win7 安装配置TensorFlow 2.0.--cpu

1、环境准备

我目前是在笔记本上安装的，win7系统，目的是用来学习用。
1.0 conda环境准备
安装conda目的是可以管理多个python环境。根据如下参考文章从清华源下载了miniconda版本。
按照参考安装。
安装好后就可以在cmd中使用conda指令了，cmd打开方式，windows键+R键，弹出输入框，输入cmd就进入了。也可以直接在windows搜索cmd点击运行。
下面学习到一些cmd conda指令：
1、查看conda环境：conda env list
2、新建conda环境(env_name就是创建的环境名，可以自定义)：conda create -n env_name
3、激活conda环境（ubuntu与Macos 将conda 替换为source）：conda activate env_name
4、退出conda环境：conda deactivate
5、安装和卸载python包：conda install numpy # conda uninstall numpy
6、查看已安装python列表：conda list -n env_name

1.1 TF2.0 CPU版本安装
1.1.0 新建TF2.0 CPU环境（使用conda 新建环境指令 python==3.7表示在新建环境时同时python3.7）

conda create -n TF_2C python=3.7

当弹出 ：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

conda activate TF_2C

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

更新pip，没更新pip 有可能后面安装TensorFlow不成功，所以保证能使用最新的pip。
 

1.1.2 安装TF2.0 CPU版本（后面的 -i 表示从国内清华源下载，速度比默认源快很多）

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

如果网不好的，多执行几次。然后过一会就安装好啦。
1.1.3 pycharm中配置tensorflow
按如下流程添加刚才配置的TensorFlow环境，我的是在D:\ProgramData\Anaconda3\envs\TF_2C\python.exe位置

 

点击Apply 和OK，环境就可以用了。写入如下手写数字识别代码体验下

import  os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
 
import  tensorflow as tf
from    tensorflow import keras
from    tensorflow.keras import layers, optimizers, datasets
 
 
(x, y), (x_val, y_val) = datasets.mnist.load_data() 
x = tf.convert_to_tensor(x, dtype=tf.float32) / 255.
y = tf.convert_to_tensor(y, dtype=tf.int32)
y = tf.one_hot(y, depth=10)
print(x.shape, y.shape)
train_dataset = tf.data.Dataset.from_tensor_slices((x, y))
train_dataset = train_dataset.batch(200)
 
 
model = keras.Sequential([ 
    layers.Dense(512, activation='relu'),
    layers.Dense(256, activation='relu'),
    layers.Dense(10)])
 
optimizer = optimizers.SGD(learning_rate=0.001)
 
 
def train_epoch(epoch):
 
    # Step4.loop
    for step, (x, y) in enumerate(train_dataset):
 
        with tf.GradientTape() as tape:
            # [b, 28, 28] => [b, 784]
            x = tf.reshape(x, (-1, 28*28))
            # Step1. compute output
            # [b, 784] => [b, 10]
            out = model(x)
            # Step2. compute loss
            loss = tf.reduce_sum(tf.square(out - y)) / x.shape[0]
 
        # Step3. optimize and update w1, w2, w3, b1, b2, b3
        grads = tape.gradient(loss, model.trainable_variables)
        # w' = w - lr * grad
        optimizer.apply_gradients(zip(grads, model.trainable_variables))
 
        if step % 100 == 0:
            print(epoch, step, 'loss:', loss.numpy())
 
def train():
 
    for epoch in range(30):
        train_epoch(epoch)
 
if __name__ == '__main__':
    train()

结果： 

参考：
TensorFlow2.0正式版发布，极简安装TF2.0（CPU&GPU）教程