tensorflow2.0 GPU 版本安装测试教程及新特性初探

关注

原创最新推荐文章于 2026-05-02 15:39:20 发布 1.4k 阅读 AI 写同款· GEO 优化 ›

Tensorflow GPU版本及keras安装教程参考教程：https://zhuanlan.zhihu.com/p/37086409 检查英伟达GPU版本我的版本为GeForce MX150，搜索MX150 SPECIFICATION。确定CUDA是支持的。安装CUDA 一定要看准Tensorflow的版本！打开控制面板阅读详情

安装与测试

TensorFlow2.0安装：

pip install tensorflow-gpu==2.2.0 -i https://pypi.douban.com/simple/
conda install cudnn=7.6.0
# conda install cudatoolkit=10.0.130 # （可选）

TensorFlow2.0的GPU版本测试代码如下：

import tensorflow as tf

print('GPU', tf.test.is_gpu_available())

a = tf.constant(2.0)
b = tf.constant(4.0)
print(a + b)

注意：如果是第一次使用 tensorflow2.0，会在输出 Adding visible gpu devices: 0 之后卡住一阵子，等几分钟就好了，下次运行就正常了。

结果如下就证明 tensorflow-gpu 安装成功了

GPU True
tf.Tensor(6.0, shape=(), dtype=float32)

1.X 和 2.X 版本的差异

Eager Execution

细心的你会发现，在 tensorflow2.0 版本中，居然可以直接输出张量的计算结果，如果是以前的1.x 版本，执行同样的代码，你得到的输出是：

GPU True
Tensor(“add:0”, shape=(), dtype=float32)

在1.x 版本中，如果你想要得到真实的计算结果，需要初始化全局变量 → 建立会话 → 执行计算，最终才能打印出张量的运算结果：

import tensorflow as tf
sess = tf.Session()
a = tf.constant(2.0)
b = tf.constant(4.0)
print(sess.run(a + b))

这是 TensorFlow 2.0 带来的最大改变之一，他将 1.x 的 Graph Execution（图与会话机制）更改为 Eager Execution（动态图机制）。带来的最直观的好处是：不再需要手动管理图和会话。例如，现在使用示例张量进行数学计算，可以像 Python 一样直接相加。在 TensorFlow 2.0 中，Eager Execution 模式是默认开启的，这意味着 TensorFlow 代码被定义后会立即运行，而不是先将节点和边缘添加一个图上，稍后再在一个会话中运行。

对于定义的张量，还可以直接通过 .numpy() 方法输出 numpy 数组：

c = tf.Variable([[1, 2], [3, 4]])
print('c:')
print(c)
print('c.numpy():')
print(c.numpy())

输出：

c:
<tf.Variable 'Variable:0' shape=(2, 2) dtype=int32, numpy=
array([[1, 2],
       [3, 4]])>
c.numpy():
[[1 2]
 [3 4]]

虽然程序是可以动态执行了，但是梯度计算怎么办？在TensorFlow 1.x静态图时代，我们知道每个静态图都有两部分，一部分是前向图，另一部分是反向图。反向图就是用来计算梯度的，用在整个训练过程中。而TensorFlow 2.0默认是eager模式，每行代码顺序执行，没有了构建图的过程，但是可以通过 tf.GradientTape api 来实现自动求导功能。具体内容不展开讲，可以参考下面链接中的讲解：

tf.GradientTape详解：梯度求解利器

TensorFlow2.0教程-自动求导

TensorFlow 2.0引入的eager提高了代码的简洁性，而且更容易debug。但是对于性能来说，eager执行相比Graph模式会有一定的损失。但是好在，TensorFlow 2.0引入了tf.function和AutoGraph来缩小eager执行和Graph模式的性能差距，其核心是将一系列的Python语法转化为高性能的graph操作。

AutoGraph

AutoGraph 主要是可以将一些常用的Python代码转化为TensorFlow支持的代码，例如：

def square_if_positive(x):
    if x > 0:
        x = x * x
    else:
        x = 0.0
    return x

# eager 模式
print('results: %2.2f, %2.2f' % (square_if_positive(tf.constant(8.0)),
                                 square_if_positive(tf.constant(-9.0))))

输出：

results: 64.00, 0.00

上面我们定义了一个 square_if_positive 函数，它内部使用的 Python 的原生的if语法，对于TensorFlow 2.0的eager模式，这是没有问题的。但是如果你需要在 1.x 版本执行，代码就是这样的：

# graph 模式
tf_square_if_positive = tf.autograph.to_graph(square_if_positive)

with tf.Graph().as_default():
  # The result works like a regular op: takes tensors in, returns tensors.
  # You can inspect the graph using tf.get_default_graph().as_graph_def()
    g_out1 = tf_square_if_positive(tf.constant( 9.0))
    g_out2 = tf_square_if_positive(tf.constant(-9.0))
    with tf.compat.v1.Session() as sess:
        print('Graph results: %2.2f, %2.2f\n' % (sess.run(g_out1), sess.run(g_out2)))