TensorFlow 安裝與環境配置¶
TensorFlow 的最新安裝步驟可參考官方網站上的說明（https://tensorflow.google.cn/install）。TensorFlow支援Python、Java、Go、C等多種程式語言以及 Windows、OSX、Linux 等多種作業系統，此處及後文均以 Python 3.7 為準。
提示
本章介紹在一般的個人電腦或伺服器上直接安裝 TensorFlow 2 的方法。關於在容器環境（Docker）、雲端平台中部署 TensorFlow 或在線上環境中使用 TensorFlow 的方法，見附錄 使用 Docker 部署 TensorFlow 環境 和 在雲端使用 TensorFlow 。軟體的安裝方法往往具有時效性，本節的更新日期為 2019 年 10 月。
一般安裝步驟¶
安裝 Python 環境。此處建議安裝 Anaconda 的 Python 3.7 版本（後文均以此為準），這是一個開源的 Python 發行版本，提供了一個完整的科學計算環境，包括 NumPy、SciPy 等常用科學計算套件。當然，你有權選擇自己喜歡的 Python 環境。Anaconda 的安裝包可在 這裡 獲得。
使用 Anaconda 內建的 conda 套件管理器建立一個 Conda 虛擬環境，並進入該虛擬環境。在命令列下輸入：
conda create --name tf2 python=3.7 # “tf2”是你建立的conda虛擬環境的名字
conda activate tf2 # 進入名為“tf2”的conda虛擬環境
使用 Python 套件管理器 pip 安裝 TensorFlow。在命令列下輸入：
pip install tensorflow
等待片刻即安裝完畢。
小技巧
也可以使用
conda install tensorflow來安裝 TensorFlow，不過 conda 來源的版本往往更新較慢，難以第一時間獲得最新的 TensorFlow 版本；從 TensorFlow 2.1 開始，透過pip 安裝
tensorflow即同時包含 GPU 支援，無需通過特定的 piptensorflow-gpu安裝 GPU 版本。如果對 pip 安裝之檔案大小敏感，可使用tensorflow-cpu安裝僅支援 CPU 的 TensorFlow 版本。在 Windows 下，需要打開開始介面中的 “Anaconda Prompt” 進入 Anaconda 的命令列環境；
pypi 和 Anaconda 網址連結如下；
pypi：https://pypi.org/
Anaconda：https://www.anaconda.com/
如果對硬碟空間要求嚴格（比如伺服器環境），可以安裝 Miniconda ，僅包含 Python 和 Conda，其他的的套件可自己按需安裝。Miniconda 的安裝包可在 這裡 下載。
pip 和 conda 套件管理器
pip 是最為廣泛使用的 Python 套件管理器，可以幫助我們獲得最新的 Python 套件並進行管理。常用指令如下：
pip install [package-name] # 安裝名為[package-name]的套件
pip install [package-name]==X.X # 安裝名為[package-name]的套件並指定版本X.X
pip install [package-name] --proxy=代理伺服器IP:埠號 # 使用代理伺服器安裝
pip install [package-name] --upgrade # 更新名為[package-name]的的套件
pip uninstall [package-name] # 刪除名為[package-name]的的套件
pip list # 列出當前環境下已安裝的所有套件
conda 套件管理器是 Anaconda 內建的的套件管理器，可以幫助我們在 conda 環境下輕鬆地安裝各種套件。相較於 pip 而言，conda 的通用性更強（不僅是 Python 套件，其他套件如 CUDA Toolkit 和 cuDNN 也可以安裝），但 conda 來源的版本更新往往較慢。常用指令如下：
conda install [package-name] # 安裝名為[package-name]的套件
conda install [package-name]=X.X # 安裝名為[package-name]的套件並指定版本X.X
conda update [package-name] # 更新名為[package-name]的的套件
conda remove [package-name] # 刪除名為[package-name]的的套件
conda list # 列出當前環境下已安裝的所有的套件
conda search [package-name] # 列出名為[package-name]的的套件在conda源中的所有可用版本
conda 中配置代理：在主目錄下的 .condarc 文件中增加以下內容：
proxy_servers:
http: http://代理伺服器IP:埠號
Conda虛擬環境
在 Python 開發中，很多時候我們希望每個應用有一個獨立的 Python 環境（比如應用 1 需要用到 TensorFlow 1.X，而應用 2 使用 TensorFlow 2.0）。這時，Conda 虛擬環境即可為一個應用創建一套 “隔離” 的 Python 運行環境。使用 Python 的的套件管理器 conda 即可輕鬆地創建 Conda 虛擬環境。常用指令如下：
conda create --name [env-name] # 建立名為[env-name]的Conda虛擬環境
conda activate [env-name] # 進入名為[env-name]的Conda虛擬環境
conda deactivate # 退出當前的Conda虛擬環境
conda env remove --name [env-name] # 刪除名為[env-name]的Conda虛擬環境
conda env list # 列出所有Conda虛擬環境
GPU 版本 TensorFlow 安裝指南¶
GPU 版本的 TensorFlow 可以利用 NVIDIA GPU 強大的計算加速能力，使 TensorFlow 的運行更為高效，尤其是可以成倍提升模型訓練的速度。
在安裝 GPU 版本的 TensorFlow 前，你需要具有一塊不太舊的 NVIDIA 顯卡，以及正確安裝 NVIDIA 顯卡驅動程式、CUDA Toolkit 和 cuDNN。
GPU 硬體的準備¶
TensorFlow 對 NVIDIA 顯卡的支援較為完備。對於 NVIDIA 顯卡，要求其 CUDA Compute Capability 須不低於 3.5，可以到 NVIDIA 的官方網站 查詢自己所用顯卡的 CUDA Compute Capability。目前，AMD 的顯卡也開始對 TensorFlow 提供支援，可參考 這篇文章 查看詳情。
NVIDIA 驅動程式的安裝¶
Windows
Windows 環境中，如果系統具有 NVIDIA 顯卡，則往往已經自動安裝了 NVIDIA 顯卡驅動程式。如未安裝，直接到 NVIDIA 官方網站 下載並安裝對應型號的最新公版驅動程式即可。
Linux
在伺服器版 Linux 系統下，同樣訪問 NVIDIA 官方網站 下載驅動程式（為 .run 文件），並使用 sudo bash DRIVER_FILE_NAME.run 指令安裝驅動程式即可。在安裝之前，可能需要使用 sudo apt-get install build-essential 安裝合適的編譯環境。
在具有圖形界面的桌面版 Linux 系統上，NVIDIA 顯卡驅動程式需要一些額外的配置，否則會出現無法登錄等各種錯誤。如果需要在 Linux 下手動安裝 NVIDIA 驅動程式，注意在安裝前進行以下步驟（以 Ubuntu 為例）：
禁用系統內建的開源顯卡驅動程式 Nouveau（在
/etc/modprobe.d/blacklist.conf文件中添加一行blacklist nouveau，使用sudo update-initramfs -u更新內核，並重啟電腦）禁用主板的 Secure Boot 功能
停用桌面環境（如
sudo service lightdm stop）刪除原有 NVIDIA 驅動程式（如
sudo apt-get purge nvidia*）
小技巧
對於桌面版 Ubuntu 系統，有一個很簡易的 NVIDIA 驅動程式安裝方法：在系統設置（System Setting）裡面選軟體與更新（Software & Updates），然後點選 Additional Drivers 裡面的 “Using NVIDIA binary driver” 選項並點選右下角的 “Apply Changes” 即可，系統即會自動安裝 NVIDIA 驅動程式，但是通過這種安裝方式安裝的 NVIDIA 驅動程式往往版本較舊。
NVIDIA 驅動程式安裝完成後，可在終端機下使用 nvidia-smi 指令檢查是否安裝成功，若成功則會顯示出當前系統安裝的 NVIDIA 驅動程式資訊，形式如下：
$ nvidia-smi
Mon Jun 10 23:19:54 2019
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 419.35 Driver Version: 419.35 CUDA Version: 10.1 |
|-------------------------------+----------------------+----------------------+
| GPU Name TCC/WDDM | Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 GeForce GTX 106... WDDM | 00000000:01:00.0 On | N/A |
| 27% 51C P8 13W / 180W | 1516MiB / 6144MiB | 0% Default |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
|=============================================================================|
| 0 572 C+G Insufficient Permissions N/A |
+-----------------------------------------------------------------------------+
提示
指令 nvidia-smi 可以查看機器上現有的 GPU 及使用情況。（在 Windows 下，將 C:\Program Files\NVIDIA Corporation\NVSMI 加入 Path 環境變數中即可，或 Windows 10 下可使用工作管理員的 “效能” 標籤查看顯卡資訊）
CUDA Toolkit 和 cuDNN 的安裝¶
在 Anaconda 環境下，推薦使用
conda install cudatoolkit=X.X
conda install cudnn=X.X.X
安裝 CUDA Toolkit 和 cuDNN，其中 X.X 和 X.X.X 分別為需要安裝的 CUDA Toolkit 和 cuDNN 版本號，必須嚴格按照 TensorFlow 官方網站所說明的版本 安裝。例如，對於 TensorFlow 2.1，可使用:
conda install cudatoolkit=10.1
conda install cudnn=7.6.5
在安裝前，可使用 conda search cudatoolkit 和 conda search cudnn 搜尋 conda 能夠支援的版本號。
當然，也可以按照 TensorFlow 官方網站上的說明 手動下載 CUDA Toolkit 和 cuDNN 並安裝，不過過程會稍繁瑣。
使用 conda 套件管理器安裝 GPU 版本的 TensorFlow 時，會自動安裝對應版本的 CUDA Toolkit 和 cuDNN。conda 來源的更新往往較慢，如果對版本不太介意，也可以直接使用 conda install tensorflow-gpu 進行安裝。
第一個程式¶
安裝完畢後，我們來編寫一個簡單的程式來驗證安裝。
在終端機下輸入 conda activate tf2 進入之前建立的安裝有 TensorFlow 的 Conda 虛擬環境，再輸入 python 進入 Python 環境，逐行輸入以下程式碼：
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)
如果能夠最終輸出:
tf.Tensor(
[[19 22]
[43 50]], shape=(2, 2), dtype=int32)
說明 TensorFlow 已安裝成功。運行途中可能會輸出一些 TensorFlow 的提示資訊，屬於正常現象。
警告
如果你在 Windows 下安裝了 TensorFlow 2.1 正式版，可能會在導入 TensorFlow 時出現 DLL載入錯誤 。此時安裝 Microsoft Visual C++ Redistributable for Visual Studio 2015, 2017 and 2019 即可正常使用。
此處使用的是 Python 語言，關於 Python 語言的入門教程可以參考 中文 Python 3 教程 或 英文版 Python 教程 ，本手冊之後將預設讀者擁有 Python 語言的基本知識。不用緊張，Python 語言易於上手，而 TensorFlow 本身也不會用到 Python 語言太多高級的複雜應用。
IDE 設置¶
對於機器學習的研究員和從業者，建議使用 PyCharm 作為 Python 開發的 IDE。
在新建項目時，你需要選定項目的 Python Interpreter，也就是用怎樣的 Python 環境來運行你的項目。在安裝部分，你所建立的每個 Conda 虛擬環境其實都有一個自己獨立的 Python Interpreter，你只需要將它們添加進來即可。選擇 “Add”，並在接下來的視窗選擇 “Existing Environment”，在 Interpreter 處選擇 Anaconda安裝目錄/envs/所需要添加的Conda環境名字/python.exe （Linux 下無 .exe 副檔名）並按下 “OK” 即可。如果選中了 “Make available to all projects”，則在所有項目中都可以選擇該 Python Interpreter。注意，在 Windows 下 Anaconda 的預設安裝目錄比較特殊，一般為 C:\Users\用户名\Anaconda3\ 或 C:\Users\用户名\AppData\Local\Continuum\anaconda3 。此處 AppData 是隱藏資料夾。
對於 TensorFlow 開發而言，PyCharm 的 Professonal 版本非常有用的一個特性是 遠端偵測 （Remote Debugging）。當你編寫程式的終端機性能有限，但又有一台可遠端ssh 訪問的高性能電腦（一般具有高性能 GPU）時，遠端偵錯功能可以讓你在終端機編寫程式的同時，在遠端電腦上除錯與運行程式（尤其是訓練模型）。你在終端機上對程式碼和資料修改可以自動同步到遠端電腦中，在實際使用的過程中如同在遠端電腦上編寫程式一般，與串流遊戲有異曲同工之妙。不過遠端偵錯對網路的穩定性要求高，如果需要長時間訓練模型，建議登錄遠端電腦的終端直接訓練模型（Linux 下可以結合 nohup 指令 1 ，讓進程在後端運行，不受終端退出的影響）。遠端除錯功能的具體配置步驟見 PyCharm文件 。
小技巧
如果你是學生並有.edu 結尾的信箱的話，可以在 這裡 申請 PyCharm 的免費 Professional 版本授權。
對於 TensorFlow 及深度學習的業餘愛好者或者初學者， Visual Studio Code 或者一些線上的交互式 Python 環境（比如免費的 Google Colab ）也是不錯的選擇。Colab 的使用方式可參考 附錄。
警告
如果你使用的是舊版本的 PyCharm ，可能會在安裝 TensorFlow 2 後出現部分程式碼自動補全功能遺失的問題。升級到新版的 PyCharm （2019.3 及以後版本）即可解決這一問題。
TensorFlow 所需的硬體配置 *¶
在很多人的刻板印象中，TensorFlow 乃至深度學習是一件非常 “吃硬體資源” 的事情，以至於一接觸 TensorFlow，第一件事情可能就是想如何升級自己的電腦硬體。不過，TensorFlow 所需的硬體配置很大程度是依照任務和使用環境而定的：
對於 TensorFlow 初學者，無需硬體升級也可以很好地的學習和掌握 TensorFlow。本手冊中的大部分教學範例，大部分當前主流的個人電腦（即使沒有 GPU）均可勝任，無需添置其他硬體設備。對於本手冊中部分計算量較大的範例（例如 在cats_vs_dogs資料集上訓練 CNN 圖片分類 ），一張主流的 NVIDIA GPU 會大幅加速訓練。如果自己的個人電腦難以勝任，可以考慮在雲端（例如 免費的 Colab ）進行模型訓練。
對於參加資料科學競賽（比如 Kaggle）或者經常在本機進行訓練的個人愛好者或開發者，一塊高性能的 NVIDIA GPU 往往是必要的。CUDA 核心數和顯示卡內存大小是決定顯卡機器學習性能的兩個關鍵參數，前者決定訓練速度，後者決定可以訓練多大的模型以及訓練時的最大 Batch Size，對於較大規模的訓練而言尤其更為明顯。
對於前瞻的機器學習研究（尤其是電腦視覺和自然語言處理領域），多 GPU 平行訓練是標準配置。為了快速疊代實驗結果以及訓練更大規模的模型以提升性能，4 塊顯示卡、8 塊顯示卡或更高的 GPU 數量是常態。
作為參考，筆者給出截至本手冊撰寫時，自己所在工作環境的一些硬體配置：
筆者寫作本書的範例程式碼時，除了分佈式和雲端訓練相關章節，其他部分均使用一台 Intel i5 處理器，16GB DDR3 記憶體內存的普通電腦（未使用 GPU）
在筆者的研究工作中，長年使用一塊 NVIDIA GTX 1060 （單卡 6GB 記憶體）在本地環境進行模型的基礎開發和測試；
筆者所在的實驗室使用一台 4 塊 NVIDIA GTX 1080 Ti （單卡 11GB 記憶體）平行的工作站和一台 10 塊 NVIDIA GTX 1080 Ti （單卡 11GB 記憶體）平行的伺服器進行電腦視覺模型的訓練；
筆者合作過的公司使用 8 塊 NVIDIA Tesla V100 （單卡 32GB 記憶體）平行的伺服器進行自然語言處理（如大規模機器翻譯）模型的訓練。
儘管科技研究單位或公司使用的計算硬體配置堪稱豪華，不過與其他前瞻科研領域（例如生物）動輒幾十上百萬的儀器試劑費用相比，依然不算太貴的深度學習伺服器就可以供數位研究者使用很長時間。因此，機器學習相對而言還是十分平易近人的。
關於深度學習工作站的具體配置，由於硬體行情更新較快，故不在此列出具體配置，推薦參考 深度學習電腦硬體配備怎麼選？ ，並結合最新市場情況進行配置。