0 前言

TensorFlow 2.0，今天凌晨，正式放出了2.0版本。

不少網友表示，TensorFlow 2.0比PyTorch更好用，已經準備全面轉向這個新升級的深度學習框架了。

​

本篇文章就帶領大家用最簡單地方式安裝TF2.0正式版本（CPU與GPU），由我來踩坑，方便大家體驗正式版本的TF2.0。

廢話不多說現在正式開始教程。

1 環境準備

我目前是在Windows10上面，使用conda管理的python環境，通過conda安裝cuda與cudnn（GPU支援），通過pip安裝的tensorflow2.0。經過嘗試只是最簡單地安裝方式，無需配置複雜環境。

（關於ubuntu與mac版本的安裝可以仿照此方法，因為conda支援多平臺，應該沒什麼問題，如果大家問題多的話，可以評論，我後面會會更新ubuntu安裝教程）

1.0 conda環境準備

conda是很好用python管理工具，可以方便建立管理多個python環境。後面安裝的步驟裡我也會介紹一些常用的conda指令。

conda 我推薦使用安裝miniconda，大家可以理解為精簡版的anaconda，只保留了一些必備的元件，所以安裝會比快上很多，同時也能滿足我們管理python環境的需求。（anaconda一般在固態硬碟安裝需要佔用幾個G記憶體，花費1-2個小時，miniconda一般幾百M，10分鐘就可以安裝完成了）

miniconda推薦使用清華源下載：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/

選擇適合自己的版本就可以，

• windows推薦地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-4.7.10-Windows-x86_64.exe
• ubuntu推薦地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-4.7.10-Linux-x86_64.sh
• Mac os推薦地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-4.7.10-MacOSX-x86_64.pkg

下以windows版本來安裝miniconda作為演示，從上述下載合適版本，下載好後以管理員許可權開啟點選安裝。

​

注意這兩個都要勾選，一個是讓我們可以直接在cmd使用conda指令，第二個是把miniconda自帶的python3.7作為系統python。

安裝好後就可以在cmd中使用conda指令了，cmd開啟方式，windows鍵+R鍵，彈出輸入框，輸入cmd就進入了。也可以直接在windows搜尋cmd點選執行。

下面介紹些cmd conda指令：

1. 檢視conda環境：conda env list
2. 新建conda環境(env_name就是建立的環境名，可以自定義)：conda create -n env_name
3. 啟用conda環境（ubuntu與Macos 將conda 替換為source）：conda activate env_name
4. 退出conda環境：conda deactivate
5. 安裝和解除安裝python包：conda install numpy # conda uninstall numpy
6. 檢視已安裝python列表：conda list -n env_name

知道這些指令就可以開始使用conda新建一個環境安裝TF2.0了。

1.1 TF2.0 CPU版本安裝

TF CPU安裝比較簡單，因為不需要配置GPU，所以windows ubuntu macOS安裝方式都類似，缺點就是執行速度慢，但是用於日常學習使用還是可以的。

下面以windows版本做演示：一下均在命令列操作

1.1.0 新建TF2.0 CPU環境（使用conda 新建環境指令 python==3.6表示在新建環境時同時python3.6）

conda create -n TF_2C python=3.6

當彈出 ：Proceed ([y]/n)? 輸入y回車

完成後就可以進入此環境

1.1.1 進入TF_2C環境

conda activate TF_2C

進入後我們就可以發現：(TF_2C)在之前路徑前面，表示進入了這個環境。使用conda deactivate可以退出。

​

我們再次進入 conda activate TF_2C ，便於執行下述命令

1.1.2 安裝TF2.0 CPU版本（後面的 -i 表示從國內清華源下載，速度比預設源快很多）

pip install tensorflow==2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

如果網不好的，多執行幾次。然後過一會就安裝好啦。下面我們做下簡單測試。

1.1.3 測試TF2.0 CPU版本(把下面程式碼儲存到demo.py使用TF_2C python執行)

import tensorflow as tf
version = tf.__version__
gpu_ok = tf.test.is_gpu_available()
print("tf version:",version,"\nuse GPU",gpu_ok)

如果沒有問題的話輸出結果如下：可以看到tf 版本為2.0.0 因為是cpu版本，所以gpu 為False

tf version: 2.0.0
use GPU False

1.2 TF2.0 GPU版本安裝

GPU版本和CPU類似，但是會多一步對於GPU支援的安裝。下面來一步步實現。安裝之前確認你的電腦擁有Nvidia的GPU

1.2.0 新建TF2.0 GPU環境（使用conda 新建環境指令 python==3.6表示在新建環境時同時python3.6）

conda create -n TF_2G python=3.6

當彈出 ：Proceed ([y]/n)? 輸入y回車

完成後就可以進入此環境

1.1.1 進入TF_2G環境

conda activate TF_2G

1.1.2 安裝GPU版本支援，擁有Nvidia的GPU的windows一般都有預設驅動的，只需要安裝cudatoolkit 與 cudnn包就可以了，要注意一點需要安裝cudatoolkit 10.0 版本，注意一點，如果系統的cudatoolkit小於10.0需要更新一下至10.0

conda install cudatoolkit=10.0 cudnn

1.1.3 安裝TF2.0 GPU版本（後面的 -i 表示從國內清華源下載，速度比預設源快很多）

pip install tensorflow-gpu==2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

如果網不好的，多執行幾次。然後過一會就安裝好啦。下面我們做下簡單測試。

1.1.3 測試TF2.0 GPU版本(把下面程式碼儲存到demo.py使用TF_2G python執行)

import tensorflow as tf
version = tf.__version__
gpu_ok = tf.test.is_gpu_available()
print("tf version:",version,"\nuse GPU",gpu_ok)

如果沒有問題的話輸出結果如下：可以看到tf 版本為2.0.0 因為是gpu版本，所以gpu 為True，這表示GPU版本安裝完成了。

tf version: 2.0.0
use GPU True

1.2 最後我們測試一個使用TF2.0版本方式寫的線性擬合程式碼

把下述程式碼儲存為main.py

import tensorflow as tf

X = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
y = tf.constant([[10.0], [20.0]])


class Linear(tf.keras.Model):
    def __init__(self):
        super().__init__()
        self.dense = tf.keras.layers.Dense(
            units=1,
            activation=None,
            kernel_initializer=tf.zeros_initializer(),
            bias_initializer=tf.zeros_initializer()
        )

    def call(self, input):
        output = self.dense(input)
        return output


# 以下程式碼結構與前節類似
model = Linear()
optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)
for i in range(100):
    with tf.GradientTape() as tape:
        y_pred = model(X)      # 呼叫模型 y_pred = model(X) 而不是顯式寫出 y_pred = a * X + b
        loss = tf.reduce_mean(tf.square(y_pred - y))
    
    grads = tape.gradient(loss, model.variables)    # 使用 model.variables 這一屬性直接獲得模型中的所有變數
    optimizer.apply_gradients(grads_and_vars=zip(grads, model.variables))
    if i % 10 == 0:
        print(i, loss.numpy())
print(model.variables)

輸出結果如下：

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
[<tf.Variable 'linear/dense/kernel:0' shape=(3, 1) dtype=float32, numpy=
array([[0.40784496],
       [1.191065  ],
       [1.9742855 ]], dtype=float32)>, <tf.Variable 'linear/dense/bias:0' shape=(1,) dtype=float32, numpy=array([0.78322077], dtype=float32)>]