安装TensorFlow-gpu2.1.0（stable）超简单的配置！！！

1.创建虚拟环境

方法一：
conda create -n tf_2g python=3.7（速度可能有点慢，需要多试几次），选择yes
进入该环境：conda activate tf_2g
方法二：
使用virtualenv创建新的虚拟环境。
优点：在pycharm中创建环境，可以继承全局的安装包。这样，安装模块的时候，就不用总是切换到该环境下，再安装一遍。而且，可以随意使用conda或pip安装的包，不用担心在该环境中，提示找不到包。
缺点：需要手动下载cuda和cudnn，配置环境，太麻烦了。这里只是示意在pycharm中如何添加。
首先，在该目录下新建tf_2g文件夹。例如，我的目录是E:\soft\miniconda3\envs
然后，在pycharm中添加python解释器，创建新的环境。记得勾选“inherit global packages”：


虽然这里没有显示任何安装包，但是，我们在命令行测试：

可以导入pandas包（在全局中安装过，可以在E:\soft\miniconda3\Lib\site-packages中找到）。后面TensorFlow的安装和配置，参考官网：
https://tensorflow.google.cn/install/pip，以及GPU支持。

ps：这个虚拟环境虽然可以通过conda进入（因为刚好放在了它的env目录下），但是，无法在其中安装单独的包。会报错：

还是，把全局的安装包手动复制到虚拟环境中吧。

退出虚拟环境：conda deactivate

2.安装

根据官网，选择cudatoolkit的版本

安装GPU版本支持，拥有Nvidia的GPU的windows一般都有默认驱动的，只需要安装cudatoolkit 与 cudnn包就可以了，要注意一点需要安装cudatoolkit 10.1 版本，注意一点，如果系统的cudatoolkit小于10.1需要更新一下至10.1

cmd输入：conda install cudatoolkit=10.1 cudnn
（速度可能有点慢，需要多试几次），选择yes
（信息：cudnn-7.6.5-cuda10.1_0，cudatoolkit-10.1.243）

在tf_2g环境中，安装tensorflow-gpu（2.1.0）
(tf_2g) C:\Users\Sunjh>pip install tensorflow-gpu==2.1.0
（顺便安装了许多依赖包）

在pycharm中，添加该环境下的python解释器：

3.测试

新建demo.txt，写入：

kimport tensorflow as tf
version = tf.__version__
gpu_ok = tf.test.is_gpu_available()
print("tf version:",version,"\nuse GPU",gpu_ok)

保存，重命名为“demo.py”
进入该目录下：

cd C:\Users\Sunjh\Desktop
python demo.py

输出结果：

4.应用

线性拟合代码，main.py

import tensorflow as tf
 
X = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
y = tf.constant([[10.0], [20.0]])
 
 
class Linear(tf.keras.Model):
    def __init__(self):
        super().__init__()
        self.dense = tf.keras.layers.Dense(
            units=1,
            activation=None,
            kernel_initializer=tf.zeros_initializer(),
            bias_initializer=tf.zeros_initializer()
        )
 
    def call(self, input):
        output = self.dense(input)
        return output
 

 
# 以下代码结构与前节类似
model = Linear()
optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)
for i in range(100):
    with tf.GradientTape() as tape:
        y_pred = model(X)      # 调用模型 y_pred = model(X) 而不是显式写出 y_pred = a * X + b
        loss = tf.reduce_mean(tf.square(y_pred - y))
    
    grads = tape.gradient(loss, model.variables)    # 使用 model.variables 这一属性直接获得模型中的所有变量
    optimizer.apply_gradients(grads_and_vars=zip(grads, model.variables))
    if i % 10 == 0:
        print(i, loss.numpy())
print(model.variables)

如果报错：
SyntaxError: Non-UTF-8 code starting with ‘\xd2’ in file main.py on line 22, but no encoding declared; see http://python.org/dev/peps/pep-0263/ for details
解决：删去其中的中文注释

最后输出：