【Tensorflow2.0】Tensorflow2.0的安装教程
anaconda 可以使tensorflow的安装变的简单
昨天tensorflow 开发者大会刚开完，会上发布了关于 TensorFlow 2.0，TensorFlow Lite，TensorFlow.js，Swift for TensorFlow，TFX 等产品生态体系的最新更新和首次发布的内容，2019年仍会支持tensorflow1.x,但是我们相信，版本的升级会带来易用性和使用性能的提升，特别是tensorflow1.x 开发api的混乱，有slim、tf.layers, tf.contrib 后期版本有tf.keras ,还有读数据方式，都特别麻烦，所以本文章基于linux系统提供安装方法（Windows系统安装anaconda以后也可以使用该教程）。
- 首先安装anaconda
这个直接官网去下载就可以了，可以是安装anaconda 或miniconda，我选择miniconda,这样不会把大量用不到的python包都安装了，而是根据需求，后期自己安装。
下载miniconda ,基本一路回车安装完成就可以，然后配置下载源来使⽤国内镜像加速下载:
(时代在变化，社会在发展，anaconda不再有国内的加速镜像，所以以下添加清华源的命令就不要执行了！！，用默认的官方源也是可以使用的，更改于2019年7月2日）
#优先命名用清华conda 镜像
conda config --prepend channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
- 创建一个环境，用来安装tensorflow2.0以及相关的python packages.
#加上cudatoolkit and cudnn这样不论你的机器原来装的是否合适，都可以用tensorflow2.0gpu版本
conda create -n tf2 python=3.6
- 激活创建的环境，安装tensorflow2.0
#激活环境
source activate tf2
#对于GPU版的安装，为保证不论原始linux环境是什么样的都可以安装，如果原系充已经符合，以下命令不用执行
conda install cudatoolkit=10 cudnn=7.3 #目前tf2.0不支持cuda10.1(对应cudnn7.6)
#对于CPU版本，上边这行命令是不需要执行的
#接下来安装tensorflow 有多种情形
conda install tensorflow #安装tensorflow cpu稳定版本
conda install tensorflow-gpu#安装ensorflow gpu稳定版本
#使用这前可以使用 conda serach tensorflo 或conda search tensorflow-gpu来查询都有那些版本
#可以初装指定版本 conda install tensorflow=1.5 tensorflow 1.5版本
#如果安装错了可以使用conda uninstall tensorflow卸载后再重新安装
#接下来是要安装是新的tensorflow版本，conda环境使用pip同样生效
pip install tf-nightly #cpu 版本
pip install tf-nightly-gpu#GPU版本
#本人网上查了具体的版本
pip install tf-nightly-2.0-preview#Install tf 2.0 preview CPU version
pip install tf-nightly-gpu-2.0-preview#Install tf 2.0 preview GPU version
以下于2017年7月2日更新部分，最近tensorflow2.0的由alpha到了beat版本，所以更新一下最新的安装方法（基础环境的搭建不变）
pip install --upgrade pip
pip install --upgrade tensorflow==2.0.0-beta1 #只是CPU版本
pip install --upgrade tensorflow-gpu==2.0.0-beta1#GPU 版本的
#关于测试安装是否成功的测试，与原来是一样的
#会输出2.0.0-beta1
于2019年8月24日再更，今早tensorflow再次更新：
pip install tensorflow==2.0.0rc0 # cpu version
pip install tensorflow-gpu==2.0.0rc0 #gpu version
#最近有了更新rc1版本更新，日期没有记
pip install tensorflow==2.0.0rc1 # cpu version
pip install tensorflow-gpu==2.0.0rc1 #gpu version
#tensorflow rc2版本更新于2019年9月25日,感觉正式版很快就要来了
#安装方法同上，更新内容参见https://github.com/tensorflow/tensorflow/releases/tag/v2.0.0-rc2
#卸载旧版
pip uninstall tensorflow-gpu
pip install tensorflow-gpu==2.0.0rc2
rc的release candidate的意思，基本上是最后的可用于生产的版本，但仍然是测试。感觉有好多特性都有更新，具体的更新内容参见github上官方文档
以上就完成了tensorflow2.0的安装
2019年10月1日更新：tensorflow2.0版本正式发布，安装方法：
pip install --upgrade pip
pip install tensorflow-gpu==2.0.0
再次补充
最近遇到一些其它问题，安装cuda10没报错但是tensorflow不能使用,这是因为系统显卡驱动太低，不匹配比较新的cuda10,唯一需要做的就是更新显卡驱动。每个版本的cuda都有显卡驱动的最低要求，如下表（参考官网说明）：
可以看到，cuda10的最低版本的要求是410.48。查看原系统的显卡驱动的方法是在shell中输入： nvidia-smi（原系统安装有cuda toolkit才会有该命令）
本人电脑上当前版本是384.98，最高可安装cuda版本是9.0，而cuda9最高支持到tensorflow1.12。
cuda版本与tensorflow版本对应关系如下表（参考官网说明）：
显卡驱动安装或更新以及cuda toolkitt和cudnn的系统完装方法参见博客。
4. 测试是否安装成功
有两种方法
- 方法一：
import tenosorflow as tf
print(tf.__version__)
#输出'2.0.0-alpha0'
print(tf.test.is_gpu_available())
#会输出True,则证明安装成功
- 方法二：
#输入python，进入python环境
import tensorflow as tf
#查看tensorflow版本
print(tf.__version__)
#输出'2.0.0-alpha0'
#测试GPU能否调用,先查看显卡使用情况
import os
os.system("nvidia-smi")
#调用显卡
@tf.function
def f():
pass
f()
#这时会打印好多日志，我电脑上还有warning，感觉不影响
#再次查询显卡
os.system("nvidia-smi")
可以对比两次使用情况
好了，测试使用的过程也完成了，小伙伴们可以玩起来呀
这里顺便提一下用来tensorflow 学习的资源
- 吴恩达的课程cousera上会有一系列课程，会在2019年逐步完成TensorFlow: From Basics to Mastery
- udacity 上的课基于Tensorflow的深度学习Intro to TensorFlow for Deep Learning 这个也要可以上外网
引用文章
1 https://docs.anaconda.com/anaconda/user-guide/tasks/tensorflow/
2 https://medium.com/tensorflow/test-drive-tensorflow-2-0-alpha-b6dd1e522b01 需要科学上网
3 https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
4 https://www.tensorflow.org/install/source#install_python_and_the_tensorflow_package_dependencies