『TensorFlow2.0正式版』TF2.0+Keras速成教程·零：開篇簡介與環境準備

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。

​

---

 

0 序

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。

​

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

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！

在過去，TensorFlow 1.x + Keras存在許多已知問題：

• 使用TensorFlow意味着要處理靜態計算圖，對於習慣於命令式編碼的程序員而言，這將感到尷尬且困難。
• 雖然TensorFlow API很是強大和靈活，但它缺少完善性，經常使人困惑或難以使用。
• 儘管Keras的生產率很高且易於使用，但對於研究用例一般缺少靈活性。

TensorFlow 2.0創建在如下關鍵思想之上：

• 讓用戶像在Numpy中同樣急切地運行他們的計算。這使TensorFlow 2.0編程變得直觀而Pythonic。
• 保留已編譯圖形的顯着優點（用於性能，分佈和部署）。這使TensorFlow快速，可擴展且可投入生產。
• 利用Keras做爲其高級深度學習API，使TensorFlow易於上手且高效。
• 將Keras擴展到從很是高級（更易於使用，不太靈活）到很是低級（須要更多專業知識，但提供了極大靈活性）的工做流範圍。

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。

本系列教程包括三個部分：

1. 環境準備
2. TensorFlow使用指南
3. Keras接口的使用

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。

---

1 環境準備

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。

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）

1.0 conda環境準備

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，

• windows推薦地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-4.7.10-Windows-x86_64.exe
• ubuntu推薦地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-4.7.10-Linux-x86_64.sh
• Mac os推薦地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-4.7.10-MacOSX-x86_64.pkg

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：

1. 查看conda環境：conda env list
2. 新建conda環境(env_name就是建立的環境名，能夠自定義)：conda create -n env_name
3. 激活conda環境（ubuntu與Macos 將conda 替換爲source）：conda activate env_name
4. 退出conda環境：conda deactivate
5. 安裝和卸載python包：conda install numpy # conda uninstall numpy
6. 查看已安裝python列表：conda list -n env_name

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。

1.1 TF2.0 CPU版本安裝

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）

conda create -n TF_2C python=3.6

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

conda activate TF_2C

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）

pip install tensorflow==2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

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)

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

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

tf version: 2.0.0
use GPU False