安装
安装：本地有anaconda python3.6环境，所以直接搭建一个tf2.0的虚拟环境
参考：https://www.jianshu.com/p/13f752e3a2f9
步骤：
#1、创建tf2.0虚拟环境
conda create --name tf2_venv python=3.6
#2、在anaconda的envs路径下，就多了一个tf2的虚拟环境，我们可以使用activate命令激活它
#路径 C:\ProgramData\Anaconda3\envs
activate tf2_venv
#也可以使用deactivate来退出环境
deactivate
#3、tensorflow的环境，使用清华源
sudo pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip install tensorflow==2.0.0-alpha
jupyter添加虚拟环境
参考：https://www.icode9.com/content-3-71611.html
安装了tf2.0的环境还不够，我们还需要把它作为一个kernel加入到jupyter环境中，执行下面两步：
pip install ipykernel #在虚拟环境安装juyter
python -m ipykernel install --name tf2_venv
#查看内核
jupyter kernelspec list
pycharm中添加python虚拟环境
参考：conda搭建python虚拟环境 tf2.0.0----tf1.14
在pycharm左上角打开File —> Settings–>Project，或者使用快捷键Ctrl + Alt + S。
选定Project Interpreter，点击下图右上角的红框按钮，选择 Add… 。
添加Virtualenv Environmet,选择Exixting environment，路径选择：C:\ProgramData\Anaconda3\envs\tf2_venv\python.exe，点击ok即可。
tensorflow2.0 不同之处
TF2.0与TF1.x相比有了许多变化。下面是主要的几个变化。
参考：关于TensorFlow 2.0，这里有你想知道的一切
1、 默认状态的Eager Execution
在TF1.X中构建神经网络，需要先定义一个图形（graph)的抽象结构,再用会话（Session）封装运行图形。
如果想要打印session中的数据，需要用session.run()的形式将参数传递给图形，并对模型进行训练。
TF1.X存在缺点：打印模型中共的图节点只能看到节点的引用，无法看到节点的值
TF2.0改进：TF2.0代码看起来像Nunpy代码，TensorFlow和NumPy的对象可以很容易地切换。因此不必担心占位符、会话、feed_dictionaties等问题。
2、API清理
TF1.X存在缺点：TF1.x中有许多API,如tf.gans、tf.app、tf.contrib、tf.flags，会被清理或移动到单独的存储库。尽管许多API性能良好，但似乎并没有收敛出一种通用的开发方式。此外，如果在其中一个API中训练模型，那么使用其他API来再利用该代码并不简单。
TF2.0改进：TF2.0中，tf.keras是推荐的高级API。
