这篇文章主要介绍了如何安装TensorFlow2.x的CPU与GPU版本，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。
让客户满意是我们工作的目标，不断超越客户的期望值来自于我们对这个行业的热爱。我们立志把好的技术通过有效、简单的方式提供给客户，将通过不懈努力成为客户在信息化领域值得信任、有价值的长期合作伙伴，公司提供的服务项目有：域名与空间、网络空间、营销软件、网站建设、牧野网站维护、网站推广。
更新了最新版本安装方法，目前支持TensorFlow1.13.1 -> TensorFlow2.4.0：见1.3节
本篇文章就带领大家用最简单地方式安装TF2.0正式版本（CPU与GPU），由我来踩坑，方便大家体验正式版本的TF2.0。
废话不多说现在正式开始教程。
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。
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（env_name代表环境名称）：
查看conda环境：conda env list
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
激活conda环境（ubuntu与Macos 将conda 替换为source）：conda activate env_name
退出conda环境：conda deactivate
安装和卸载python包：conda install numpy # conda uninstall numpy
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。
同时为了加速安装，可以换一下conda与pip的源。
下面改下“conda”源，换为清华源用以加速，在“CMD”中复制粘贴以下指令，并回车：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/fastai/ conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/ conda config --set show_channel_urls yes
同时我们也将“pip”换为清华源用以加速，在“CMD”中复制粘贴以下指令，并回车：
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
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）
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
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。使用conda deactivate可以退出。
我们再次进入 conda activate TF_2C ，便于执行下述命令
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）
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)
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
GPU版本和CPU类似，但是会多一步对于GPU支持的安装。下面来一步步实现。安装之前确认你的电脑拥有Nvidia的GPU
1.2.0 新建TF2.0 GPU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）
conda create -n TF_2G 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_2G环境
conda activate TF_2G
1.1.2 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 10.0 版本，注意一点，如果系统的cudatoolkit小于10.0需要更新一下至10.0
conda install cudatoolkit=10.0 cudnn
1.1.3 安装TF2.0 GPU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）
pip install tensorflow-gpu==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 GPU版本(把下面代码保存到demo.py使用TF_2G python运行)
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gpu版本，所以gpu 为True，这表示GPU版本安装完成了。
tf version: 2.0.0 use GPU True
首先可以通过这个链接，看看TensorFlow版本对应的依赖项：
https://tensorflow.google.com/install/source#linux
可以看出，如果是安装TensorFlow2.4则对应CUDA=11.0，cuDNN=8.0；TensorFlow2.1-2.3则对应CUDA=10.1，cuDNN=7.6；TensorFlow2.0，对应CUDA=10.0，cuDNN=7.6；TensorFlow1.13.1-1.15.0，对应CUDA=10.0，cuDNN=7.6。要注意一点Nvidia Driver的版本号要>=CUDA版本号。
这个需要注意，错了版本就会导致安装GPU失败。
下面针对不同版本TensorFlow，分别说明。
从 TensorFlow 2.1 开始，pip 包 tensorflow 即同时包含 GPU 支持，无需通过特定的 pip 包 tensorflow-gpu 安装 GPU 版本。如果对 pip 包的大小敏感，可使用 tensorflow-cpu 包安装仅支持 CPU 的 TensorFlow 版本。
TensorFlow2.4/2.3 cpu版本安装
pip install tensorflow-cpu==2.4 #or pip install tensorflow-cpu==2.3
TensorFlow2.4 gpu版本安装（由于cudnn8在conda还没有更新，需要借助pytorch安装cudnn8 :）
conda install pytorch=1.7.1 torchvision torchaudio cudatoolkit=11.0 pip install tensorflow==2.4
TensorFlow2.3/2.2/2.1 gpu版本安装
conda install cudatoolkit=10.1 cudnn=7 pip install tensorflow==2.3
TensorFlow2.0 gpu版本安装
conda install cudatoolkit=10.0 cudnn=7 pip install tensorflow-gpu==2.0
TensorFlow1.15/1.14/1.13.1 gpu版本安装
conda install cudatoolkit=10.0 cudnn=7 pip install tensorflow-gpu==1.15
把下述代码保存为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)
