01. Tensorflow2发展历史及环境搭建

admin管理员组

文章数量:1530517

1. 发展历史

1.1. 前世今生

• 2015.9发布0.1版本
• 2017.2发布1.0版本
• 2019春发布2.0版本

1.2. 同一时期人工智能其他库的发展

1.2.1. 2015年

• Scikit-learn
  • Machine learning, No GPU
• Caffe
  • 2013, 第一个面向深度学习的框架
  • No auto-grad, C++
• Keras
  • wrapper
• Theano
  • 开发难，调试难
• Torch
  • Lua语言
    

1.2.2. tensorflow

• Caffe
  • Facebook，Caffe2 → PyTorch
  • Torch → PyTorch
• Theano
  • Google, → TensorFlow
  • → TensorFlow 2
• Chainer
• MXNet

1.3. TensorFlow vs PyTorch

1.3.1. TensorFlow1 vs PyTorch

• TF 1.x Sucks.
  • 调试困难
  • API混乱
  • 入门困难，入了门依旧困难
  • 大批研究人员者转向PyTorch
    

1.3.2. TensorFlow2 vs PyTorch

• 2019年
  • TensorFlow 2.0 is coming!
  • TF+Keras
  • Easy to use
    
    
• Github
  
• Power Scores
  
• Trends
  
• Paper mentions
  

1.4. TensorFlow eco-system

• TensorFlow 2.0
  • @tf.function
• TensorFlow Lite
• TensorFlow.JS
• TensorFlow Extended
• TensorFlow Prob
• TPU Cloud
  

1.4. 为什么要使用TensorFlow

1.4.1. GPU加速

import tensorflow as tf
import timeit

with tf.device('/cpu:0'):
    cpu_a = tf.random.normal([10000, 1000])
    cpu_b = tf.random.normal([1000, 2000])
    print(cpu_a.device, cpu_b.device)

with tf.device('/gpu:0'):
    gpu_a = tf.random.normal([10000, 1000])
    gpu_b = tf.random.normal([1000, 2000])
    print(gpu_a.device, gpu_b.device)


def cpu_run():
    with tf.device('/cpu:0'):
        c = tf.matmul(cpu_a, cpu_b)
    return c


def gpu_run():
    with tf.device('/gpu:0'):
        c = tf.matmul(gpu_a, gpu_b)
    return c


# warm up
cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print('warmup:', cpu_time, gpu_time)

cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print('run time:', cpu_time, gpu_time)

1.4.2. 自动求导

• 代码实现

import tensorflow as tf

x = tf.constant(1.)
a = tf.constant(2.)
b = tf.constant(3.)
c = tf.constant(4.)

with tf.GradientTape() as tape:
    tape.watch([a, b, c])
    y = a ** 2 * x + b * x + c

[dy_da, dy_db, dy_dc] = tape.gradient(y, [a, b, c])
print(dy_da, dy_db, dy_dc)

• 结果
  

1.4.3. 神经网络Layers

2. 桌面显卡性能天梯图

3. 开发环境搭建

3.1. Platform

• Windows 10
  • Or Ubuntu 16.04/18.04
• Anaconda, Python 3.7
• CUDA 10.0
  • cuDNN
• TensorFlow 2.0
• PyCharm
  

3.2. ANACONDA Python:3.7

• 官网下载
• 镜像网站
• 下载好之后就跟安装一般的软件没啥区别，选择自己安装的文件夹，下一步就ok，需要注意下图中的两项都需要勾选：
  
• 运行 开始菜单->Anaconda3—>Anaconda Prompt ：
  
• Anaconda安装确认
  

3.3. CUDA 10.0

3.3.1. 步骤

• NVIDIA显卡
  • GTX 1060 6GB
  • GTX 1080Ti 11GB
• CUDA安装
  • 驱动
  • CUPTI
• cuDNN安装
• PATH配置

3.3.2. cuda安装

• 此步骤适用于安装 TensorFlow-GPU版本；这个步骤最是容易出错的。下载链接：CUDA Toolkit 10.0 Archive
  
• 找到对应的cudnn版本下载,下载链接:cudnn
  
• 也可以直接从我百度云链接下载;链接提取码：y4bt;先安装cuda,双击.exe文件执行；

  • 选择custom(自定义)
    

  • 这里特别注意一下几点：1. 就是电脑本身的显卡驱动号；2. 就是自己的电脑有没有安装visual stuio；首先把Nvidia GeForce应用程序关掉，这个没什么用。
    

  • 把cuda中的visual studio integration去掉，这里因为我们自己的电脑没有安装visual stuio如果安装了。如果我们自己的电脑装了visual stuio如果安装了可以不用去掉。
    

  • 这里也要注意左边一列新的驱动版本和当前驱动版本；需要保证左边一列（display driver）的驱动版本号，大于等于当前版本驱动号，否则有可能出错。要是满足了，这一列可以去掉勾，不用安装了
    
    

3.3.3. 环境变量的配置

• 注意：
  • 4行缺一不可
  • 4行必须位于顶部
  • cudnn直接解压就可以

3.3.4. CUDA 测试

3.4. TensorFlow安装

• 通过anaconda创建虚拟环境 conda create -n tensorflow-2.0_python-3.7 python=3.7

• 然后进入刚刚创建好的环境 conda activate tensorflow-2.0_python-3.7
  

• 安装tensorflow
  

• 查看conda中Python的安装路径where ipython
  

• TensorFlow测试
  

  • 代码实现：

  import tensorflow as tf
  import os
  
  os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
  
  a = tf.constant(1.)
  b = tf.constant(2.)
  print(a + b)
  print("GPU:", tf.test.is_gpu_available())
  

3.5. PyCharm安装

• 跟其普通开发软件安装差不多， 随着版本迭代，可能界面稍微变化一下，自行百度解决一下。

4. 需要全套课程视频+PPT+代码资源可以私聊我

• 方式1：CSDN私信我!
• 方式2：QQ邮箱:594042358@qq或者直接加我QQ: 594042358!

本文标签： 环境历史