『TensorFlow2.0正式版』TF2.0+Keras速成教程·零：开篇简介与环境准备

2019-10-22 16:18:23 浏览数 (1)

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

代码语言：txt复制
                 本文链接：[https://blog.csdn.net/xiaosongshine/article/details/102373261](https://blog.csdn.net/xiaosongshine/article/details/102373261)

此篇教程参考自TensorFlow 2.0 Keras Crash Course，在原文的基础上进行了适当的总结与改编，以适应于国内开发者的理解与使用，水平有限，如果写的不对的地方欢迎大家评论指出。觉得文章有用的话麻烦点赞，想看原文可以点击链接kx上网访问。

0 序

TensorFlow经过四年的发展，逐渐成为深度学习与机器学习框架的霸主，市场占有率与用户都遥遥领先于其他竞争对手。下图为下图是KDnuggets网站对2018年的机器学习框架的使用做的一个调查统计。可以可以看出当时TensorFlow已经遥遥领先于其他竞争（Keras 是一个上层封装，底层调用的还是 TensorFlow），奠定了其深度学习霸主的地位。

如果想了解TensorFlow的发展史，可以查看笔者CSDN约稿文章：『王霸之路』从0.1到2.0一文看尽TensorFlow奋斗史

TensorFlow和Keras都是在4年前发布的（Keras为2015年3月，TensorFlow为2015年11月）。在深度学习时代这是很长的时间！

在过去，TensorFlow 1.x Keras存在许多已知问题：

  • 使用TensorFlow意味着要处理静态计算图，对于习惯于命令式编码的程序员而言，这将感到尴尬且困难。
  • 虽然TensorFlow API非常强大和灵活，但它缺乏完善性，常常令人困惑或难以使用。
  • 尽管Keras的生产率很高且易于使用，但对于研究用例通常缺乏灵活性。

TensorFlow 2.0建立在以下关键思想之上：

  • 让用户像在Numpy中一样急切地运行他们的计算。这使TensorFlow 2.0编程变得直观而Pythonic。
  • 保留已编译图形的显着优势（用于性能，分布和部署）。这使TensorFlow快速，可扩展且可投入生产。
  • 利用Keras作为其高级深度学习API，使TensorFlow易于上手且高效。
  • 将Keras扩展到从非常高级（更易于使用，不太灵活）到非常低级（需要更多专业知识，但提供了极大灵活性）的工作流范围。

本系列教程综合了TensorFlow 2.0灵活方便与Keras简单好用的特点，使得开发人员能在几天的学习使用之后能掌握TensorFlow 2.0与Keras的简单使用。但是如果想真正掌握和理解深度学习技术，开发有趣好玩的应用，那么深度学习概念的学习是不可或缺的，需要读者自己花大量时间去学习和理解了。最后还是希望大家在学习深度学习开发中不要流于表面，更应该理解算法的意义与特点，而不是仅仅简单调用接口。这就是深度学习工程师与编程人员的区别了。

本系列教程包括三个部分：

  1. 环境准备
  2. TensorFlow使用指南
  3. Keras接口的使用

教程内容首发在我的知识星球：AI深度学习应用之路·几杯奶茶的价格学习掌握深度学习，欢迎点击访问。

1 环境准备

TensorFlow2.0正式版的安装可以参看笔者的详细安装教程：『TensorFlow2.0正式版』极简安装TF2.0正式版（CPU&GPU）教程，这里为了演示方便，只展示了TF2.0 CPU的安装。

我目前是在Windows10上面，使用conda管理的python环境，通过conda安装cuda与cudnn（GPU支持），通过pip安装的tensorflow2.0。经过尝试只是最简单地安装方式，无需配置复杂环境。

（关于ubuntu与mac版本的安装可以仿照此方法，因为conda支持多平台，应该没什么问题，如果大家问题多的话，可以评论，我后面会会更新ubuntu安装教程）

1.0 conda环境准备

conda是很好用python管理工具，可以方便建立管理多个python环境。后面安装的步骤里我也会介绍一些常用的conda指令。

conda 我推荐使用安装miniconda，大家可以理解为精简版的anaconda，只保留了一些必备的组件，所以安装会比快上很多，同时也能满足我们管理python环境的需求。（anaconda一般在固态硬盘安装需要占用几个G内存，花费1-2个小时，miniconda一般几百M，10分钟就可以安装完成了）

miniconda推荐使用清华源下载：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/

选择适合自己的版本就可以，

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

下以windows版本来安装miniconda作为演示，从上述下载合适版本，下载好后以管理员权限打开点击安装。

注意这两个都要勾选，一个是让我们可以直接在cmd使用conda指令，第二个是把miniconda自带的python3.7作为系统python。

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。

下面介绍些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

知道这些指令就可以开始使用conda新建一个环境安装TF2.0了。

1.1 TF2.0 CPU版本安装

TF CPU安装比较简单，因为不需要配置GPU，所以windows ubuntu macOS安装方式都类似，缺点就是运行速度慢，但是用于日常学习使用还是可以的。

下面以windows版本做演示：一下均在命令行操作

1.1.0 新建TF2.0 CPU环境（使用conda 新建环境指令 python=3.6表示在新建环境时同时python3.6）

代码语言：javascript复制
conda create -n TF_2C python=3.6

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

代码语言：javascript复制
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。

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）

代码语言：javascript复制
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。下面我们做下简单测试。

1.1.3 测试TF2.0 CPU版本(把下面代码保存到demo.py使用TF_2C python运行)

代码语言：javascript复制
import tensorflow as tf
version = tf.__version__
gpu_ok = tf.test.is_gpu_available()
print("tf version:",version,"nuse GPU",gpu_ok)

如果没有问题的话输出结果如下：可以看到tf 版本为2.0.0 因为是cpu版本，所以gpu 为False

代码语言：javascript复制
tf version: 2.0.0
use GPU False
tensorflow keras 深度学习 python

0 人点赞