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年任会支持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。

1. 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）

#优先命名用清华conda 镜像
conda config --prepend channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free

2. 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 

3. 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=7.3
#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
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2017年7月2日更新部分，最近tensorflow2.0的由alphag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

以上就完成了tensorflow2.0的安装

4. 测试是否安装成功

#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")

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

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 要能上外网