TensorFlow 2.0 教程

我们的仓库是 ⚡#PoweredByTF 2.0 挑战赛！ 的 冠军。

时间线：

• 2019年10月1日：TensorFlow 2.0 稳定版发布！
• 2019年8月24日：TensorFlow 2.0 rc0
• 2019年6月8日：TensorFlow 2.0 Beta
• 2019年3月7日：TensorFlow 2.0 Alpha
• 2019年1月11日：TensorFlow r2.0 预览版
• 2018年8月14日：TensorFlow 2.0 即将发布

安装

请确保您使用的是 Python 3.x。

• CPU 版本安装

pip install tensorflow -U

• GPU 版本安装

请自行安装 CUDA 10.0（或更高版本）和 cudnn，并设置好 LD_LIBRARY_PATH。

pip install tensorflow-gpu  -U

安装测试：

In [2]: import tensorflow  as tf

In [3]: tf.__version__
Out[3]: '2.0.0'
In [4]: tf.test.is_gpu_available()
...
totalMemory: 3.95GiB freeMemory: 3.00GiB
...
Out[4]: True

配套TF2视频教程

TensorFlow 2.0的视频教程链接：深度学习与TensorFlow 2实战

致谢

• 爱可可-爱生活 友情推荐

包含内容

• TensorFlow 2.0 概述
• TensorFlow 2.0 基本用法
• 线性回归
• MNIST、FashionMNIST
• CIFAR10
• 全连接层
• VGG16
• Inception 网络
• ResNet18
• 简单 RNN
• LSTM
• ColorBot
• 自编码器
• 变分自编码器
• DCGAN
• CycleGAN
• WGAN
• Pixel2Pixel
• Faster RCNN
• A2C
• GPT
• BERT
• GCN

欢迎提交 PR 请求，让这个仓库更加完善！

参考仓库。

我们的工作并非从零开始。非常感谢以下开源项目！

• https://github.com/madalinabuzau/tensorflow-eager-tutorials
• https://github.com/herbiebradley/CycleGAN-Tensorflow
• https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/eager/python/examples/pix2pix/pix2pix_eager.ipynb
• https://github.com/moono/tf-eager-on-GAN
• https://github.com/Viredery/tf-eager-fasterrcnn
• https://github.com/github/gitignore/blob/master/Python.gitignore

TensorFlow 2.x Tutorials 快速上手指南

本仓库是 #PoweredByTF 2.0 Challenge 的获奖项目，提供了从基础线性回归到 BERT、GPT、CycleGAN 等前沿模型的完整 TensorFlow 2.0 实战教程。

环境准备

• 操作系统：Linux, macOS, Windows
• Python 版本：必须使用 Python 3.x
• 硬件要求：
  • CPU 模式：无特殊要求
  • GPU 模式（推荐）：需自行安装 CUDA 10.0 (或更高版本) 及 cudnn，并正确配置 LD_LIBRARY_PATH 环境变量。

国内加速建议：在安装依赖时，建议使用清华或阿里镜像源以提升下载速度。 例如：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple ...

安装步骤

1. CPU 版本安装

适用于无独立显卡或仅需调试代码的场景。

pip install tensorflow -U

国内镜像加速版：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow -U

2. GPU 版本安装

适用于需要利用显卡加速训练的场景（请确保已预先安装好 CUDA 和 cuDNN）。

pip install tensorflow-gpu -U

国内镜像加速版：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu -U

3. 验证安装

运行以下 Python 代码检查版本及 GPU 可用性：

In [2]: import tensorflow as tf

In [3]: tf.__version__
Out[3]: '2.0.0'

In [4]: tf.test.is_gpu_available()
...
totalMemory: 3.95GiB freeMemory: 3.00GiB
...
Out[4]: True

若 Out[4] 返回 True，则说明 GPU 环境配置成功。

基本使用

本仓库涵盖了丰富的示例，从基础的 Linear Regression、MNIST 分类，到复杂的 ResNet18、BERT 和 GPT 模型。

最简单的使用方式是克隆仓库后，直接运行对应的 .py 或 .ipynb 文件。以下是一个基于 TensorFlow 2.0 基础用法的极简示例逻辑（参考仓库中的 Basic Usage 章节）：

import tensorflow as tf

# 1. 定义简单模型 (Sequential API)
model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 2. 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 3. 准备数据 (以 MNIST 为例)
(x_train, y_train), _ = tf.keras.datasets.mnist.load_data()
x_train = x_train.reshape(-1, 784).astype('float32') / 255.0

# 4. 训练模型
model.fit(x_train, y_train, epochs=5, batch_size=32)

更多进阶案例（如 VGG16, CycleGAN, Faster RCNN 等）请直接查看仓库根目录下的对应脚本文件。配合官方推荐的 深度学习与 TensorFlow 2 实战视频教程 学习效果更佳。