TensorFlow2.0 学习笔记（一）：TensorFlow 2.0 的安装和环境配置以及上手初体验

专栏——TensorFlow学习笔记

〇、写在前面

关于为什么要学习 TensorFlow 2.0 这件事，简单说一下，现在还是硕士在读，在课题完成中，使用 TensorFlow 1.x 真的是问题超级多，最大的烦恼就是改动网络真的麻烦，在这个时候 TensorFlow 2.0 出现了。对于新版本的 TensorFlow 有一些期待，也有一些困惑，决定尝试一下，fighting！

一、TensorFlow 概述

人工智能和深度学习的热潮将 TensorFlow 推向了至高的地位，媒体的追捧和业界的宣传也为这一源自 Google 的开源框架增添了传奇的色彩。Google 发布的 TensorFlow 与 Facebook 发布的 Pytorch 基本上是深度学习框架的大半江山，它们各自有着狂热的追求者和拥护者，不过在我看来：

比如现在做课题研究的大多使用 Pytorch，而业界工作大多使用 TensorFlow，除此之外还有百度的 PaddlePaddle，预计都会写一写学习笔记，可以期待一下。

其实学过了很多的 TensorFlow 1.x，感受到了它的优势，但也明显感受到它的不足。比较让我吐槽的就是代码，TensorFlow 1.x 的代码太过于繁琐，以至于每一次改动网络结构时都有点伤筋动骨的感觉，让我很是头疼；但是吧，因为有 TFRecords（TensorFlow学习笔记之30分钟学会 TFRecords 格式高效处理数据）这种极其高效的数据读取方式，对于我们实验室这种非专业的 low 爆了的显卡和非常大尺寸的图片又极其友好。这种感觉真的是欲仙欲死，如果你有相同的经历，应该就会有相同的体会。minibatch（深度学习入门笔记（十一）：深度学习数据读取）虽然号称多牛，但是在小显卡面前，都是泡沫好吧，一次最多可以读取两张图片，因为我们这个方向的图片都是 512 * 512 的，我就问你绝望不？

还好这个时候 TensorFlow 2.0 来了，TensorFlow2.0 版本具有简易性、更清晰、扩展性三大特征，大大简化 API，所以代码简单了很多，我只想说真棒！！！

二、TensorFlow 2.0 安装与环境配置

个人建议安装 Anaconda（Windows10 下 Anaconda和 PyCharm 的详细的安装教程（图文并茂）），它提供了一个完整的科学计算环境，包括 NumPy、SciPy 等常用科学计算库。当然，你有权选择自己喜欢的 python 环境。之所以推荐 Anaconda 是因为我是 TensorFlow 1.x 的忠实用户，而 TensorFlow 2.0 和 TensorFlow 1.x 并没有完全兼容，所以并不能直接升级 TensorFlow 1.x，而 Anaconda 可以使用自带的 conda 包管理器建立一个 Conda 虚拟环境，并进入该虚拟环境，并不影响 TensorFlow 1.x，总之强推一下。

详细过程如下：

• 打开 Anaconda Prompt；
  
• 在 Anaconda 的命令行下输入下面命令即可创建一个名字叫 tf2.0 的虚拟环境；

conda create -n tf2.0 python=3.6   # “tf2.0”是建立的Conda虚拟环境的名字

• 激活虚拟环境 tf2.0；

activate tf2.0                    # 进入名为“tf2.0”的虚拟环境

• 使用 pip 安装 TensorFlow 2.0；

pip install tensorflow==2.0.0           # TensorFlow CPU版本

或

pip install tensorflow-gpu==2.0.0       # TensorFlow GPU版本，需要具有NVIDIA显卡及正确安装驱动程序，详见后文

pip 的具体使用可以看这个博客——python中pip安装、升级、升级指定的包。

在国内环境下，推荐使用国内的 pypi 镜像和 Anaconda 镜像，将显著提升 pip 和 conda 的下载速度；

• 清华大学的 pypi 镜像：https://mirrors.tuna.tsinghua.edu.cn/help/pypi/
• 清华大学的 Anaconda 镜像：https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/

然后我们检查一下这个 TensorFlow 的版本是不是变成 2.0 了，详细的看这个博客——如何查看已安装的Python和TensorFlow的版本（最全最详细的说明）。

三、第一个程序

安装、版本问题都已经解决了，现在来编写一个简单的程序来验证安装是否可以成功使用。

import tensorflow as tf

mA = tf.constant([[1, 2], [3, 4]])
mB = tf.constant([[5, 6], [7, 8]])
mC = tf.matmul(mA, mB)

print(mC)

到这里就说明 TensorFlow 已经安装成功了。

四、简单的手写数字识别

调用 TensorFlow。

from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf

载入并准备好 MNIST 数据集，然后将样本从整数转换为浮点数：

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

将模型的各层堆叠起来，以搭建 tf.keras.Sequential 模型，并为训练选择优化器和损失函数：

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

训练并验证模型：

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

输出结果如下：

Train on 60000 samples
Epoch 1/5

60000/60000 [==============================] - 4s 63us/sample - loss: 0.2963 - accuracy: 0.9127
Epoch 2/5

60000/60000 [==============================] - 3s 56us/sample - loss: 0.1448 - accuracy: 0.9565
Epoch 3/5

60000/60000 [==============================] - 3s 54us/sample - loss: 0.1070 - accuracy: 0.9676
Epoch 4/5

60000/60000 [==============================] - 3s 56us/sample - loss: 0.0872 - accuracy: 0.9727
Epoch 5/5

60000/60000 [==============================] - 3s 55us/sample - loss: 0.0754 - accuracy: 0.9762

10000/1 [===================] - 0s 35us/sample - loss: 0.0371 - accuracy: 0.9772

部分结果图：

现在，这个分类器的准确度已经达到 98% 了。 再来试一个专业一些的稍微复杂一些的手写数字识别程序，这个程序就更像我们平时写的代码了。

五、稍微复杂的手写数字识别

调用 TensorFlow。

from __future__ import absolute_import, division, print_function, unicode_literals

import tensorflow as tf

from tensorflow.keras.layers import Dense, Flatten, Conv2D
from tensorflow.keras import Model

载入并准备好 MNIST 数据集：

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# Add a channels dimension
x_train = x_train[..., tf.newaxis]
x_test = x_test[..., tf.newaxis]

使用 tf.data 来将数据集切分为 batch 以及混淆数据集：

train_ds = tf.data.Dataset.from_tensor_slices(
    (x_train, y_train)).shuffle(10000).batch(32)
test_ds = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)

使用 Keras 模型子类化（model subclassing） API 构建 tf.keras 模型：

class MyModel(Model):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv1 = Conv2D(32, 3, activation='relu')
        self.flatten = Flatten()
        self.d1 = Dense(128, activation='relu')
        self.d2 = Dense(10, activation='softmax')

    def call(self, x):
        x = self.conv1(x)
        x = self.flatten(x)
        x = self.d1(x)
        return self.d2(x)


model = MyModel()

为训练选择优化器与损失函数：

loss_object = tf.keras.losses.SparseCategoricalCrossentropy()

optimizer = tf.keras.optimizers.Adam()

选择衡量指标来度量模型的损失值（loss）和准确率（accuracy）。这些指标在 epoch 上累积值，然后打印出整体结果。

train_loss = tf.keras.metrics.Mean(name='train_loss')
train_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(
    name='train_accuracy')

test_loss = tf.keras.metrics.Mean(name='test_loss')
test_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(
    name='test_accuracy')

使用 tf.GradientTape 来训练模型：

@tf.function
def train_step(images, labels):
    with tf.GradientTape() as tape:
        predictions = model(images)
        loss = loss_object(labels, predictions)
    gradients = tape.gradient(loss, model.trainable_variables)
    optimizer.apply_gradients(zip(gradients, model.trainable_variables))

    train_loss(loss)
    train_accuracy(labels, predictions)

测试模型：

@tf.function
def test_step(images, labels):
    predictions = model(images)
    t_loss = loss_object(labels, predictions)

    test_loss(t_loss)
    test_accuracy(labels, predictions)


EPOCHS = 5

for epoch in range(EPOCHS):
    for images, labels in train_ds:
        train_step(images, labels)

    for test_images, test_labels in test_ds:
        test_step(test_images, test_labels)

    template = 'Epoch {}, Loss: {}, Accuracy: {}, Test Loss: {}, Test Accuracy: {}'
    print(template.format(epoch + 1,
                          train_loss.result(),
                          train_accuracy.result() * 100,
                          test_loss.result(),
                          test_accuracy.result() * 100))

Epoch 1, Loss: 0.13269191980361938, Accuracy: 95.97166442871094, Test Loss: 0.062214434146881104, Test Accuracy: 97.90999603271484
Epoch 2, Loss: 0.08752833306789398, Accuracy: 97.32749938964844, Test Loss: 0.0558948777616024, Test Accuracy: 98.13500213623047
Epoch 3, Loss: 0.06571148335933685, Accuracy: 97.98833465576172, Test Loss: 0.055095791816711426, Test Accuracy: 98.17333221435547
Epoch 4, Loss: 0.052590858191251755, Accuracy: 98.38249969482422, Test Loss: 0.056725047528743744, Test Accuracy: 98.1875
Epoch 5, Loss: 0.04394708573818207, Accuracy: 98.64366912841797, Test Loss: 0.057472292333841324, Test Accuracy: 98.23400115966797

这个程序的写法要更加专业一下，多用函数、类和封装才是良好的编写程序的习惯。

接下来要接着学习相关的知识了，欢迎关注 TensorFlow学习笔记 专栏。

六、总结

整体感受上 TensorFlow 2.0 真的比 1.x 强好多，还是比较期待的，感觉 TensorFlow 2.0 具备了和 Pytorch 争夺深度学习框架第一的资格，期待之后的优化！！！

推荐阅读

• TensorFlow2.0 学习笔记（一）：TensorFlow 2.0 的安装和环境配置以及上手初体验
• TensorFlow2.0 学习笔记（二）：多层感知机（MLP）
• TensorFlow2.0 学习笔记（三）：卷积神经网络（CNN）
• TensorFlow2.0 学习笔记（四）：迁移学习（MobileNetV2）
• TensorFlow2.0 学习笔记（五）：循环神经网络（RNN）

参考文章

• TensorFlow 官方文档
• 简单粗暴 TensorFlow 2.0