[人工智能] ubuntu18系统anaconda安装tensorflow

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> ubuntu18系统anaconda安装tensorflow -> 正文阅读

[人工智能]ubuntu18系统anaconda安装tensorflow

当下深度学习框架特别多，但由于google强大的社区和技术，使得tensorflow从中脱颖而出。在官方文档中提到，TensorFlow的安装主要有以下五种形式：

Pip安装：这种安装形式类似于安装其他的Python安装包。会影响到机器上当前的Python环境，可能会与已安装的某些版本相冲突。Pip安装过程比较简单，按照官方文档中的步骤进行即可。
Virtualenv安装：将TensorFlow安装在指定路径下，与当前的Python环境相隔离。
Anaconda安装：以Anaconda为基础安装TensorFlow，和上面的形式相同，也与当前Python环境相隔离。在使用TensorFlow时不影响其他Python应用的使用。
Docker安装：在Docker中隔离安装TensorFlow
从源码安装：编译源码生成TensorFlow的安装whell文件。

在这里，我主要推荐的是anaconda安装。原因有两点：

anaconda基本上包含了Python常用的科学计算包，比如numpy，scipy，matplotlib，scikit-learn等等。这就不用使你在单纯的python环境下一个一个的去用pip进行安装。
想在anaconda上扩展其他应用时非常简单，只需要conda create一个的新的环境，就ok了，而且不会影响之前的使用。

下面我们将进入到正题。

一、nivida驱动、cuda以及cudnn的安装

若安装cpu版的tensorflow，这步跳过。但若时gpu版的tensorflow，则需要这步。

二、安装anaconda

三、安装tensorflow

1.首先conda一个新的环境，即输入以下命令：

conda create -n tensorflow pip python=2.7

因为Anaconda2-4.3.0-Linux-x86_64.sh默认的Python环境是python2.7，因此我们应该create一个python2.7的环境。创建成功后，输入conda info –envs可以查看我们create的环境，如下图所示：

注：上面这一句存疑，以后以可以试一下Anaconda2创建python3的环境，并安装适合版本的tensorflow。此处创建python2.7环境是因为想跑工程的教程用的是python2.7环境，为了保持一致。

这里写图片描述

?2.激活环境：

 source activate tensorflow

此时界面应该是这样的：

这里写图片描述

退出环境则需要输入：

source deactivate

?3.安装tensorflow

激活tensorflow环境后输入以下命令（需要漫长的等待）：

pip install tensorflow-gpu==1.15.0

以下为扩展内容，不报错的话，证明已经安装成功，可以直接跳到四进行测试。

注意：选择版本tensorflow-gpu==1.15.0是因为之前所安装的cuda以及cudnn版本，须知CUDA与cudnn、tensorflow有严格的版本对应关系。

https://tensorflow.google.cn/install/source_windows#tested_build_configurations

?安装完成之后退出环境，即输入source deactivate。

若要下载最新版的tensorflow，则需输入：?

# cpu

pip install tensorflow

# gpu

pip install tensorflow-gpu

因为某些原因有时下载的很慢，但有时正常～～～为了保险起见，有两种解决办法：

将tensorflow文件下载好，然后在进行安装；
使用douban提供的pipy国内镜像服务，如果想手动指定源，可以在pip后面跟-i 来指定源

pip install tensorflow -i http://mirrors.aliyun.com/pypi/simple/

部分安装方式需要您提供 TensorFlow Python 软件包的网址。需要根据 Python 版本指定网址。

https://tensorflow.google.cn/install/pip#package-location

pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-1.0.0rc0-cp27-none-linux_x86_64.whl -i http://pypi.douban.com/simple

四、测试tensorflow

打开终端，激活环境，输入

import tensorflow as tf

不报错即可，如下图所示：

这里写图片描述

?以上已经可以证明安装成功，下面这一步是进一步测试，可以省略。

验证gpu是否可用：

import tensorflow as tf
tf.test.is_gpu_available()

返回true即可

官方文档中提供一段检查tensorflow安装是否正确的代码，如下所示

$ 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
>>>

运行结果如下所示：

查看TensorFlow的版本：

>>> import tensorflow as tf
>>> tf.__version__
'0.11.0rc2'　　

查看TensorFlow安装路径：

>>> tf.__path__
['/usr/local/ml/anaconda2/envs/tensorflow/lib/python2.7/site-packages/tensorflow']

测试，创建一空文件夹（不是工作空间），文件夹下创建python文件，比如test.py，在文件夹下打开终端，激活对应环境，执行python test.py：

# coding=utf-8

import tensorflow as tf
from numpy.random import RandomState

batch_size = 8

w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))

x = tf.placeholder(tf.float32, shape=(None, 2), name='x-input')
y_ = tf.placeholder(tf.float32, shape=(None, 1), name='y-input')

a = tf.matmul(x, w1)
y = tf.matmul(a, w2)

cross_entropy = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0)))
train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)

rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size, 2)
Y = [[int(x1 + x2 < 1)] for (x1, x2) in X]

with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    print(sess.run(w1))
    print(sess.run(w2))

    STEPS = 5000
    for i in range(STEPS):
        start = (i * batch_size) % dataset_size
        end = min(start + batch_size, dataset_size)

        sess.run(train_step, feed_dict={x: X[start:end], y_: Y[start:end]})
        if i % 1000 == 0:
            total_cross_entropy = sess.run(cross_entropy, feed_dict={x: X, y_: Y})
            print("After %d training step(s),cross entropy on all data is %g" % (i, total_cross_entropy))
    print(sess.run(w1))
    print(sess.run(w2))

运行之：

tensorflow测试