Tensorflow 2.1.0
关于Tensorflow1.x 与 Tensorflow2.x
TF 1.x 和 2.0 方法的主要区别在于 2.0 方法不使用 tf.Session,tf.run,placeholder,feed_dict。
两个版本之间的不同之处以及两者之间进行转换的详细信息
Tensorflow 2.1.0 版本
去年 10 月,谷歌才发布了 TensorFlow 2.0 正式版。时隔三个月后,昨日官方发布了 TensorFlow 2.1,本次版本更新带了了多项新特性、功能改进和 bug 修复。TensorFlow 2.1 的 CUDA 版本为 10.1,cuDNN 版本为 7.6。同时,TensorFlow 2.1 将成为最后一个支持 Python2 的版本了。
功能改进和bug修复
Tensorflow 2.1.0架构
Tensorflow 2.1.0简化的模型开发流程
- 使用tf.data加载数据
- 使用tf.keras构建模型,也可以使用premade estimator来验证模型;使用tensorflow hub进行迁移学习
- 使用eager mode继续宁运行和调试(2.x默认开启)
- 使用分发策略来进行分布式训练
- 导出到SavedModel
- 使用Tensorflow serve、Tensorflow Lite、Tensorflow.js部署模型
Tensorflow 2.1.0强大的跨平台能力
- Tensorflow服务:直接使用HTTP/REST或GPRC/协议缓冲区
- Tensorflow Lite----可部署在Android\iOS和嵌入式系统上
- Tensorflow.js----在javascript中部署模型
- 其它语言:C, Java, Go, C#, Rust, R,…
Tensorflow 2.1.0强大的研究实验
- Keras功能的API和子类API,允许创建复杂的拓扑结构
- 自定义训练逻辑,使用tf.GradientTape和tf.custom_gradient进行更细粒度的控制
- 低层API自始至终可以与高层结合,完全的可定制
- 高级扩展:Ragged Tensors、Tensor2Tensor等
安装 Tensorflow 2.1.0 (Anaconda3极简)
主要介绍Win10如何简要的安装 Tensorflow 2.1.0 的 cpu 以及 gpu 版本。提前安装VS2015+版本,我这里是VS2017.
安装Anaconda3
在Anaconda官网中下载 anaconda3安装,下载,选择3.7的版本,路径可自选,一直默认安装就行。
创建与激活虚拟环境
- 打开Anaconda Prompt,创建虚拟环境
命令:conda create --name xxxxx python=3.7
注意:xxxxx是你想创建的虚拟环境的名称,后面会用到这个名称标识 - 激活虚拟环境
命令:conda activate xxxxx - 查看所有虚拟环境
命令:conda info --env
其实可以省掉创建虚拟环境的步骤,直接用base环境
使用虚拟环境的优势在于每个环境中的模块都是独立的,用到哪个可以切换,防止多次重新更改环境配置。创建虚拟环境安装的原因。
CUDA安装
-
CUDA是基于NVIDIA显卡的加速库,我们安装它以利于深度学习框架在NVIDIA的GPU显卡的加速运算。但在我们开始安装CUDA之前,请先确认计算机上是否有支持CUDA程序的NVIDIA显卡设备。如果计算机上没有NVIDIA显卡,则无法安装CUDA程序,应直接进入TensorFlow框架的安装。
CUDA的安装主要分成三个步骤。第一步:下载CUDA安装包,完成CUDA软件的安装;第二步:下载并配置cuDNN深度神经网络加速库;第三步:配置环境变量。 -
我们进入CUDA软件下载页 ,(CUDA下载页)选择
CUDA Toolkit 10.1 (Feb 2019), Online Documentation,点击之后依次选择Operating System,Version选择10,Installer Type选择exe(local),点击Download开始下载,安装包大小约为2.4GB。
(最新版本的TensorFlow2.1.0匹配的是10.1版本的CUDA Toolkit,因此我们下载10.1版本,否则后续TensorFlow框架的安装会出错,提示找不到动态链接库文件的信息)
-
这里有提到需要下载cuDNN深度神经网络加速库,我自己手动去下载了,但是后来发现install tensorflow的时候,会给自动再下载一次…不管了,多下载一次吧,反正cuDNN也不是什么程序,只是一个加速库,解压即可,版本与CUDA对应上就行。
安装成功后测试,如下图:
cuDNN神经网络加速库安装
打开cuDNN的下载页(cuDNN下载页),选择“Download cuDNN”。请注意,若要下载cuDNN,必须先登录NVIDIA的账户。因此,用户需要登录或者注册NVIDIA用户才可下载cuDNN。登录账户后,进入cuDNN的下载界面,勾选“I Agree To the Terms of the cuDNN Software License Agreement”,即可显示cuDNN的下载版本选项。(请注意:我们一定要选择与安装的CUDA版本相匹配的cuDNN,即选择Download cuDNN v7.6.5 (November 5th, 2019), for CUDA 10.1)。
下载完成解压后得到一个cuda文件夹,将它复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA文件夹下(上一步CUDA的安装目录)。
配置环境变量
***注意自己的安装目录,以及红色框中四个路径缺一不可!***
安装Tensorflow 2.1.0
- 在安装Tensorflow之前,需要检查一下自己电脑的CUDA版本,
- 据了解,Tensorflow 2.1.0默认
conda install tensorflow==2.1.0
是安装GPU版本,而CPU需要conda install tensorflow-cpu==2.1.0
,与以往的版本略有不同。保险起见,我安装的时候还是显式的用-gpu来标识,即conda install tensorflow-gpu==2.1.0
。若嫌慢的话,可以在install之前更换下载源,使用清华镜像pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
,或者直接pip install -U tensorflow-gpu==2.1.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
。
到这里就安装完成了,现在可以打开你的Jupyter或者PyCharm编辑
import tensorflow as tf
print(tf.__version__)
输出:(我这里是PyCharm,如果是用虚拟环境安装的Tensorflow,还需要配置编辑器的解释器环境,具体自行百度如何配置\切换虚拟环境来开发)
接下来,你就可以百度“MNIST 手写数字”跟着教程训练你的第一个机器学习模型了。
MNIST 手写数字被称为机器学习界的“hello world” !
参考:
[1]: https://blog.csdn.net/weixin_44170512/article/details/103990592