Anaconda 可以使tensorflow的安装变的简单
昨天tensorflow 开发者大会刚开完，会上发布了关于 TensorFlow 2.0，TensorFlow Lite，TensorFlow.js，Swift for TensorFlow，TFX 等产品生态体系的最新更新和首次发布的内容，2019年仍会支持tensorflow1.x,但是我们相信，版本的升级会带来易用性和使用性能的提升，特别是tensorflow1.x 开发api的混乱，有slim、tf.layers, tf.contrib 后期版本有tf.keras ,还有读数据方式，都特别麻烦，所以本文章基于linux系统提供安装方法（Windows系统安装anaconda以后也可以使用该教程）。
插播：很荣幸本文于2020年11月5日被Tensorflow官方社区收录，欢迎去社区逛逛

首先安装anaconda

这个直接官网去下载就可以了，可以是安装anaconda 或miniconda，我选择miniconda,这样不会把大量用不到的python包都安装了，而是根据需求，后期自己安装。

下载miniconda  ,基本一路回车安装完成就可以，然后配置下载源来使⽤国内镜像加速下载:

(时代在变化，社会在发展，anaconda不再有国内的加速镜像，所以以下添加清华源的命令就不要执行了！！，用默认的官方源也是可以使用的，更改于2019年7月2日 ）清华源又可以用了

#优先命名用清华conda 镜像
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/

# 搜索时显示通道地址
conda config --set show_channel_urls yes


创建一个环境，用来安装tensorflow2.0以及相关的python packages.

#加上cudatoolkit and cudnn这样不论你的机器原来装的是否合适，都可以用tensorflow2.0gpu版本
conda create -n tf2 python=3.6 


激活创建的环境，安装tensorflow2.0

#激活环境
source activate tf2
#对于GPU版的安装，为保证不论原始linux环境是什么样的都可以安装，如果原系充已经符合，以下命令不用执行
conda install cudatoolkit=10 cudnn=7.6 #目前tf2.0不支持cuda10.1(对应cudnn7.6)，官网要求cuda=10,cudnn>7.4
#对于CPU版本，上边这行命令是不需要执行的
#接下来安装tensorflow 有多种情形
conda install tensorflow #安装tensorflow cpu稳定版本
conda install tensorflow-gpu#安装ensorflow gpu稳定版本
#使用这前可以使用 conda serach tensorflo 或conda search tensorflow-gpu来查询都有那些版本
#可以初装指定版本 conda install tensorflow=1.5 tensorflow 1.5版本
#如果安装错了可以使用conda uninstall tensorflow卸载后再重新安装
#接下来是要安装是新的tensorflow版本，conda环境使用pip同样生效
pip install tf-nightly #cpu 版本
pip install tf-nightly-gpu#GPU版本
#本人网上查了具体的版本
pip install tf-nightly-2.0-preview#Install tf 2.0 preview CPU version
pip install tf-nightly-gpu-2.0-preview#Install tf 2.0 preview GPU version

以下于2019年7月2日更新部分，最近tensorflow2.0的由alpha到了beat版本，所以更新一下最新的安装方法（基础环境的搭建不变）
pip install --upgrade pip
pip install --upgrade tensorflow==2.0.0-beta1 #只是CPU版本
pip install --upgrade tensorflow-gpu==2.0.0-beta1#GPU 版本的
#关于测试安装是否成功的测试，与原来是一样的
#会输出2.0.0-beta1

于2019年8月24日再更，今早tensorflow再次更新：
pip install tensorflow==2.0.0rc0 # cpu version
pip install tensorflow-gpu==2.0.0rc0  #gpu version
#最近有了更新rc1版本更新，日期没有记
pip install tensorflow==2.0.0rc1 # cpu version
pip install tensorflow-gpu==2.0.0rc1  #gpu version
#tensorflow rc2版本更新于2019年9月25日,感觉正式版很快就要来了
#安装方法同上，更新内容参见https://github.com/tensorflow/tensorflow/releases/tag/v2.0.0-rc2
#卸载旧版
pip uninstall tensorflow-gpu
pip install tensorflow-gpu==2.0.0rc2

rc的release candidate的意思，基本上是最后的可用于生产的版本，但仍然是测试。感觉有好多特性都有更新，具体的更新内容参见github上官方文档

以上就完成了tensorflow2.0的安装

2019年10月1日更新：tensorflow2.0版本正式发布，安装方法：
pip install --upgrade pip
pip install tensorflow-gpu==2.0.0

2019年10月25日更新，从今天开始，conda支持安装tensorflow2.0,有点小舒服。
conda search tensorflow #搜cpu版
conda search tensorflow-gpu#搜GPU版
#大家可以按需安装
conda install tensorflow-gpu=2.0.0 #各种必备包自动安装，

用conda 安装最好，可以判断所有安装包的版本间的兼容性，如果能安装那么肯定是兼容的。

官网cuda和cudnn要求如下：



linux上驱动要大于410.x,cuda版本只能是10，cudnn版本要大于7.4.
2020年1月10日再更，tensorflow2.1正式发布，有几点更新：

pip默认安装GPU版本，也就是说pip install tensorflow 与pip install tensorflow-gpu相同
tensorflow2.1 支持 cuda 10.1和cudnn 7.6,也就是说在以后可以在同一个环境中同时安装tensorflow(2.1),pytorch(1.3.1),mxnet(1.5.1),因为这三深度学习库都支持cuda 10.1.



具体安装方法：

conda create -n dl python=3.6
conda activate dl
conda install cudatoolkit=10.1 cudnn=7.6
pip install tensorflow-gpu #安装tensorflow
pip install torch===1.3.1 torchvision===0.4.2 -f https://download.pytorch.org/whl/torch_stable.html
pip install mxnet-cu101 #三个深度学习库都初装成功
pip install jupyterlab pandas matplotlib pydot scikit-learn seaborn scikit-image opencv-contrib-python

发现个问题，用pip安装的tensorflow2.1需要一个 libnvinfer.so的文件，这个是tensorrt的东西，不装tensorrt会报错：



按照官方教程安装一下就可以，我是用的tar包安装的,版本tensorrt6.其中

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:<TensorRT-${version}/lib> 这个命令写到当前用户.bashrc中就可以，然后source一下(如果用deb包安装可以省去改变环境变量这个工作）。

再次进入dl环境，所有pip 安装的内容都不用加sudo.

到此，使用这三个深度学习库都是没有什么问题的。
import tensorflow as tf
import torch
import mxnet as mx
from mxnet.runtime import feature_list

print(mx.test_utils.list_gpus())
print(feature_list())
#会输出：[✔ CUDA, ✔ CUDNN, ✔ NCCL, ✔ CUDA_RTC, ✖ TENSORRT, ✔ CPU_SSE, ✔ CPU_SSE2, ✔ CPU_SSE3, ✔ CPU_SSE4_1, ✔ CPU_SSE4_2, ✖ CPU_SSE4A, ✔ CPU_AVX, ✖ CPU_AVX2, ✔ OPENMP, ✖ SSE, ✔ F16C, ✖ JEMALLOC, ✔ BLAS_OPEN, ✖ BLAS_ATLAS, ✖ BLAS_MKL, ✖ BLAS_APPLE, ✔ LAPACK, ✔ MKLDNN, ✔ OPENCV, ✖ CAFFE, ✖ PROFILER, ✔ DIST_KVSTORE, ✖ CXX14, ✖ INT64_TENSOR_SIZE, ✔ SIGNAL_HANDLER, ✖ DEBUG, ✖ TVM_OP]
print(torch.cuda.is_available())
print(torch.backends.cudnn.version())
print(tf.test.is_gpu_available())



可以看到，三个深度学习库都 可以使用GPU,标红的地方有一个是我们提前安装的包。
#在tensorflow2.1验证是否有gpu进，系统提示deprecated
tf.test.is_gpu_available()#不用了
tf.test.is_built_with_cuda()#是否支持NVIdia GPU
tf.test.is_built_with_rocm()#是否支持AMD的显卡
tf.test.is_built_with_gpu()#NVIDIA或AMD是否有一家的支持



另外，安装tensorrt需要pycuda，所以还要安装有几个额外包，这样在conda环境中才可以用pip安装pycuda.
conda install -c nvidia nvcc_linux-64=10.1
conda install  -c conda-forge cudatoolkit-dev=10.1

执行这两个命令才可以安装pycuda
pip install pycuda

如果cudatoolkit是从Nvidia官网下载后按照这里所述方式安装的,上边这两条命令是不需要的。

再次补充

最近遇到一些其它问题，安装cuda10没报错但是tensorflow不能使用,这是因为系统显卡驱动太低，不匹配比较新的cuda10,唯一需要做的就是更新显卡驱动。每个版本的cuda都有显卡驱动的最低要求，如下表（参考官网说明）：



可以看到，cuda10的最低版本的要求是410.48。查看原系统的显卡驱动的方法是在shell中输入： nvidia-smi（原系统安装有cuda toolkit才会有该命令）



本人电脑上当前版本是384.98，最高可安装cuda版本是9.0，而cuda9最高支持到tensorflow1.12。

cuda版本与tensorflow版本对应关系如下表（参考官网说明）：



显卡驱动安装或更新以及cuda toolkitt和cudnn的系统完装方法参见博客。

2020年5月7日更新

今天，tensorflow2.2正式版发布，更新内容参见github，另外，Keras官网改版了，界面全新，更加接近tf2,可以快乐的学习了。

tensorflow2.2安装方法：
conda create -n dl python=3.7
conda activate dl
conda install cudatoolkit=10.1 cudnn=7.6.5
#tensorflow的安装也方便没啥警告
pip install tensorflow-gpu -i https://pypi.douban.com/simple
#到目前（2020年5月7日）最新的pytorch gpu版本也可以安装
pip install torch==1.5.0+cu101 torchvision==0.6.0+cu101 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.douban.com/simple


测试是否安装成功

有两种方法

方法一：

import tensorflow as tf 
print(tf.__version__)
#输出'2.0.0-alpha0'
print(tf.test.is_gpu_available())
#会输出True,则证明安装成功


方法二：

#输入python，进入python环境
import tensorflow as tf
#查看tensorflow版本
print(tf.__version__)
#输出'2.0.0-alpha0'
#测试GPU能否调用,先查看显卡使用情况
import os 
os.system("nvidia-smi")
#调用显卡
@tf.function
def f():
	pass
f()
#这时会打印好多日志，我电脑上还有warning，感觉不影响
#再次查询显卡
os.system("nvidia-smi")
可以对比两次使用情况

建意两种测试方法都试一下，有时第一种方法成功，真正建模型进行训练时确会报错，所在最好都试一下。

好了，测试使用的过程也完成了，小伙伴们可以玩起来呀

这里顺便提一下用来tensorflow 学习的资源

 吴恩达的课程cousera上会有一系列课程，会在2019年逐步完成TensorFlow: From Basics to Mastery
  udacity 上的课基于Tensorflow的深度学习Intro to TensorFlow for Deep Learning 这个也要可以上外网
  Cousera伦顿帝国理工学院的tensorflow2 入门,这们课是2020年1月左右发布的
 Cousera上伦顿帝国理工学院的tensorflow2深入课程,这们课是2020年3月左右发布的
 简单粗暴 TensorFlow 2,这是tensorflow官方指定的中国的教程，还是不错的。


引用文章

1  https://docs.anaconda.com/anaconda/user-guide/tasks/tensorflow/

2  https://medium.com/tensorflow/test-drive-tensorflow-2-0-alpha-b6dd1e522b01  需要科学上网

3 https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html

4 https://www.tensorflow.org/install/source#install_python_and_the_tensorflow_package_dependencies

安装说明：

平台：windows

版本：tensorflow2.0.0-alpha0（cpu版本）

安装方式：pip

一、安装环境

Tensorflow2.0.0的CPU版本环境需求简单，安装比较简洁。

TensorFlow是基于VC++2015开发的，所以需要下载安装VisualC++ Redistributable for Visual Studio 2015 来获取MSVCP140.DLL的支持。

二、安装过程

anaconda安装

在anaconda安装不需要重新下一个python版本，只需要后面新建一个虚拟环境就可以。接下来介绍具体的操作。

1.检查anaconda安装：在cmd输入 conda --version



 

2.检测已经安装的环境：conda info --envs

这里如果没有新建其他环境的话，就只有一个默认的anaconda中的root环境。

3.新建一个python3.5的环境，tensorflow：conda create --name tensorflow python=3.5

系统会自动选择分配一个python3.5.x的版本

4.激活新建的环境：activate tensorflow



 

左侧的（tensorflow）就代表进入了新建的虚拟环境，这里是tensorflow

5.先退出当前环境：deactivate



 

环境名字没了，表示已退出

5.确认一下，新建环境已经添加进去：conda info --envs



 

除了原来默认的root环境，又多了一个tensorflow。bingo！继续

6.验证一下tensorflow环境中的python版本对不对：

activate tensorflow

python --version



 

7.下一步继续在tensorflow环境中安装tensorflow2.0.0

三、tensorflow2.0.0安装

安装cpu版本则继续输入

pip install tensorflow==2.0.0-alpha0

这里如果下载慢的话可以选择添加douban源或者清华源。

指令如下：pip install tensorflow==2.0.0-alpha0 -i http://pypi.doubanio.com/simple

安装完成后就直接在tensorflow环境中的python里import tensorflow中测试是否可以import。



 

这里面的警告不需要担心，大功告成！！！

四、总结

anaconda是一个包管理工具，里面安装各种包很方便，建议每次新建工程时我们直接新建一个环境，这样不依赖其他环境程序不容易出现报错问题。

一、WIndows安装GPU版本tensorflow注意一下几个问题一般就不会出错
（1）确定自己要安装哪个版本的tensorflow-gpu；
（1）根据自己要装的tensorflow-gpu版本确定要下载的CUDA版本；
（2）根据要安装的CUDA版本确定要下载的Cudnn版本。
二、tensorflow-gpu版本与CUDA版本对应关系
不同版本的tensorflow-gpu与CUDA对应关系如下表所示（图片有点旧了，python版本是2.7和3.3-3.8）：


对于版本号大于1.13的tensorflow-gpu版本，如1.14、1.15，建议安装CUDA10.0，不要安装最新的CUDA10.1，安装后会提示缺少很多库文件，而导致GPU版本的tensorflow无法使用，如下图所示：



如果是2.0以上的tensorflow，按下面列表安装（2020年12月更新）:




TF
CUDA
cudnn




2.0
10.0
7.6


2.1
10.1
7.6


2.2
10.1
7.6


2.3
10.1
7.6


三、CUdnn与CUDA的对应关系
NVIDIA官网链接：https://developer.nvidia.com/rdp/cudnn-archive#a-collapse742-10

目前为止（2019年11月2日），最新的cuDNN版本号是7.6.3，7.5和7.6的cuDNN都支持CUDA10.1，7.4只能支持到CUDA10.0，一般如果安装的CUDA10.0的话，cuDNN7.4是可以的。
四、检验tensorflow-gpu安装成功
输入以下命令：
import  tensorflow as tf 
a = tf.constant([1.0,2.0,3.0],shape = [3], name='a')
b = tf.constant([1.0,2.0,3.0], shape = [3], name='b')
c = a +b
sess = tf.Session(config = tf.ConfigProto(log_device_placement =True))
print(sess.run(c))

若显示一下信息，说明安装成功。



如果按照以上方法安装后出现了以下错误：
ImportError: libcublas.so.10.0: cannot open shared object file: No such file or directory

那么在终端输入以下命令：
sudo ldconfig /usr/local/cuda-10.0/lib64

一般就能解决问题！
也可用一下方式临时检验：

对于2.0以前版本：
tf.test.is_gpu_available()

2.1以后版本：
tf.config.list_physical_devices('GPU')

最全 TensorFlow2.0 教程-持续更新
原文地址：https://blog.csdn.net/qq_31456593/article/details/88606284
最新tensorflow2教程和相关资源，请关注微信公众号：DoitNLP， 后面我会在DoitNLP上，持续更新深度学习、NLP、Tensorflow的相关教程和前沿资讯，它将成为我们一起学习tensorflow2的大本营
本教程主要由tensorflow2.0官方教程的个人学习复现笔记整理而来，并借鉴了一些keras构造神经网络的方法，中文讲解，方便喜欢阅读中文教程的朋友，tensorflow官方教程：https://www.tensorflow.org
Tensorflow2.0 教程持续更新：
TensorFlow 2.0 教程- Keras 快速入门

TensorFlow 2.0 教程-keras 函数api

TensorFlow 2.0 教程-使用keras训练模型

TensorFlow 2.0 教程-用keras构建自己的网络层

TensorFlow 2.0 教程-keras模型保存和序列化

TensorFlow 2.0 教程-eager模式

TensorFlow 2.0 教程-Variables

TensorFlow 2.0 教程–AutoGraph
TensorFlow 2.0 深度学习实践
TensorFlow2.0 教程-图像分类

TensorFlow2.0 教程-文本分类

TensorFlow2.0 教程-过拟合和欠拟合

TensorFlow2.0教程-结构化数据分类

TensorFlow2.0教程-回归

TensorFlow2.0教程-保持和读取模型
TensorFlow 2.0 基础网络结构
TensorFlow2教程-基础MLP网络

TensorFlow2教程-mlp及深度学习常见技巧合

TensorFlow2教程-基础CNN网络

TensorFlow2教程-CNN变体网络

TensorFlow2教程-文本卷积

TensorFlow2教程-使用预训练CNN模型

TensorFlow2教程-LSTM和GRU

TensorFlow2教程-自编码器

TensorFlow2教程-卷积自编码器

TensorFlow2教程-词嵌入

TensorFlow2教程-DCGAN

TensorFlow2教程-使用Estimator构建Boosted trees

TensorFlow2教程-RNN文本分类

TensorFlow2教程-Transformer
TensorFlow 2.0 eager模式
TensorFlow2.0教程-张量极其操作

TensorFlow2.0教程-自定义层

TensorFlow2.0教程-自动求导

TensorFlow2.0教程-使用低级api训练(非tf.keras)

TensorFlow2.0教程-自定义训练实战(非tf.keras)

TensorFlow2教程-TF fuction和AutoGraph
TensorFlow 2.0 安装
TensorFlow2 教程-Ubuntu安装TensorFlow 2.0

TensorFlow2教程-Windows安装tensorflow2.0
代码实现：
完整tensorflow2.0教程代码请看tensorflow2.0：中文教程tensorflow2_tutorials_chinese(欢迎star)
更多TensorFlow2.0 入门教程请持续关注本博客：https://blog.csdn.net/qq_31456593/article/details/88606284

本博客每周都会更新最新的tensorflow2的教程
关键词：TensorFlow 2.0 入门 教程 代码 实践