官方推荐！用TensorFlow 2.0做深度学习入门教程 | 资源

来自｜量子位

编译｜铜灵、深度学习这件小事

最近，TensorFlow 2.0版的开发者预览版发布没多久，这不，又有一篇优质教程来了。

最近，前Youtube视频分类的产品经理、Hands-On MachineLearning with ScikitLearn and TensorFlow一书的作者Aurélien Geron
就发布了用tf.keras和TensorFlow2.0做深度学习任务的Jupyter教程。

教程一发，网友点赞转发不在少数，不少网友表示教程简洁重点“真的很棒”！

教程开始——

如果之前你没安装过git那就先开始安装吧，输入以下命令复制存储库。

如果熟悉Python并知道如何安装Python库，就继续安装NumPy、Matplotlib、Jupyter和TensorFlow吧，可以在requirements.txt中查看详细信息，然后跳转到Starting Jupyter部分。

相关地址：
https://github.com/ageron/tf2_course#starting-jupyter

很多人可能已经安装了2.0的预览版，有些人甚至安装了3.0版本，所以先检查你的Python版本，确定下自己的是哪一种：

这个教程需要Python 3.5或者Python 3.6，TensorFlow目前还不支持Python 3.7。你可以稍微调整后，在Python 2中运行这段代码，但还是建议升级到Python 3。

这时的第一种选择因系统而异，在Windows或MacOSX系统上可以从官网下载，MacOSX系统也可以使用MacPorts或Homebrew。Linux要用系统封装。

官网地址：
https://www.python.org/downloads/

比如，在Debian或Ubuntu中输入：

第二种选择是下载并安装Anaconda，包含Python和很多库。

如果刚刚你选择了其二Anaconda，现在就能创建本教程专用的独立Python环境了：

新的Python 3.6环境tf2course出来后激活它，此外，我们还需要继续安装：

这一步是在tf2course环境中安装TensorFlow 2，如果上一步没有创建这个环境，需要删除-n tf2course选项。

好了准备阶段马上结束，下面即将步入Starting Jupyter的校车。

如果上一步你没有使用Anaconda，则需要安装本课程所需的几个科学Python库：NumPy，Jupyter，Matplotlib和TensorFlow。

因此可以借用Python的集成封装系统pip，你也可能更喜欢使用系统自己的封装系统。使用系统封装系统优势也很明显，就是库版本与系统其他软件包之间存在冲突的风险较小。

而pip的优点是可以容易地创建包含不同库和不同库版本的多个Python环境，且每个环境都相互隔离。

如果想用pip安装所需的库，试试下面这些指令。

首先确保安装了最新版本的pip：

接下来需要创建隔离环境，这样做可以为每个项目提供不同的环境，方便以后的不同任务：

这是系统会自动创建一个env模块来调用当前目录，也包括使用python 3隔离出的单独环境。如果你在系统上安装了多个版本的Python 3，可以将which python3替换成你希望使用的可执行文件路径。

在每次激活环境前，都需要你运行此命令：

接下来用pip安装所需的Python安装包：

大功告成！你只用启动Jupyter就可以了。

打开Jupyter，输入下面这段代码：

现在打开你的浏览器可以看到Jupyter的树状图，如果浏览器没有自动打开，你需要先跳转到localhost：8888。

localhost：8888地址：
http://localhost:8888/tree

接下来单击*.ipynb打开Jupyter笔记本。好了，祝你在TensorFlow 2中玩得开心！

作者提示，因为TensorFlow 2.0版还未正式发布，所以预览版与最终版可能存在一定区别，正式发布后还请各位稍加留意。

GitHub教程：
https://github.com/ageron/tf2_course

— 完 —

为您推荐

【资源】954页《数据可视化》手册

「别人家的程序员」变量起名

我就不信看完这篇你还搞不懂信息熵

一文简述深度学习优化方法——梯度下降

目标检测 vs 目标跟踪

本篇文章来源于: 深度学习这件小事