TensorFlow 2.0 beta1 已经发布。本文详细介绍在个人电脑或服务器上安装 TensorFlow 2.0 beta1 的步骤和各种细节， 让你第一次安装 TensorFlow 2.0 就上手！
一般安装步骤
TensorFlow 的 Python 版本使用最为广泛。作为一个 Python 包，TensorFlow 和其他 Python 包的安装方法区别不大，使用 Python 的包管理器 pip 即可。具体步骤如下：
-
安装 Python 环境。此处建议安装 Anaconda 。这是一个开源的 Python 发行版本，提供了一个完整的科学计算环境，包括 NumPy、SciPy 等常用科学计算库。当然，你有权选择自己喜欢的 Python 环境。
-
使用 Anaconda 自带的 conda 包管理器建立一个 Conda 虚拟环境，并进入该虚拟环境。在命令行下输入以下命令：
#建立虚拟环境#“tf2.0”是你建立的 Conda 虚拟环境的名字
#python=3.7 代表该虚拟环境的 Python 版本为 3.7
conda create --name tf2.0 python=3.7
#进入名为“tensorflow”的虚拟环境
conda activate tf2.0
-
使用 Python 包管理器 pip 安装 TensorFlow。在命令行下输入以下命令：
pip install tensorflow==2.0.0-beta1 # TensorFlow CPU 版本
或
pip install tensorflow-gpu # TensorFlow GPU 版本，需要具有 NVIDIA 显卡及正确安装驱动程序，详见下文
等待片刻即安装完毕。
注：Anaconda下载 链接https://www.anaconda.com
小技巧
也可以使用
conda install tensorflow
或者
conda install tensorflow-gpu
来安装 TensorFlow，不过 conda 源的版本往往更新较慢，难以第一时间获得最新的 TensorFlow 版本；在 Windows 下，需要打开开始菜单中的 “Anaconda Prompt” 进入 Anaconda 的命令行环境；在国内环境下，推荐使用 国内的 pypi 镜像 和 Anaconda 镜像 ，将显著提升 pip 和 conda 的下载速度；
注：清华大学的 pypi 镜像 链接
https://mirrors.tuna.tsinghua.edu.cn/help/pypi/
清华大学的 Anaconda 镜像 链接
https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/
如果对磁盘空间要求严格（比如服务器环境），可以安装 Miniconda ，仅包含 Python 和 Conda，其他的包可自己按需安装。
pip 和 conda 包管理器
pip 是最为广泛使用的 Python 包管理器，可以帮助我们获得最新的 Python 包并进行管理。常用命令如下：
pip install [package-name] # 安装名为 [package-name] 的包
pip install [package-name]==X.X # 安装名为 [package-name] 的包并指定版本 X.X
pip install [package-name] --proxy=代理服务器IP:端口号 # 使用代理服务器安装
pip install [package-name] --upgrade # 更新名为 [package-name] 的包
pip uninstall [package-name] # 删除名为 [package-name] 的包
pip list # 列出当前环境下已安装的所有包
conda 包管理器是 Anaconda 自带的包管理器，可以帮助我们在 conda 环境下轻松地安装各种包。相较于 pip 而言，conda 的通用性更强（不仅是 Python 包，其他包如 CUDA Toolkit 和 cuDNN 也可以安装），但 conda 源的版本更新往往较慢。常用命令如下：
conda install [package-name] # 安装名为 [package-name] 的包
conda install [package-name]=X.X # 安装名为 [package-name] 的包并指定版本 X.X
conda update [package-name] # 更新名为 [package-name] 的包
conda remove [package-name] # 删除名为[package-name]的包
conda list # 列出当前环境下已安装的所有包
conda search [package-name] # 列出名为 [package-name] 的包在 conda 源中的所有可用版本
conda 中配置代理：在用户目录下的 .condarc 文件中添加以下内容：
proxy_servers:
http: http://代理服务器IP:端口号
Conda 虚拟环境
在 Python 开发中，很多时候我们希望每个应用有一个独立的 Python 环境（比如应用 1 需要用到 TensorFlow 1.X，而应用 2 使用 TensorFlow 2.0）。这时，Conda 虚拟环境即可为一个应用创建一套“隔离”的 Python 运行环境。使用 Python 的包管理器 conda 即可轻松地创建 Conda 虚拟环境。常用命令如下：
conda create --name [env-name] # 建立名为 [env-name] 的 Conda 虚拟环境
conda activate [env-name] # 进入名为 [env-name] 的 Conda 虚拟环境
conda deactivate # 退出当前的 Conda 虚拟环境
conda env remove --name [env-name] # 删除名为 [env-name] 的 Conda 虚拟环境
conda env list # 列出所有 Conda 虚拟环境
GPU 版本 TensorFlow 安装指南
GPU 版本的 TensorFlow 可以利用 NVIDIA GPU 强大的计算加速能力，使 TensorFlow 的运行更为高效，尤其是可以成倍提升模型训练的速度。
在安装 GPU 版本的 TensorFlow 前，你需要具有一块不太旧的 NVIDIA 显卡，以及正确安装 NVIDIA 显卡驱动程序、CUDA Toolkit 和 cnDNN。
GPU 硬件的准备
TensorFlow 对 NVIDIA 显卡的支持较为完备。对于 NVIDIA 显卡，要求其 CUDA Compute Capability 须不低于3.0，可以到 NVIDIA的官方网站 查询自己所用显卡的CUDA Compute Capability。目前，AMD 的显卡也开始对 TensorFlow 提供支持，可访问 这篇博客文章 查看详情。
注：NVIDIA的官方网站 链接
https://developer.nvidia.com/cuda-gpus/
博客文章 链接
https://medium.com/tensorflow/amd-rocm-gpu-support-for-tensorflow-33c78cc6a6cf
NVIDIA驱动程序的安装
Windows
Windows 环境中，如果系统具有 NVIDIA 显卡，则往往已经自动安装了 NVIDIA 显卡驱动程序。如未安装，直接访问 NVIDIA 官方网站 下载并安装对应型号的最新公版驱动程序即可。
注：NVIDIA 官方网站 链接
https://www.nvidia.com/Download/index.aspx?lang=en-us
Linux
在服务器版Linux系统下，同样访问 NVIDIA官方网站 下载驱动程序（为 .run 文件），并使用
sudo bash DRIVER_FILE_NAME.run
命令安装驱动即可。在安装之前，可能需要使用
sudo apt-get install build-essential
安装合适的编译环境。
在具有图形界面的桌面版Linux系统上，NVIDIA 显卡驱动程序需要一些额外的配置，否则会出现无法登录等各种错误。如果需要在 Linux 下手动安装 NVIDIA 驱动，注意在安装前进行以下步骤（以 Ubuntu 为例）：
禁用系统自带的开源显卡驱动Nouveau（在/etc/modprobe.d/blacklist.conf文件中添加一行blacklist nouveau ，使用sudo update-initramfs -u更新内核，并重启）
禁用主板的 Secure Boot 功能
停用桌面环境 (如sudo service lightdm stop)
删除原有 NVIDIA 驱动程序 (如sudo apt-get purge nvidia*)
小技巧
对于桌面版Ubuntu系统，有一个很简易的NVIDIA驱动安装方法：在系统设置（System Setting）里面选软件与更新（Software & Updates），然后点选Additional Drivers里面的“Using NVIDIA binary driver”选项并点选右下角的“Apply Changes”即可，系统即会自动安装NVIDIA驱动，但是通过这种安装方式安装的NVIDIA驱动往往版本较旧。
NVIDIA 驱动程序安装完成后，可在命令行下使用nvidia-smi命令检查是否安装成功，若成功则会打印出当前系统安装的 NVIDIA 驱动信息，形式如下：
提示
命令nvidia-smi可以查看机器上现有的GPU及使用情况。（在 Windows 下，将 C:\Program Files\NVIDIA Corporation\NVSMI加入 Path 环境变量中即可，或 Windows 10 下可使用任务管理器的“性能”标签查看显卡信息）
更详细的 GPU 环境配置指导可以参考 2篇博客文章 。
注：参考博客文章1 链接
https://www.linkedin.com/pulse/installing-nvidia-cuda-80-ubuntu-1604-linux-gpu-new-victor/
参考博客文章2 链接
https://blog.csdn.net/wf19930209/article/details/81877822
CUDA Toolkit 和 cnDNN 的安装
在Anaconda环境下，推荐使用：
conda install cudatoolkit=X.X
conda install cudnn=X.X.X
安装 CUDA Toolkit 和 cnDNN，其中 X.X 和 X.X.X 分别为需要安装的 CUDA Toolkit 和 cuDNN 版本号，必须严格按照 TensorFlow 官方网站所说明的版本安装（对于 TensorFlow 2.0 beta1，可以安装版本为 10.0 的 CUDA Toolkit 和版本为 7.6.0 的 cuDNN）。在安装前，可使用conda search cudatoolkit和conda search cudnn搜索 conda 源中可用的版本号。
当然，也可以按照 TensorFlow 官方网站上的说明 手动下载 CUDA Toolkit 和 cuDNN 并安装，不过过程会稍繁琐。
使用 conda 包管理器安装 GPU 版本的 TensorFlow 时，会自动安装对应版本的 CUDA Toolkit 和 cuDNN。conda 源的更新较慢，如果对版本不太介意，推荐直接使用
conda install tensorflow-gpu
进行安装。
注：TensorFlow 官方网站上的说明 链接
https://www.tensorflow.org/install/gpu
第一个程序
安装完毕后，我们来编写一个简单的程序来验证安装。
在命令行下输入conda activate tensorflow进入之前建立的安装有 TensorFlow 的 Conda 虚拟环境，再输入python进入 Python 环境，逐行输入以下代码：
import tensorflow as tf
A = tf.constant([[1, 2], [3, 4]])
B = tf.constant([[5, 6], [7, 8]])
C = tf.matmul(A, B)
print(C)
如果能够最终输出:
tf.Tensor(
[[19 22]
[43 50]], shape=(2, 2), dtype=int32)
说明 TensorFlow 已安装成功。运行途中可能会输出一些 TensorFlow 的提示信息，属于正常现象。
IDE 设置
对于机器学习的研究者和从业者，建议使用 PyCharm 作为 Python 开发的 IDE。
注：PyCharm 链接
http://www.jetbrains.com/pycharm/
在新建项目时，你需要选定项目的 Python Interpreter，也就是用怎样的 Python 环境来运行你的项目。在安装部分，你所建立的每个 Conda 虚拟环境其实都有一个自己独立的 Python Interpreter，你只需要将它们添加进来即可。选择“Add”，并在接下来的窗口选择“Existing Environment”，在 Interpreter 处选择Anaconda安装目录/envs/所需要添加的Conda环境名字/python.exe（Linux下无.exe后缀）并点击“OK”即可。如果选中了“Make available to all projects”，则在所有项目中都可以选择该 Python Interpreter。注意，在 Windows 下 Anaconda 的默认安装目录比较特殊，一般为 C:\Users\用户名\Anaconda3\，即当前 Windows 用户的用户目录下。
对于 TensorFlow 开发而言，PyCharm 的 Professonal 版本非常有用的一个特性是 远程调试 （Remote Debugging）。当你编写程序的终端机性能有限，但又有一台可远程ssh访问的高性能计算机（一般具有高性能 GPU）时，远程调试功能可以让你在终端机编写程序的同时，在远程计算机上调试和运行程序（尤其是训练模型）。你在终端机上对代码和数据的修改可以自动同步到远程机，在实际使用的过程中如同在远程机上编写程序一般，与串流游戏有异曲同工之妙。
不过远程调试对网络的稳定性要求高，如果需要长时间训练模型，建议登录远程机终端直接训练模型（Linux 下可以结合nohup命令 ，让进程在后端运行，不受终端退出的影响）。远程调试功能的具体配置步骤见 PyCharm 文档 。
小技巧
如果你是学生并有 .edu 结尾的邮箱的话，可以在 这里 申请 PyCharm 的免费 Professional 版本授权。
注：申请免费授权
http://www.jetbrains.com/student/
对于 TensorFlow 及深度学习的业余爱好者或者初学者， Visual Studio Code 或者一些在线的交互式 Python 环境（比如免费的 Google Colab ）也是不错的选择。Colab 的使用方式可参考 附录 。
注：Visual Studio Code 链接
https://code.visualstudio.com/
Google Colab 链接
https://colab.research.google.com/
关于nohup命令 链接
https://www.ibm.com/developerworks/cn/linux/l-cn-nohup/
附录 链接
https://tf.wiki/zh/appendix/cloud.html#colab
TensorFlow所需的硬件配置 *
提示
对于学习而言，TensorFlow 的硬件门槛并不高。甚至，借助免费或灵活的云端计算资源，只要你有一台能上网的电脑，就能够熟练掌握 TensorFlow！
在很多人的刻板印象中，TensorFlow 乃至深度学习是一件非常“吃硬件”的事情，以至于一接触 TensorFlow，第一件事情可能就是想如何升级自己的电脑硬件。不过，TensorFlow 所需的硬件配置很大程度是视任务和使用环境而定的：
对于 TensorFlow 初学者，无需硬件升级也可以很好地学习和掌握 TensorFlow。本手册中的大部分教学示例，大部分当前主流的个人电脑（即使没有 GPU）均可胜任，无需添置其他硬件设备。如果自己的个人电脑难以胜任，可以考虑在云端（例如免费的 Colab ）进行模型训练。
对于参加数据科学竞赛（比如 Kaggle）或者经常在本机进行训练的个人爱好者或开发者，一块高性能的 NVIDIA GPU 往往是必要的。CUDA 核心数和显存大小是决定显卡机器学习性能的两个关键参数，前者决定训练速度，后者决定可以训练多大的模型以及训练时的最大 Batch Size，对于较大规模的训练而言尤其敏感。
对于前沿的机器学习研究（尤其是计算机视觉和自然语言处理领域），多 GPU 并行训练是标准配置。为了快速迭代实验结果以及训练更大规模的模型以提升性能，4 卡、8 卡或更高的 GPU 数量是常态。
关于深度学习工作站的具体配置，由于硬件行情更新较快，故不在此列出具体配置，推荐关注 知乎问题 - 如何配置一台适用于深度学习的工作站？ ，并结合最新市场情况进行配置。
注：知乎问题 - 如何配置一台适用于深度学习的工作站？
https://www.zhihu.com/question/33996159
本文转载至微信公众号。
