转自:http://www.tensorfly.cn/tfdoc/get_started/os_setup.html
- 下载与安装
- 你可以使用我们提供的二进制包, 或者使用源代码, 安装 TensorFlow.
- 二进制安装
- TensorFlow Python API 依赖 Python 2.7 版本.
- 在 Linux 和 Mac 下最简单的安装方式, 是使用 pip 安装.
- 如果在安装过程中遇到错误, 请查阅 常见问题. 为了简化安装步骤, 建议使用 virtualenv, 教程见 这里.
- Ubuntu/Linux
- # 仅使用 CPU 的版本
- $ pip install https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.5.0-cp27-none-linux_x86_64.whl
- # 开启 GPU 支持的版本 (安装该版本的前提是已经安装了 CUDA sdk)
- $ pip install https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.5.0-cp27-none-linux_x86_64.whl
- Mac OS X
- 在 OS X 系统上, 我们推荐先安装 homebrew, 然后执行 brew install python, 以便能够使用 homebrew 中的 Python 安装 TensorFlow. 另外一种推荐的方式是在 virtualenv 中安装 TensorFlow.
- # 当前版本只支持 CPU
- $ pip install https://storage.googleapis.com/tensorflow/mac/tensorflow-0.5.0-py2-none-any.whl
- 基于 Docker 的安装
- 我们也支持通过 Docker 运行 TensorFlow. 该方式的优点是不用操心软件依赖问题.
- 首先, 安装 Docker. 一旦 Docker 已经启动运行, 可以通过命令启动一个容器:
- $ docker run -it b.gcr.io/tensorflow/tensorflow
- 该命令将启动一个已经安装好 TensorFlow 及相关依赖的容器.
- 其它镜像
- 默认的 Docker 镜像只包含启动和运行 TensorFlow 所需依赖库的一个最小集. 我们额外提供了 下面的容器, 该容器同样可以通过上述 docker run 命令安装:
- b.gcr.io/tensorflow/tensorflow-full: 镜像中的 TensorFlow 是从源代码完整安装的, 包含了编译和运行 TensorFlow 所需的全部工具. 在该镜像上, 可以直接使用源代码进行实验, 而不需要再安装上述的任何依赖.
- 基于 VirtualEnv 的安装
- 我们推荐使用 virtualenv 创建一个隔离的容器, 来安装 TensorFlow. 这是可选的, 但是这样做能使排查安装问题变得更容易.
- 首先, 安装所有必备工具:
- # 在 Linux 上:
- $ sudo apt-get install python-pip python-dev python-virtualenv
- # 在 Mac 上:
- $ sudo easy_install pip # 如果还没有安装 pip
- $ sudo pip install --upgrade virtualenv
- 接下来, 建立一个全新的 virtualenv 环境. 为了将环境建在 ~/tensorflow 目录下, 执行:
- $ virtualenv --system-site-packages ~/tensorflow
- $ cd ~/tensorflow
- 然后, 激活 virtualenv:
- $ source bin/activate # 如果使用 bash
- $ source bin/activate.csh # 如果使用 csh
- (tensorflow)$ # 终端提示符应该发生变化
- 在 virtualenv 内, 安装 TensorFlow:
- (tensorflow)$ pip install --upgrade <$url_to_binary.whl>
- 接下来, 使用类似命令运行 TensorFlow 程序:
- (tensorflow)$ cd tensorflow/models/image/mnist
- (tensorflow)$ python convolutional.py
- # 当使用完 TensorFlow
- (tensorflow)$ deactivate # 停用 virtualenv
- $ # 你的命令提示符会恢复原样
- 尝试你的第一个 TensorFlow 程序
- (可选) 启用 GPU 支持
- 如果你使用 pip 二进制包安装了开启 GPU 支持的 TensorFlow, 你必须确保 系统里安装了正确的 CUDA sdk 和 CUDNN 版本. 请参间 CUDA 安装教程
- 你还需要设置 LD_LIBRARY_PATH 和 CUDA_HOME 环境变量. 可以考虑将下面的命令 添加到 ~/.bash_profile 文件中, 这样每次登陆后自动生效. 注意, 下面的命令 假定 CUDA 安装目录为 /usr/local/cuda:
- export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64"
- export CUDA_HOME=/usr/local/cuda
- 运行 TensorFlow
- 打开一个 python 终端:
- $ python
- >>> import tensorflow as tf
- >>> hello = tf.constant(‘Hello, TensorFlow!‘)
- >>> sess = tf.Session()
- >>> print sess.run(hello)
- Hello, TensorFlow!
- >>> a = tf.constant(10)
- >>> b = tf.constant(32)
- >>> print sess.run(a+b)
- 42
- >>>
- 从源码安装
- 克隆 TensorFlow 仓库
- $ git clone --recurse-submodules https://github.com/tensorflow/tensorflow
- --recurse-submodules 参数是必须得, 用于获取 TesorFlow 依赖的 protobuf 库.
- Linux 安装
- 安装 Bazel
- 首先依照 教程 安装 Bazel 的依赖. 然后使用下列命令下载和编译 Bazel 的源码:
- $ git clone https://github.com/bazelbuild/bazel.git
- $ cd bazel
- $ git checkout tags/0.1.0
- $ ./compile.sh
- 上面命令中拉取的代码标签为 0.1.0, 兼容 Tensorflow 目前版本. bazel 的HEAD 版本 (即最新版本) 在这里可能不稳定.
- 将执行路径 output/bazel 添加到 $PATH 环境变量中.
- 安装其他依赖
- $ sudo apt-get install python-numpy swig python-dev
- 可选: 安装 CUDA (在 Linux 上开启 GPU 支持)
- 为了编译并运行能够使用 GPU 的 TensorFlow, 需要先安装 NVIDIA 提供的 Cuda Toolkit 7.0 和 CUDNN 6.5 V2.
- TensorFlow 的 GPU 特性只支持 NVidia Compute Capability >= 3.5 的显卡. 被支持的显卡 包括但不限于:
- NVidia Titan
- NVidia Titan X
- NVidia K20
- NVidia K40
- 下载并安装 Cuda Toolkit 7.0
- 下载地址
- 将工具安装到诸如 /usr/local/cuda 之类的路径.
- 下载并安装 CUDNN Toolkit 6.5
- 下载地址
- 解压并拷贝 CUDNN 文件到 Cuda Toolkit 7.0 安装路径下. 假设 Cuda Toolkit 7.0 安装 在 /usr/local/cuda, 执行以下命令:
- tar xvzf cudnn-6.5-linux-x64-v2.tgz
- sudo cp cudnn-6.5-linux-x64-v2/cudnn.h /usr/local/cuda/include
- sudo cp cudnn-6.5-linux-x64-v2/libcudnn* /usr/local/cuda/lib64
- 配置 TensorFlow 的 Cuba 选项
- 从源码树的根路径执行:
- $ ./configure
- Do you wish to bulid TensorFlow with GPU support? [y/n] y
- GPU support will be enabled for TensorFlow
- Please specify the location where CUDA 7.0 toolkit is installed. Refer to
- README.md for more details. [default is: /usr/local/cuda]: /usr/local/cuda
- Please specify the location where CUDNN 6.5 V2 library is installed. Refer to
- README.md for more details. [default is: /usr/local/cuda]: /usr/local/cuda
- Setting up Cuda include
- Setting up Cuda lib64
- Setting up Cuda bin
- Setting up Cuda nvvm
- Configuration finished
- 这些配置将建立到系统 Cuda 库的符号链接. 每当 Cuda 库的路径发生变更时, 必须重新执行上述 步骤, 否则无法调用 bazel 编译命令.
- 编译目标程序, 开启 GPU 支持
- 从源码树的根路径执行:
- $ bazel build -c opt --config=cuda //tensorflow/cc:tutorials_example_trainer
- $ bazel-bin/tensorflow/cc/tutorials_example_trainer --use_gpu
- # 大量的输出信息. 这个例子用 GPU 迭代计算一个 2x2 矩阵的主特征值 (major eigenvalue).
- # 最后几行输出和下面的信息类似.
- 000009/000005 lambda = 2.000000 x = [0.894427 -0.447214] y = [1.788854 -0.894427]
- 000006/000001 lambda = 2.000000 x = [0.894427 -0.447214] y = [1.788854 -0.894427]
- 000009/000009 lambda = 2.000000 x = [0.894427 -0.447214] y = [1.788854 -0.894427]
- 注意, GPU 支持需通过编译选项 "--config=cuda" 开启.
- 已知问题
- 尽管可以在同一个源码树下编译开启 Cuda 支持和禁用 Cuda 支持的版本, 我们还是推荐在 在切换这两种不同的编译配置时, 使用 "bazel clean" 清理环境.
- 在执行 bazel 编译前必须先运行 configure, 否则编译会失败并提示错误信息. 未来, 我们可能考虑将 configure 步骤包含在编译过程中, 以简化整个过程, 前提是 bazel 能够提供新的特性支持这样.
- Mac OS X 安装
- Mac 和 Linux 需要的软件依赖完全一样, 但是安装过程区别很大. 以下链接用于帮助你 在 Mac OS X 上安装这些依赖:
- Bazel
- 参见本网页的 Mac OS X 安装指南.
- SWIG
- Mac OS X 安装教程.
- 注意: 你需要安装PCRE, 而不是 PCRE2.
- Numpy
- 参见安装教程.
- 创建 pip 包并安装
- $ bazel build -c opt //tensorflow/tools/pip_package:build_pip_package
- $ bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg
- # .whl 文件的实际名字与你所使用的平台有关
- $ pip install /tmp/tensorflow_pkg/tensorflow-0.5.0-cp27-none-linux_x86_64.whl
- 训练你的第一个 TensorFlow 神经网络模型
- 从源代码树的根路径执行:
- $ cd tensorflow/models/image/mnist
- $ python convolutional.py
- Succesfully downloaded train-images-idx3-ubyte.gz 9912422 bytes.
- Succesfully downloaded train-labels-idx1-ubyte.gz 28881 bytes.
- Succesfully downloaded t10k-images-idx3-ubyte.gz 1648877 bytes.
- Succesfully downloaded t10k-labels-idx1-ubyte.gz 4542 bytes.
- Extracting data/train-images-idx3-ubyte.gz
- Extracting data/train-labels-idx1-ubyte.gz
- Extracting data/t10k-images-idx3-ubyte.gz
- Extracting data/t10k-labels-idx1-ubyte.gz
- Initialized!
- Epoch 0.00
- Minibatch loss: 12.054, learning rate: 0.010000
- Minibatch error: 90.6%
- Validation error: 84.6%
- Epoch 0.12
- Minibatch loss: 3.285, learning rate: 0.010000
- Minibatch error: 6.2%
- Validation error: 7.0%
- ...
- ...
- 常见问题
- GPU 相关问题
- 如果在尝试运行一个 TensorFlow 程序时出现以下错误:
- ImportError: libcudart.so.7.0: cannot open shared object file: No such file or directory
- 请确认你正确安装了 GPU 支持, 参见 相关章节.
- 在 Linux 上
- 如果出现错误:
- ...
- "__add__", "__radd__",
- ^
- SyntaxError: invalid syntax
- 解决方案: 确认正在使用的 Python 版本为 Python 2.7.
- 在 Mac OS X 上
- 如果出现错误:
- import six.moves.copyreg as copyreg
- ImportError: No module named copyreg
- 解决方案: TensorFlow 使用的 protobuf 依赖 six-1.10.0. 但是, Apple 的默认 python 环境 已经安装了 six-1.4.1, 该版本可能很难升级. 这里提供几种方法来解决该问题:
- 升级全系统的 six:
- sudo easy_install -U six
- 通过 homebrew 安装一个隔离的 python 副本:
- brew install python
- 在virtualenv 内编译或使用 TensorFlow.
- 如果出现错误:
- >>> import tensorflow as tf
- Traceback (most recent call last):
- File "<stdin>", line 1, in <module>
- File "/usr/local/lib/python2.7/site-packages/tensorflow/__init__.py", line 4, in <module>
- from tensorflow.python import *
- File "/usr/local/lib/python2.7/site-packages/tensorflow/python/__init__.py", line 13, in <module>
- from tensorflow.core.framework.graph_pb2 import *
- ...
- File "/usr/local/lib/python2.7/site-packages/tensorflow/core/framework/tensor_shape_pb2.py", line 22, in <module>
- serialized_pb=_b(‘\n,tensorflow/core/framework/tensor_shape.proto\x12\ntensorflow\"d\n\x10TensorShapeProto\x12-\n\x03\x64im\x18\x02 \x03(\x0b\x32 .tensorflow.TensorShapeProto.Dim\x1a!\n\x03\x44im\x12\x0c\n\x04size\x18\x01 \x01(\x03\x12\x0c\n\x04name\x18\x02 \x01(\tb\x06proto3‘)
- TypeError: __init__() got an unexpected keyword argument ‘syntax‘
- 这是由于安装了冲突的 protobuf 版本引起的, TensorFlow 需要的是 protobuf 3.0.0. 当前 最好的解决方案是确保没有安装旧版本的 protobuf, 可以使用以下命令重新安装 protobuf 来解决 冲突:
- brew reinstall --devel protobuf
- 原文:Download and Setup 翻译:@doc001 校对:@yangtze
来源: http://www.bubuko.com/infodetail-2337039.html