Tensorflow 2.0 最新版(2.4.1) 安装教程
Tensorflow 2.4.1
- 前言
- Tensorflow 简介
- Anaconda 简介
- Anaconda 安装
- TensorFlow CPU & GPU
- Tensorflow 安装
- Pycharm &Tensorflow
- Tensorflow & Hello world
-
- Hello world
- Session()
- 后序
前言
目前考虑进入梦寐以求的 机器学习、人工智能 等领域的学习，因此安装主流的机器学习框架 Tensorflow 迫在眉睫。
然而网上的安装教程大多是1.xx 版本的。
笔者目前安装的环境是 win10，Python版本是 3.8。
最近在安装Tensorflow最新版2.4.1时，参考了不少大佬博客，也遇到不少问题，因此借此机会，更新下最新的安装教程。
参考了许多许多博客
捂脸哭o(╥﹏╥)o
必须要感谢 csdn 知乎… 各位大神的文章
Tensorflow 简介
任何曾经试图在 Python 中只利用 NumPy 编写神经网络代码的人都知道那是多么麻烦。
编写一个简单的一层前馈网络的代码尚且需要 40 多行代码，当增加层数时，编写代码将会更加困难，执行时间也会更长。
TensorFlow 使这一切变得更加简单快捷，从而缩短了想法到部署之间的实现时间。
TensorFlow 是由 Google Brain 团队为深度神经网络（DNN）开发的功能强大的开源软件库，于 2015 年 11 月首次发布，在 Apache 2.x 协议许可下可用。
截至今天，短短的两年内，其 GitHub 库大约 845 个贡献者共提交超过17000 次，这本身就是衡量 TensorFlow 流行度和性能的一个指标。
下图列出了当前流行的深度学习框架，从中能够清楚地看到 TensorFlow 的领先地位：
Anaconda 简介
- what’s Anaconda？
Anaconda在英文中是“蟒蛇”，麻辣鸡（Nicki Minaj妮琪·米娜）有首歌就叫《Anaconda》，表示像蟒蛇一样性感妖娆的身体。
Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。因为包含了大量的科学包，Anaconda 的下载文件比较大（约 531 MB），如果只需要某些包，或者需要节省带宽或存储空间，也可以使用Miniconda这个较小的发行版（仅包含conda和 Python）。
------ 百度百科
- 为什么需要先安装Anaconda？
Tensorflow是属于很高层的应用。高层应用的一个比较大的麻烦就是需要依赖的底层的东西很多，如果底层依赖没有弄好的话，高层应用是没法玩转的。
在极客学院有关Tensorflow的教程中，提到了这样几种安装方式：Pip, Docker, Virtualenv, Anaconda 或 源码编译的方法安装 TensorFlow。
在这里，我强烈推荐大家使用Anaconda的方式安装！因为采用这种方式安装的时候，相当于将所有的底层依赖细节全部已经打包给封装好了！并且，Anaconda还能创建自己的计算环境，相当于将tensorflow的环境与其他环境做了隔离，这样你就可以将tensorflow随便玩，爱怎么玩怎么玩，也不用担心破坏之前的环境！
如果是玩数据玩ML的同学，如果你还不知道Anaconda，你就out啦！Anaconda是一个基于python的科学计算平台，这个平台里包含有python,r,scala等绝大部分主流的用于科学计算的包。
- 你可能已经安装了 Python，那么为什么还需要 Anaconda？
1）Anaconda 附带了一大批常用数据科学包，它附带了 conda、Python 和 150 多个科学包及其依赖项。因此你可以立即开始处理数据。
2）管理包
Anaconda 是在 conda（一个包管理器和环境管理器）上发展出来的。在数据分析中，你会用到很多第三方的包，而conda（包管理器）可以很好的帮助你在计算机上安装和管理这些包，包括安装、卸载和更新包。
3）管理环境
为什么需要管理环境呢？
比如你在A项目中用了 Python 2，而新的项目B老大要求使用Python 3，而同时安装两个Python版本可能会造成许多混乱和错误。这时候 conda就可以帮助你为不同的项目建立不同的运行环境。
还有很多项目使用的包版本不同，比如不同的pandas版本，不可能同时安装两个 Numpy 版本，你要做的应该是，为每个 Numpy 版本创建一个环境，然后项目的对应环境中工作。这时候conda就可以帮你做到。
Anaconda 优点？
Anaconda的优点总结起来就八个字：省时省心、分析利器。 省时省心：
Anaconda通过管理工具包、开发环境、Python版本，大大简化了你的工作流程。不仅可以方便地安装、更新、卸载工具包，而且安装时能自动安装相应的依赖包，同时还能使用不同的虚拟环境隔离不同要求的项目。
Anaconda 安装
官网下载地址：Link
- Products — Individual Edition
选择产品中的个人发行版
- 点击Download跳转到最下面，下载相应的版本（目前大多都是64位电脑）
该官网下载文件速度还是很快的
- 下载完成后点击安装
- 就和安装普通的软件一样，全部选择默认即可，注意勾选将 python3.8 添加进环境变量。
- 在非C盘创建一个新的目录
- 这里可以将第一个对勾打上(Add … to my Path)，这样就不用配置环境变量，直接Install
- 若上面未勾选第一个选项，则需要手动配置环境变量
安装成功后，开始菜单会多出Anaconda3相关组件
安装完成Anaconda，进行环境变量的测试
- 进入cmd命令窗口
- 验证Anaconda环境是否安装成功：
conda --version
- 检测目前安装了哪些环境变量：
conda info --envs
这样就安装成功了
我们可以通过下面的命令来查看Anaconda已经安装了哪些包。
运行 开始菜单 -> Anaconda3 -> Anaconda Prompt
在Anaconda Prompt 命令界面输入:
conda list
可以看到已经安装了numpy、sympy等常用的包。
恭喜你完成第一步
TensorFlow CPU & GPU
- 前提
TensorFlow 安装的前提是系统安装了 Python 2.5 或更高版本，教程中的例子是以 Python 3.8（Anaconda 3版）为基础设计的。
为了安装 TensorFlow，首先确保你已经安装了Anaconda。
可以从网址（https://www.continuum.io/downloads）中下载并安装适用于Windows/macOS 或 Linux 的 Anaconda。
- what’s CPU & GPU？
安装了 Anaconda，下一步决定是否安装 TensorFlow CPU 版本或 GPU 版本。
几乎所有计算机都支持 TensorFlow CPU 版本，而 GPU 版本则要求计算机有一个 CUDA compute capability 3.0 及以上的 NVDIA GPU 显卡（对于台式机而言最低配置为 NVDIA GTX 650）。
- CPU 与 GPU 的对比
中央处理器（CPU）由对顺序串行处理优化的内核（4～8个）组成。
图形处理器（GPU）具有大规模并行架构，由数千个更小且更有效的核芯（大致以千计）组成，能够同时处理多个任务。
对于 TensorFlow GPU 版本，需要先安装 CUDA toolkit 7.0 及以上版本、NVDIA【R】驱动程序和 cuDNN v3 或以上版本。Windows 系统还另外需要一些 DLL 文件，读者可以下载所需的 DLL 文件或安装 Visual Studio C++。
还有一件事要记住，cuDNN 文件需安装在不同的目录中，并需要确保目录在系统路径中。当然也可以将 CUDA 库中的相关文件复制到相应的文件夹中。
内容来源： Link
Tensorflow 安装
- 打开Anaconda Prompt，输入清华仓库镜像，这样更新会快一些：
输入命令：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes
附（可以忽略以下内容）：
Python默认的pip包来源是国外的Pypi服务站点：https://pypi.python.org/simple。
对于国内用户来说，由于网络原因，下载速度太慢，因此推荐使用国内镜像源站点。
目前，比较常用的pip镜像站点有：
1）清华大学：https://pypi.tuna.tsinghua.edu.cn/simple/
2）中国科大：https://mirrors.ustc.edu.cn/pypi/web/simple/
3）豆瓣：http://pypi.doubanio.com/simple/
4）阿里云：http://mirrors.aliyun.com/pypi/simple/
- pip使用国内镜像站点
方式一：直接在 pip install xxx 后加上镜像源地址。
例如：下载numpy包：
pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple/
但是利用这种方式，每次下载python包，都需要在后面加上镜像源地址，操作繁琐，不建议。
方式二：修改配置文件
目前，在windows系统上使用python安装包安装时，都会自带安装pip软件，此时可以通过下述方式修改pip的配置文件。
首先在
C:\Users\×××目录中创建名为pip的文件夹（×××为用户名），然后在里面创建名为pip.ini的文件，最后在该文件中添加以下内容，保存即可。
[global]
index-url=https://pypi.tuna.tsinghua.edu.cn/simple
timeout = 6000
[install]
trusted-host=pypi.tuna.tsinghua.edu.cn
disable-pip-version-check = true
说明：请注意，该方式不适合于linux系统和MacOS。
- 创建虚拟环境
- 同样在Anaconda Prompt中利用Anaconda创建一个python3.8的环境，环境名称为tensorflow ，输入下面命令：
conda create -n tensorflow python=3.8
其中（环境名称，可以随意设置）
运行 开始菜单->Anaconda3—>Anaconda Navigator
点击Navigator左侧的 Environments，可以看到tensorflow的环境已经创建好了。
-
在Anaconda Prompt中启动tensorflow环境
格式：activate 虚拟环境名
activate tensorflow
注：当不使用tensorflow时，关闭tensorflow环境，命令为：deactivate 虚拟环境名 -
安装cpu版本的TensorFlow
用pip命令安装。这里高潮 (climax)来了，官方还有网上各种命令层出不穷，让人眼花缭乱。
下面先列举几个常见的命令方式，声明以下几条命令都能安装成功，但是能不能用就不一定了。
1.pip install tensorflow # 最新的稳定发行版本，2.0×后默认是CPU和GPU版本在一起，1.×只表示CPU版本
2.pip install tensorflow-gpu # 1.×的GPU版本
3.pip install tensorflow==1.15 # 1.×的最后一个更新版本
- 第一个指令：什么叫CPU和GPU版本在一起？我理解的意思就是，CPU和GPU一家亲，不搞什么分裂，一条安装命令搞定就可以了嘛，至于怎么选择，看你机器的显卡支不支持CUDA了。
因此，对于显卡支持gpu版本，而又只想用cpu版本练手的小伙伴来说，就不要用第一条命令进行安装，要不然在导包的时候就会有一大堆错误，缺这个少那个，基本是由显卡驱动程序版本、CUDA版本、CUDDN版本等问题引起的。如果不想安装gpu版本，何必自找麻烦呢。
这里的安装步骤是我copy前辈的文章，我之前直接用的这条安装命令 pip install tensorflow，但是最后使用时，它提示我没有CUDA之类的东西，我查看安装的包时，发现tensorflow-cpu与tensorflow-gpu都安装上，看完这篇博客后，才知道gpu也捆绑安装了，运行代码时，总是报红提示我缺少 “动态链接”等，好像使用GPU时需要安装 cuda8+cudnn5等，比较麻烦，小白的我未尝试。
- 第二个指令：安装1.×的GPU版本，我们不涉及，请忽略。
- 第三个指令：按照对于1.x 版本，tensorflow默认是CPU版本的逻辑。这个确实没问题，安装成功后能用，诚不欺我。虽然能运行成功，但是总是输出一些异常。
运行结果。大致意思是，我的显卡支持GPU版本，所以提示我找不到一些库，如果想用gpu版本，请安装这些库，并且最后正确输出了Tensorflow的版本是1.15，无法使用gpu。虽然程序正常运行结束，但是明显基于计算机的硬件，官方还是强推了gpu版本，输出了一大堆的提示来安利你。可是，我明明只是想用cpu版本的，不想要推荐，这些输出报错不想看到。如果你不介意，当然也可以凑活着这么用。
上面说了这么多，如何才能安装简洁的tensorflow?
利用下面的命令安装，强制安装CPU版本。
pip install tensorflow-cpu
最后 完美的安装了最新的tensorflow 2.4.1 cpu版本。
注：这里没有介绍GPU版本的安装方法，GPU版本需要安装cuda8+cudnn5，如果需要 请搜索其他博文。
注意：一定要在 刚刚创建的tensorflow的环境下安装！
- 测试tensorflow
在Anaconda Prompt 中启动tensorflow环境，并进入python环境。
在tensorflow命令行中：输入python便是进入python环境
测试代码
import tensorflow as tf
#查看tensorflow版本
print(tf.__version__)
如图所示
恭喜你安装成功
ヾ(◍°∇°◍)ﾉﾞ
Pycharm &Tensorflow
习惯使用PyCharm来开发，而 Anaconda 集成了python开发环境，因此我们可以修改Project的python编译环境，从而更方便使用tensorflow框架。
配置如下：
- 新建Project
- File-Setting–Project Interpreter选择tensorflow下的Python解释器
部署完便可跑一个 HelloWorld
import tensorflow as tf
#查看tensorflow版本
print(tf.__version__)
这种方式的好处：不用每次都 开启、关闭环境了。
Tensorflow & Hello world
Hello world
- 安装成功后试一下 Hello world，参考网上的代码：
import tensorflow as tf
#创建一个Tensor字符串常量
hello = tf.constant("hello world ")
print(hello)
- 运行结果如下：
tf.Tensor(b'hello world', shape=(), dtype=string)
- 访问hello中的字符串，我们需要用到 numpy()
#调用numpy()，来访问一个Tensor(张量)值
print(hello.numpy())
运行结果如下： b’hello world’
本程序原期望的运行结果为：hello world
而实际运行结果为：b’hello world’
在网上查阅后：
b 前缀的字符串为bytes类型的字符串
Python语言中有两种不同的字符串
一个用于存储文本（unicode类型文本字符串 u’hello world’ ），一个用于存储原始字节（byte类型字节字符串 b’hello world’ ）
在python3中，str 变量默认采用unicode类型，因而省略了u 前缀
字节型字符串和文本型字符串之间可以通过编码 encode() 和 解码 decode() 相互转换。
#调用decode()解码，默认为utf-8解码
print(hello.numpy().decode())
运行结果：
hello
具体请参考博客 Link
Session()
测试代码：
import tensorflow as tf
def add_demo():
# 计算两个变量的和
# 回顾原生的python计算
a = 10
b = 20
c = a + b
print('原生python计算', c)
# tensorflow 获取变量值，与 python不同
a_t = tf.constant(10)
b_t = tf.constant(20)
print('a_t', a_t)
c_t = a_t + b_t
print('tensorflow计算两数的和：', c_t)
# 开启会话
with tf.Session() as sess:
c_t_value = sess.run(c_t)
print('c_t_value:', c_t_value)
if __name__ == '__main__':
add_demo()
直接报错：
错误的意思是tensortflow模块没有Session属性，后来查阅资料发现，tensorflow2.0版本中的确没有Session这个属性
如果安装的是 tensorflow2.0 版本又想利用Session属性 请参考博客： Link
兼容2.0与1.0版本，需更改import语句：
import tensorflow.compat.v1 as tf
后序
安装一个框架，我觉得好难啊 （可能是我太笨 太low）
o(╥﹏╥)o
截止到这里小白的我 花了很长时间，看了许多大佬的博客，资源等，真心的感谢他们，向优秀的人的致敬！
希望我可以越走越远，加油!
“欢迎登陆官网（附 https://tensorflow.google.cn/）了解更多 TensorFlow 内容，也可关注 TensorFlow 官方公众号获取更多资讯。”
参考博客
Link
Link
Link