『带你学AI』极简安装TensorFlow2.x的CPU与GPU版本教程

补充推荐阅读：

1.『带你学AI』带你学AI与TensorFlow2实战之入门初探：如何速成深度学习开发

2.[深度应用]·首届中国心电智能大赛初赛开源Baseline（基于Keras val_acc: 0.88）

3.[深度应用]·DC竞赛轴承故障检测开源Baseline（基于Keras1D卷积 val_acc:0.99780）

4.笔者深度学公众号《极简AI》：

极简AI公众号

0 前言

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。

1 环境准备

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。

（关于ubuntu与mac版本的安装可以仿照此方法，因为conda支持多平台，应该没什么问题，如果大家问题多的话，可以评论，我后面会更新ubuntu安装教程）

1.0 conda环境准备

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：mirrors.tuna.tsinghua.edu.cn/anaconda/mi…

选择适合自己的版本就可以，

• windows推荐地址：mirrors.tuna.tsinghua.edu.cn/anaconda/mi…
• ubuntu推荐地址：mirrors.tuna.tsinghua.edu.cn/anaconda/mi…
• Mac os推荐地址：mirrors.tuna.tsinghua.edu.cn/anaconda/mi…

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）：

1. 查看conda环境：conda env list
2. 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
3. 激活conda环境（ubuntu与Macos 将conda 替换为source）：conda activate env_name
4. 退出conda环境：conda deactivate
5. 安装和卸载python包：conda install numpy # conda uninstall numpy
6. 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
复制代码

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
复制代码

1.1 TF2.0 CPU版本安装

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
复制代码

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
复制代码

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
复制代码

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)
复制代码

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

1.2 TF2.0 GPU版本安装

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
复制代码

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
复制代码

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
复制代码

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
复制代码

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)
复制代码

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
复制代码

 

1.3 TensorFlow其他版本版本安装（TensorFlow1.13.1 -> TensorFlow2.4.0）

首先可以通过这个链接，看看TensorFlow版本对应的依赖项：

https://tensorflow.google.c om /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
复制代码

• 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
复制代码

• TensorFlow2.3/2.2/2.1 gpu版本安装

conda install cudatoolkit=10.1 cudnn=7

pip install tensorflow==2.3
复制代码

• TensorFlow2.0 gpu版本安装

conda install cudatoolkit=10.0 cudnn=7

pip install tensorflow-gpu==2.0
复制代码

1. 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
复制代码

1.4 最后我们测试一个使用TF2.0版本方式写的线性拟合代码

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)
复制代码

输出结果如下：

0 250.0
10 0.73648137
20 0.6172349
30 0.5172956
40 0.4335389
50 0.36334264
60 0.3045124
70 0.25520816
80 0.2138865
90 0.17925593
[<tf.Variable 'linear/dense/kernel:0' shape=(3, 1) dtype=float32, numpy=
array([[0.40784496],
       [1.191065  ],
       [1.9742855 ]], dtype=float32)>, <tf.Variable 'linear/dense/bias:0' shape=(1,) dtype=float32, numpy=array([0.78322077], dtype=float32)>]
复制代码

-1. 后记

回复两个评论区问的较为多的问题：

新建tf环境了之后在安装，是必须的嘛？我几次都是直接在root里安装了

回复： 不新建环境直接安装时使用的是默认的环境安装。不建议这么操作，都在默认环境安装新的模块后面可能会有冲突。建议不同任务使用不同环境。。

使用conda install就不需要事先配置cudatoolkit和cudnn了。（cudatoolkit和cudnn版本问题）

回复： 目前tf2.0还不支持conda install，只能使用pip install。windows可以直接使用conda install cudatoolkit cudnn。要注意一点，tf1.14以上要使用cudatoolkit >= 10.0。由于windows10默认cudatoolkit是9版本的，需要手动安装10版本。其实他们关系是向下包容，就是如果你装了10版本，那么9，8，7版本都可以用conda安装

欢迎大家关注小宋公众号 《极简AI》 带你学深度学习：这里收集了一些比较适合入门实战的PDF书籍，覆盖TensorFlow、PyTorch与MXNet。推荐的理由是通俗易懂，适合初学者研究学习。书籍列表如下：《简单粗暴TensorFlow2最新中文版》《动手学深度学习PyTorch最新中文版》《动手学深度学习MXNet最新中文版》
关注后，回复：书籍，领取。

基于深度学习的理论学习与应用开发技术分享，笔者会经常分享深度学习干货内容，大家在学习或者应用深度学习时，遇到什么问题也可以与我在上面交流知无不答。

出自CSDN博客专家&知乎深度学习专栏作家@小宋是呢