『TensorFlow2.0正式版』TF2.0+Keras速成教程·零：開篇簡介與環境準備
此篇教程參考自TensorFlow 2.0 + Keras Crash Course，在原文的基礎上進行了適當的總結與改編，以適應於國內開發者的理解與使用，水平有限，如果寫的不對的地方歡迎大家評論指出。覺得文章有用的話麻煩點贊，想看原文可以點選連結kx上網訪問。
0 序
TensorFlow經過四年的發展，逐漸成為深度學習與機器學習框架的霸主，市場佔有率與使用者都遙遙領先於其他競爭對手。下圖為下圖是KDnuggets網站對2018年的機器學習框架的使用做的一個調查統計。可以可以看出當時TensorFlow已經遙遙領先於其他競爭（Keras 是一個上層封裝，底層呼叫的還是 TensorFlow），奠定了其深度學習霸主的地位。
如果想了解TensorFlow的發展史，可以檢視筆者CSDN約稿文章：『王霸之路』從0.1到2.0一文看盡TensorFlow奮鬥史
TensorFlow和Keras都是在4年前釋出的（Keras為2015年3月，TensorFlow為2015年11月）。在深度學習時代這是很長的時間！
在過去，TensorFlow 1.x + Keras存在許多已知問題：
- 使用TensorFlow意味著要處理靜態計算圖，對於習慣於命令式編碼的程式設計師而言，這將感到尷尬且困難。
- 雖然TensorFlow API非常強大和靈活，但它缺乏完善性，常常令人困惑或難以使用。
- 儘管Keras的生產率很高且易於使用，但對於研究用例通常缺乏靈活性。
TensorFlow 2.0建立在以下關鍵思想之上：
- 讓使用者像在Numpy中一樣急切地執行他們的計算。這使TensorFlow 2.0程式設計變得直觀而Pythonic。
- 保留已編譯圖形的顯著優勢（用於效能，分佈和部署）。這使TensorFlow快速，可擴充套件且可投入生產。
- 利用Keras作為其高階深度學習API，使TensorFlow易於上手且高效。
- 將Keras擴充套件到從非常高階（更易於使用，不太靈活）到非常低階（需要更多專業知識，但提供了極大靈活性）的工作流範圍。
本系列教程綜合了TensorFlow 2.0靈活方便與Keras簡單好用的特點，使得開發人員能在幾天的學習使用之後能掌握TensorFlow 2.0與Keras的簡單使用。但是如果想真正掌握和理解深度學習技術，開發有趣好玩的應用，那麼深度學習概念的學習是不可或缺的，需要讀者自己花大量時間去學習和理解了。最後還是希望大家在學習深度學習開發中不要流於表面，更應該理解演算法的意義與特點，而不是僅僅簡單呼叫介面。這就是深度學習工程師與程式設計人員的區別了。
本系列教程包括三個部分：
- 環境準備
- TensorFlow使用指南
- Keras介面的使用
教程內容首發在我的知識星球：AI深度學習應用之路·幾杯奶茶的價格學習掌握深度學習，歡迎點選訪問。
1 環境準備
TensorFlow2.0正式版的安裝可以參看筆者的詳細安裝教程：『TensorFlow2.0正式版』極簡安裝TF2.0正式版（CPU&GPU）教程，這裡為了演示方便，只展示了TF2.0 CPU的安裝。
我目前是在Windows10上面，使用conda管理的python環境，通過conda安裝cuda與cudnn（GPU支援），通過pip安裝的tensorflow2.0。經過嘗試只是最簡單地安裝方式，無需配置複雜環境。
（關於ubuntu與mac版本的安裝可以仿照此方法，因為conda支援多平臺，應該沒什麼問題，如果大家問題多的話，可以評論，我後面會會更新ubuntu安裝教程）
1.0 conda環境準備
conda是很好用python管理工具，可以方便建立管理多個python環境。後面安裝的步驟裡我也會介紹一些常用的conda指令。
conda 我推薦使用安裝miniconda，大家可以理解為精簡版的anaconda，只保留了一些必備的元件，所以安裝會比快上很多，同時也能滿足我們管理python環境的需求。（anaconda一般在固態硬碟安裝需要佔用幾個G記憶體，花費1-2個小時，miniconda一般幾百M，10分鐘就可以安裝完成了）
miniconda推薦使用清華源下載：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/
選擇適合自己的版本就可以，
- windows推薦地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-4.7.10-Windows-x86_64.exe
- ubuntu推薦地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-4.7.10-Linux-x86_64.sh
- Mac os推薦地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-4.7.10-MacOSX-x86_64.pkg
下以windows版本來安裝miniconda作為演示，從上述下載合適版本，下載好後以管理員許可權開啟點選安裝。
注意這兩個都要勾選，一個是讓我們可以直接在cmd使用conda指令，第二個是把miniconda自帶的python3.7作為系統python。
安裝好後就可以在cmd中使用conda指令了，cmd開啟方式，windows鍵+R鍵，彈出輸入框，輸入cmd就進入了。也可以直接在windows搜尋cmd點選執行。
下面介紹些cmd conda指令：
- 檢視conda環境：conda env list
- 新建conda環境(env_name就是建立的環境名，可以自定義)：conda create -n env_name
- 啟用conda環境（ubuntu與Macos 將conda 替換為source）：conda activate env_name
- 退出conda環境：conda deactivate
- 安裝和解除安裝python包：conda install numpy # conda uninstall numpy
- 檢視已安裝python列表：conda list -n env_name
知道這些指令就可以開始使用conda新建一個環境安裝TF2.0了。
1.1 TF2.0 CPU版本安裝
TF CPU安裝比較簡單，因為不需要配置GPU，所以windows ubuntu macOS安裝方式都類似，缺點就是執行速度慢，但是用於日常學習使用還是可以的。
下面以windows版本做演示：一下均在命令列操作
1.1.0 新建TF2.0 CPU環境（使用conda 新建環境指令 python=3.6表示在新建環境時同時python3.6）
conda create -n TF_2C python=3.6當彈出 ：Proceed ([y]/n)? 輸入y回車
完成後就可以進入此環境
1.1.1 進入TF_2C環境
conda activate TF_2C進入後我們就可以發現：(TF_2C)在之前路徑前面，表示進入了這個環境。
1.1.2 安裝TF2.0 CPU版本（後面的 -i 表示從國內清華源下載，速度比預設源快很多）
pip install tensorflow==2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple如果網不好的，多執行幾次。然後過一會就安裝好啦。下面我們做下簡單測試。
1.1.3 測試TF2.0 CPU版本(把下面程式碼儲存到demo.py使用TF_2C python執行)
import tensorflow as tf
version = tf.__version__
gpu_ok = tf.test.is_gpu_available()
print("tf version:",version,"\nuse GPU",gpu_ok)如果沒有問題的話輸出結果如下：可以看到tf 版本為2.0.0 因為是cpu版本，所以gpu 為False
tf version: 2.0.0
use GPU False