TensorFlow Env¶
1.TensorFlow 支持的硬件平台¶
PC
CPU
GPU
一块主流的 NVIDIA GPU 会大幅提高训练速度
显卡的 CUDA 核心数和显存大小是决定机器学习性能的两个关键参数
- 显卡的 CUDA 核心数决定训练速度
- 显卡的 显存大小 是决定能够训练多大的模型以及训练时的最大批次大小(batch size)
对于前沿的机器学习研究，尤其是计算机视觉和自然语言处理领域而言，对 GPU 并行训练是标准配置
Cloud TPU(张量)
Mobile
- Android
- iOS
- Embedded Devices
2.TensorFlow 系统要求¶
- Python 3.5-3.7
- pip >= 19.0(需要 manylinux2010 支持)
- Ubuntu 16.04 or later(64位)
- Windows 7 or later(64位, 仅支持 Python 3)
- macOS 10.12.6(Sierra) or later(64位, no GPU support)
- Raspbian 9.0 or later
- GPU 支持需要使用支持 CUDA® 的显卡（适用于 Ubuntu 和 Windows）
3.安装 TensorFlow 2¶
Important
TensorFlow pip packages
- tensorflow: 支持 CPU 和 GPU 的最新稳定版（适用于 Ubuntu 和 Windows）
- tf-nightly: 预览 build（不稳定）。Ubuntu 和 Windows 均包含 GPU 支持
- tensorflow-gpu: Current release with GPU support (Ubuntu and Windows)
- tf-nightly-gpu: Nightly build with GPU support (unstable, Ubuntu and Windows)
3.1 使用 pip 安装 TensorFlow 2¶
Important
- 必须使用最新版本的 pip, 才能安装 TensorFlow 2
Virtualenv 安装
# Requires the latest pip (venv) $ pip install --upgrade pip # Current stable release for CPU and GPU (venv) $ pip install --upgrade tensorflow (venv) $ python -c "import tensorflow as tf;print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
系统安装
# Requires the latest pip $ pip3 install --upgrade pip # Current stable release for CPU and GPU $ pip3 install --user --upgrade tensorflow $ python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
$ pip3 install pydot
graphviz
3.2 使用 conda 安装 TensorFlow 2¶
1.安装 Python 环境
建议安装 Anaconda 的 Python 3.7 64 位版本2.使用 Anaconda/Miniconda 自带的 conda 包管理器建立一个 conda 虚拟环境，并进入虚拟环境
$ conda create --name tf2 python=3.7 conda activate tf23.使用 Python 包管理器 pip 安装 TensorFlow
pip install tensorflow
3.3 使用 Docker 安装 TensorFlow 2¶
TensorFlow Docker 映像已经过配置，可运行 TensorFlow。Docker 容器可在虚拟环境中运行，是设置 GPU 支持的最简单方法。
# Download latest stable image $ docker pull tensorflow/tensorflow:latest-py3 # Start Jupyter server $ docker run -it -p 8888:8888 tensorflow/tensorflow:latest-py3-jupyter
Note
小技巧
- 也可以使用
conda install tensorflow或者conda install tensorflow-gpu命令安装 TensorFlow， 不过 conda 源的版本往往更新较慢，难以在第一时间获得最新的 TensorFlow 版本 - 从 TensorFlow 2.1 开始，pip 包 tensorflow 同时包含 GPU 支持，无须通过特定的 pip 包 tensorflow-gpu 安装 GPU 版本。 如果对 pip 包的大小敏感，可使用 tensorflow-cpu 包安装仅支持 CPU 的 Tensorflow 版本
- 在 Windows 系统下，需要打开 “开始” 菜单中的 “Anaconda Prompt” 进入 Anaonda 的命令行环境
3.4 GPU 版本的 TensorFlow 安装¶
GPU 版本的 TensorFlow 可以利用 NVIDIA GPU 强大的加速计算能力，使 TensorFlow 运行更加高效，尤其是可以成倍提升模型的训练速度.
在安装 GPU 版本的 TensorFlow 前，需要有一块“不太旧”的 NVIDIA 显卡，并正确安装 NVIDIA 显卡驱动程序、CUDA Toolkit 和 cuDNN.
3.4.1 GPU 硬件的准备¶
TensorFlow 对 NVIDIA 显卡的支持较为完备。对于 NVIDIA 显卡，要求其 CUDA 的算力(compute capability) 不低于 3.5。 可以到 NVIDIA 的官网查询自己所用显卡的 CUDA 算力。
目前 AMD 显卡也开始对 TensorFlow 提供支持。
3.4.2 NVIDIA 驱动程序的安装¶
Windows 下安装 NVIDIA 驱动程序:
- 在 Windows 系统中，如果系统具有 NVIDIA 显卡，那么系统内往往已经自动安装了 NVIDIA 显卡驱动程序。 如果未安装，直接访问 NVIDIA 官网，下载并安装对应型号的最新标准版驱动程序即可。
Linux 下安装 NVIDIA 驱动程序:
服务器版 Linux 系统
1.访问 NVIDIA 官网下载驱动程序(.run 文件)
安装驱动
sudo apt-get install build-essential # 安装之前，可能需要安装合适的编译环境 sudo bash DRIVER_FILE_NAME.run具有图形界面的桌面版 Linux 系统(Ubuntu为例)
1.禁用系统自带的开源显卡驱动 Nouveau(在
/etc/modprobe.d/blacklist.conf)文件中添加如下内容，并更新内核、重启cd /etc/modprobe.d/blacklist.conf blacklist nouveau sudo update-initramfs -u2.禁用主板的 Secure Boot 功能 3.停用桌面环境
sudo service lightdm stop4.删除原有 NVIDIA 驱动程序
sudo apt-get purge nvidia*NVIDIA 驱动程序安装完成后，可以在命令行下使用
nvidia-smi命令检查是否安装成功，若成功，则会打印当前系统安装的 NVIDIA 驱动信息:$ nvidia-simNote
nvidia-sim命令可以产看机器上现有的 GPU 及使用情况
3.4.3 CUDA Toolkit 和 cuDNN 的安装¶
在 Anaconda/Miniconda 环境下，推荐使用 conda 安装 CUDA Toolkit 和 cuDNN
1.搜索 conda 源中可用的 CUDA Toolkit 和 cuDNN 版本号
conda search cudatoolkit conda search cudnn
2.安装 CUDA Toolkit 和 cuDNN
conda install cudatoolkit=X.X conda install cudnn=X.X.X
在 使用 Python pip 安装 时:
...
按照 TensorFlow 官网的说明手动下载 CUDA Toolkit 和 cuDNN 并安装，不过过程比较繁琐。