Tensorflow2.1.0在Anaconda3中安装整理

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

1. 使用tf.data加载数据
2. 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
3. 使用eager mode继续宁运行和调试（2.x默认开启）
4. 使用分发策略来进行分布式训练
5. 导出到SavedModel
6. 使用Tensorflow serve、Tensorflow Lite、Tensorflow.js部署模型

Tensorflow 2.1.0强大的跨平台能力

1. Tensorflow服务：直接使用HTTP/REST或GPRC/协议缓冲区
2. Tensorflow Lite----可部署在Android\iOS和嵌入式系统上
3. Tensorflow.js----在javascript中部署模型
4. 其它语言：C, Java, Go, C#, Rust, R,…

Tensorflow 2.1.0强大的研究实验

1. Keras功能的API和子类API，允许创建复杂的拓扑结构
2. 自定义训练逻辑，使用tf.GradientTape和tf.custom_gradient进行更细粒度的控制
3. 低层API自始至终可以与高层结合，完全的可定制
4. 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

1. 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
2. 激活虚拟环境
   命令：conda activate xxxxx
3. 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