PyTorch转TensorFlow 2.0教程

初学DeepLearning，看到TensorFlow和pytorch框架用户数和讨论数比较多，最后选择上手TensorFlow2.0版本。因为搜索了一圈总结：TensorFlow用户基数还是比较大；2.0版本也改进了1.0版本代码编写、调试困难和API混乱等缺点，使其也有了pytorch好上手的优点。

TensorFlow有cpu和gpu两个版本，gpu可以并行处理，因此gpu版本运行起来更快，但需要有NVIDIA显卡，且显卡算力有一定要求。我的笔记本显卡是：NVIDIA GeForce MX250。以下是在win10安装TensorFlow2.0-gpu的步骤

1、安装之前需要有anaconda，这个我之前装了就不写了；

pytorch改写tensorflow pytorch tensorflow2.0_pytorch改写tensorflow

　　我的MX250在官网没查到，百度了一下说满足要求，就继续安装了。最后我安装完成测试时看到了我的显卡算力是6.1

pytorch改写tensorflow pytorch tensorflow2.0_v9_02

2、pip安装TensorFlow-gpu

用阿里云的镜像源下载安装：cmd执行：

pip install --default-timeout=100 --ignore-installed --upgrade tensorflow-gpu -i https://mirrors.aliyun.com/pypi/simple/

3查看CUDA、cuDNN要下载的版本

pytorch改写tensorflow pytorch tensorflow2.0_pytorch改写tensorflow_03

我的python版本是Python 3.7.6，可以安装2.0版本，另外需要安装cuDNN7.4，CUDA10，中间的编译器和构建工具不知道是什么没理，最后也不影响。

#python版本查询：python -V

#python安装路径：where ipython

4、下载对应版本的CUDA，我下载的是10.2版本，安装过程就是一直点点点，如果你不放心的话可以找别的资料参照下具体过程。另外，我搜到有人装的10.0版本的，不知道区别大不大。我选择的是默认安装路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2

5、下载对应版本的cuDNN，我下载的是cudnn-10.2-windows10-x64-v8.0.2.39.zip。这里我下错了，导致后面运行时候有点小问题（具体下面说），我下成8.0版本了。下载前需要进行注册账户和填写问卷。

pytorch改写tensorflow pytorch tensorflow2.0_tensorflow_04

我只看到“for CUDA 10.2”就下了，其他历史版本在Archived cuDNN Releases里可以找到。下载得到的压缩包，就地解压后将里面的bin、include、lib里边的文件放到CUDA的对应文件夹下（我的是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2）。

6、添加环境变量：电脑 -> 右键属性 -> 高级系统设置 -> 环境变量 -> 系统变量里找到Path -> 编辑 -> 新建，将以下4个分别加上去。

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\libnvvp

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\include

7、测试：

一、cmd中测试：

activate tensorflow

ipython

import tensorflow as tf　　　//结果不报错即正常

tf.test.is_gpu_available()　　//最后结果显示True即gpu可以使用

二、pycharm中测试：

import tensorflow.compat.v1 as tf　　tf.disable_v2_behavior()来启用1.x版本的代码编写方式，这就是2.x想解决的一个TensorFlow缺点，直接用以下代码即可：

1 import tensorflow as tf
2 
3 a = tf.constant(1.)
4 b = tf.constant(2.)
5 c = tf.add(a,b)
6 
7 print(float(c))

1 import tensorflow as tf
 2 import timeit
 3 
 4 with tf.device('/cpu:0'):
 5     cpu_a = tf.random.normal([10000, 1000])
 6     cpu_b = tf.random.normal([1000, 2000])
 7     print(cpu_a.device, cpu_b.device)
 8 
 9 with tf.device('/gpu:0'):
10     gpu_a = tf.random.normal([10000, 1000])
11     gpu_b = tf.random.normal([1000, 2000])
12     print(gpu_a.device, gpu_b.device)
13 
14 def cpu_run():
15     with tf.device('/cpu:0'):
16         c = tf.matmul(cpu_a, cpu_b)
17     return c
18 
19 def gpu_run():
20     with tf.device('/gpu:0'):
21         c = tf.matmul(gpu_a, gpu_b)
22     return c
23 
24 
25 cpu_time = timeit.timeit(cpu_run, number=10)
26 gpu_time = timeit.timeit(gpu_run, number=10)
27 print('warmup:', cpu_time, gpu_time)
28 
29 
30 cpu_time = timeit.timeit(cpu_run, number=10)
31 gpu_time = timeit.timeit(gpu_run, number=10)
32 print('run time:', cpu_time, gpu_time)

输出结果：

pytorch改写tensorflow pytorch tensorflow2.0_CUDA_05