此篇教程參考自TensorFlow 2.0 + Keras Crash Course,在原文的基礎上進行了適當的總結與改編,以適應於國內開發者的理解與使用,水平有限,若是寫的不對的地方歡迎你們評論指出。以爲文章有用的話麻煩點贊,想看原文能夠點擊連接kx上網訪問。html
TensorFlow通過四年的發展,逐漸成爲深度學習與機器學習框架的霸主,市場佔有率與用戶都遙遙領先於其餘競爭對手。下圖爲下圖是KDnuggets網站對2018年的機器學習框架的使用作的一個調查統計。能夠能夠看出當時TensorFlow已經遙遙領先於其餘競爭(Keras 是一個上層封裝,底層調用的仍是 TensorFlow),奠基了其深度學習霸主的地位。python
若是想了解TensorFlow的發展史,能夠查看筆者CSDN約稿文章:『王霸之路』從0.1到2.0一文看盡TensorFlow奮鬥史程序員
TensorFlow和Keras都是在4年前發佈的(Keras爲2015年3月,TensorFlow爲2015年11月)。在深度學習時代這是很長的時間!web
在過去,TensorFlow 1.x + Keras存在許多已知問題:算法
TensorFlow 2.0創建在如下關鍵思想之上:編程
本系列教程綜合了TensorFlow 2.0靈活方便與Keras簡單好用的特色,使得開發人員能在幾天的學習使用以後能掌握TensorFlow 2.0與Keras的簡單使用。可是若是想真正掌握和理解深度學習技術,開發有趣好玩的應用,那麼深度學習概念的學習是不可或缺的,須要讀者本身花大量時間去學習和理解了。最後仍是但願你們在學習深度學習開發中不要流於表面,更應該理解算法的意義與特色,而不是僅僅簡單調用接口。這就是深度學習工程師與編程人員的區別了。ubuntu
本系列教程包括三個部分:windows
教程內容首發在個人知識星球:AI深度學習應用之路·幾杯奶茶的價格學習掌握深度學習,歡迎點擊訪問。bash
TensorFlow2.0正式版的安裝能夠參看筆者的詳細安裝教程:『TensorFlow2.0正式版』極簡安裝TF2.0正式版(CPU&GPU)教程,這裏爲了演示方便,只展現了TF2.0 CPU的安裝。app
我目前是在Windows10上面,使用conda管理的python環境,經過conda安裝cuda與cudnn(GPU支持),經過pip安裝的tensorflow2.0。通過嘗試只是最簡單地安裝方式,無需配置複雜環境。
(關於ubuntu與mac版本的安裝能夠仿照此方法,由於conda支持多平臺,應該沒什麼問題,若是你們問題多的話,能夠評論,我後面會會更新ubuntu安裝教程)
conda是很好用python管理工具,能夠方便創建管理多個python環境。後面安裝的步驟裏我也會介紹一些經常使用的conda指令。
conda 我推薦使用安裝miniconda,你們能夠理解爲精簡版的anaconda,只保留了一些必備的組件,因此安裝會比快上不少,同時也能知足咱們管理python環境的需求。(anaconda通常在固態硬盤安裝須要佔用幾個G內存,花費1-2個小時,miniconda通常幾百M,10分鐘就能夠安裝完成了)
miniconda推薦使用清華源下載:https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/
選擇適合本身的版本就能夠,
下以windows版原本安裝miniconda做爲演示,從上述下載合適版本,下載好後以管理員權限打開點擊安裝。
注意這兩個都要勾選,一個是讓咱們能夠直接在cmd使用conda指令,第二個是把miniconda自帶的python3.7做爲系統python。
安裝好後就能夠在cmd中使用conda指令了,cmd打開方式,windows鍵+R鍵,彈出輸入框,輸入cmd就進入了。也能夠直接在windows搜索cmd點擊運行。
下面介紹些cmd conda指令:
知道這些指令就能夠開始使用conda新建一個環境安裝TF2.0了。
TF CPU安裝比較簡單,由於不須要配置GPU,因此windows ubuntu macOS安裝方式都相似,缺點就是運行速度慢,可是用於平常學習使用仍是能夠的。
下面以windows版本作演示:一下均在命令行操做
1.1.0 新建TF2.0 CPU環境(使用conda 新建環境指令 python=3.6表示在新建環境時同時python3.6)
當彈出 :Proceed ([y]/n)? 輸入y回車
完成後就能夠進入此環境
1.1.1 進入TF_2C環境
進入後咱們就能夠發現:(TF_2C)在以前路徑前面,表示進入了這個環境。
1.1.2 安裝TF2.0 CPU版本(後面的 -i 表示從國內清華源下載,速度比默認源快不少)
若是網很差的,多執行幾回。而後過一會就安裝好啦。下面咱們作下簡單測試。
1.1.3 測試TF2.0 CPU版本(把下面代碼保存到demo.py使用TF_2C python運行)
若是沒有問題的話輸出結果以下:能夠看到tf 版本爲2.0.0 由於是cpu版本,因此gpu 爲False