Tensorflow 2.0 中遇到的一些坑记录（ 一）

一、安装方面

这里默认以tensorflow 2.0 gpu版本为例说明,安装cpu版本只需要把下面命令中的-gpu 删除即可

1.1 安装小细节控制

以下命令同为通用，读者若使用的是Anaconda 所创立的虚拟环境，请先

activate XXX(虚拟环境名)

若使用的base环境或不使用Anaconda 请忽略这一步

---

现在是2019.10，自Tensorflow 2.0 出现后，numpy 1.17 也出台了，如果直接用默认的安装命令

conda install tensorflow-gpu

或者是

pip install tensorflow-gpu

均可能会出现一些小问题，这里建议使用

pip install tensorflow-gpu==2.0 numpy==1.16.4

这样会比较稳定，numpy 1.17当然也是可用的，但不是很稳定，容易出错，具体原因不明，我遇到的numpy出错的问题的解决方案见下，这里暂不提。

至于为什么不用conda 命令，而是用pip命令则是由于我查了一些资料，浏览了一些博主所写到的，据说是因为conda 存在一些小bug，而且目前conda 还暂不支持TF2.0的conda install 。

1.2 CUDN与cudnn的版本选择

CUDN与cudnn的版本适配与安装步骤问题网上已经有很多了，这里就不再一一赘述，主要就提几个我遇到的坑或者我个人认为比较方便读者的几点

1.2.1 查看已安装好的tensorflow支持的CUDN与CUDNN版本号

这些信息在安装好tensorflow后只可以直接从源码中查看的，步骤如下：

step1.打开你的tensorflow的环境地址

step 2.以 笔者的包环境为例， 在**D:\Programming\Anaconda3\envs\tf2\Lib\site-packages\tensorflow_core\python\platform** 下，打开 build_info.py 文件，笔者的如下

cuda_version_number = '10.0'   # 表示CUDA的版本为10.0
cudnn_version_number = '7'     # 表示CUdnn的版本为 7
msvcp_dll_name = 'msvcp140.dll'
nvcuda_dll_name = 'nvcuda.dll'
cudart_dll_name = 'cudart64_100.dll'
cudnn_dll_name = 'cudnn64_7.dll'

在这里可以看到我们应下载的CUDA版本和CUdnn版本，按照这里的版本下载，就不会有问题了！

1.2.2 一般TF 2.0支持的cudn 和cudnn的版本号应该是 cudn>= 10.0 , cudnn >= 7

目前cudn的版本已经出到10.1，对应的cudnn的版本也更新了，但这里建议不要使用 cudn 10.1 容易出问题。当然如果读者执意要使用cudn 10.1 最后出现ImportError: Could not find 'cudart64_100.dll’问题，请自行百度解决方案（当然，读者也可以去直接把目标目录下存在的cudart64_101.dll重命名为cudart64_100.dll，这样确实就不会弹bug了，但会不会有别的问题，笔者不敢保证）

二、测试是否安装成功

2.1 测试tensorflow是否安装成功

命令行下，切换到目前虚拟环境，并输入以下代码：

python
import tensorflow as tf
tf.__version__
tf.test.is_gpu_available()

如果显示以下结果，则说明，tensorflow安装成功。注：这里只能看出tensorflow的cpuu版本是否成功安装，至于gpu则请看下一栏。

2.2 测试tensorflow-gpu是否安装成功

在上一步的基础上，在追加以下代码：tf.test.is_gpu_available()即可，若显示True，则证明安装成功，如下图所示：

2.3 若import tensorflow失败，显示找不到指定模块

出现该问题，可能是因为没有安装VS的一些组件，该问题，在官方文档中有提到，如下图:

点击该链接安装，然后重启即可解决。