264
60 0.3045124
70 0.25520816
80 0.2138865
90 0.17925593
[array([[0.40784496],[1.191065 ],[1.9742855 ]], dtype&＃61;float32)>, ]

 

-1. 后记

回复两个评论区问的较为多的问题&＃xff1a;

新建tf环境了之后在安装&＃xff0c;是必须的嘛&＃xff1f;我几次都是直接在root里安装了

回复&＃xff1a; 不新建环境直接安装时使用的是默认的环境安装。不建议这么操作&＃xff0c;都在默认环境安装新的模块后面可能会有冲突。建议不同任务使用不同环境。。

使用conda install就不需要事先配置cudatoolkit和cudnn了。&＃xff08;cudatoolkit和cudnn版本问题&＃xff09;

回复&＃xff1a; 目前tf2.0还不支持conda install&＃xff0c;只能使用pip install。windows可以直接使用conda install cudatoolkit cudnn。要注意一点&＃xff0c;tf1.14以上要使用cudatoolkit >&＃61; 10.0。由于windows10默认cudatoolkit是9版本的&＃xff0c;需要手动安装10版本。其实他们关系是向下包容&＃xff0c;就是如果你装了10版本&＃xff0c;那么9&＃xff0c;8&＃xff0c;7版本都可以用conda安装

 

最后推荐一个TF2.0视频教程&＃xff0c;也可以扫码观看&＃xff1a;

我购买过了&＃xff0c;课程质量很高&＃xff0c;既有原理讲解也有实战演练。强烈推荐。缺点就是教的很细&＃xff0c;看完需要挺多时间&＃xff0c;但是深深研究下去还是有很多收获的。可以收获深度学习知识与技巧&＃xff0c;也可以学会实战编程。
现在在做活动&＃xff0c;可以领20元红包。。

 

​