1、TensorFlow安装

TensorFlow的安装，可以使用pip，也可以使用Conda，方法如上，

使用pip直接安装

1）安装CPU版

如计算机没有NVIDIA GPU，或者不需要使用GPU加速，那么安装CPU版本的TensorFlow，

pip install tensorflow

2）安装GPU版(支持CUDA的GPU卡)

如有NVIDIA GPU，并且已经安装了CUDA和cuDNN，那么可以安装GPU版本的TensorFlow。GPU版TensorFlow能够利用GPU加速计算，大大提高模型训练速度。

pip install tensorflow-gpu

通过Conda虚拟环境安装CPU版TensorFlow

1）创建一个新的Conda虚拟环境

conda create -n tensorflow_cpu pip python=3.6

2）激活新创建的虚拟环境

activate tensorflow_cpu

激活后的效果：

(tensorflow_cpu) C:\Users\sglvladi>

3）在虚拟环境中执行安装

pip install --ignore-installed --upgrade tensorflow==1.9

通过Conda虚拟环境安装GPU版TensorFlow

1）创建一个新的Conda虚拟环境

conda create -n tensorflow_gpu pip python=3.6

2）激活新创建的虚拟环境

activate tensorflow_gpu

激活后的效果：

(tensorflow_gpu) C:\Users\sglvladi>

3）在虚拟环境中执行安装

pip install --ignore-installed --upgrade tensorflow-gpu==1.9

2、TensorFlow示例代码

1）创建和训练一个线性回归模型

import tensorflow as tf
import numpy as np

# 生成一些简单的数据
x_train = np.array([1.0, 2.0, 3.0, 4.0], dtype=np.float32)
y_train = np.array([2.0, 4.0, 6.0, 8.0], dtype=np.float32)

# 创建一个简单的线性模型
model = tf.keras.Sequential([tf.keras.layers.Dense(units=1, input_shape=[1])])

# 编译模型，使用均方误差损失函数和SGD优化器
model.compile(optimizer='sgd', loss='mean_squared_error')

# 训练模型
model.fit(x_train, y_train, epochs=500)

# 使用模型进行预测
print(model.predict([5.0]))

2）切换CPU和GPU执行

import tensorflow as tf

# 确保使用GPUwith tf.device('/GPU:0'):
    a = tf.constant([[1.0, 2.0, 3.0]])
    b = tf.constant([[4.0], [5.0], [6.0]])
    c = tf.matmul(a, b)
    print(c)

如想强制使用CPU，可以将设备设为/CPU:0

with tf.device('/CPU:0'):
    a = tf.constant([[1.0, 2.0, 3.0]])
    b = tf.constant([[4.0], [5.0], [6.0]])
    c = tf.matmul(a, b)
    print(c)