Tensorflow环境搭建

2019独角兽企业重金招聘Python工程师标准>>>

Tensorflow环境搭建博客分类：深度学习

Tensorflow环境搭建

本章主要介绍在几个主要的平台上，如何安装Tensorflow，以及简单的运行测试。

2.1 安装环境

目前TensorFlow社区推荐的环境是Ubuntu, 但是TensorFlow同时支持Mac，Windows上的安装部署。

因为深度学习计算过程，大量的操作是向量和矩阵的计算，而GPU在向量和矩阵计算方面比CPU有一个数量级的速度提升，所以深度学习在GPU上运算效率更高。

2.1.1 CUDA简介

显卡厂商NVIDIA推出的运算平台CUDA(Compute Unified Device Architecture)，是一种通用的并行计算架构，该架构使GPU能够解决复杂的计算问题，它包含了CUDA指令集以及GPU内部的并行计算引擎。提供了硬件的直接访问接口，而不必像传统方式一样必须依赖图形API接口来实现GPU的访问，从而给大规模的数据计算应用提供了一种比CPU更加强大的计算能力。程序开发人员通过C语言，利用CUDA的指令接口，就可以编写CUDA架构的程序。

2.1.2 CuDNN简介

CuDNN的全称是CUDA Deep Neural Network library，CuDNN是专门针对深度学习框架设计的一套GPU计算加速方案，最新版本的CuDNN提供了对深度神经网络中的向前向后的卷积，池化，以及RNN的性能优化。目前大部分深度学习框架都支持CuDNN。

目前包括TensorFlow在内的大部分深度学习框架，都支持CUDA。所以，为了让我们的深度神经网络的程序在TensorFlow上跑的更加好，推荐配置至少一块支持CUDA和CuDNN的NVIDIA的显卡。

2.2 TensorFlow的安装

Tensorflow的Python语言API支持Python2.7和Python3.3以上的版本。GUP版本推荐使用Cuda Toolkit 8.0和CuDNN v5.版本，Cuda和CuDNN的其他版本也支持，不过需要自己编译源代码的方式安装。

2.2.1 通过pip安装TensorFlow

pip是用来安装和管理Python包的管理工具。TensorFlow可以很方便的通过Pip来安装。
首先介绍pip在各个平台的安装方法。

2.2.1.1 安装Pip

在安装Pip之前请先自行安装好Python。

在Ubuntu/Linux系统上安装pip

#python2. 7 上安装pip

$ sudo apt-get install python-pip python-dev

#python3. 5 上安装pip

$ sudo apt-get install python3-pip

在Mac系统上安装pip

1 2	`$ sudo easy_install pip` `$ sudo easy_install --upgrade six`

在Windows系统上安装Pip

# 去Python官网下载pip

https: //pypi.python.org/pypi/pip#downloads

#解压文件，通过命令行安装pip

> python setup.py install

# 设置环境变量

在Windows的环境变量的PATH变量的最后添加 "\Python安装目录\Scripts"

2.2.1.2 如何通过pip安装

Tensorflow已经把最新版本的安装程序上传到了Pypi，所以我们可以通过最简单的方式来安装TensorFlow。 (要求pip版本在8.1版本或者更高)

安装CPU版本的TensorFlow

#Python2. 7

sudo pip install tensorflow

#Python3. 5

sudo pip3 install tensorflow

安装支持GUP版本的TensorFlow

#Python2. 7

sudo pip install tensorflow-gpu

#Python3. 5

sudo pip3 install tensorflow-gpu

注意：目前在Windows上只支持64位的Python3.5版本。TensorFlow在Windows上依赖MSVCP140.DLL，需要提前安装Visual C++ 2015 redistributable (x64 version)，并且将MSVCP140.DLL添加到环境变量PATH里。

在Windows系统上安装CPU版本(0.12版本)

1	`C:\> pip install --upgrade https:` `//storage.googleapis.com/tensorflow/windows/cpu/tensorflow-0.12.0-cp35-cp35m-win_amd64.whl`

在Windows系统上安装GPU版本(0.12版本)

1	`C:\> pip install --upgrade https:` `//storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-0.12.0-cp35-cp35m-win_amd64.whl`

源码编译安装tensorflow">2.2.2 源码编译安装TensorFlow

有时候我们需要单独自定义一下TensorFlow的安装，比如我们的cuda是7.5版本的，这个时候我们可能需要自己编译源码进行安装。（这里只介绍在Ubuntu系统上）

2.2.2.1 从git上下载源码：

1	`git clone https:` `//github.com/tensorflow/tensorflow`

2.2.2.2 安装Bazel

Bazel是Google开源的一套自动化构建工具，可以通过源的方式安装，也可以通过编译源码安装，这里只介绍最简单的通过源的安装方式。

先安装JDK8

$ sudo add-apt-repository ppa:webupd8team/java

$ sudo apt-get update

$ sudo apt-get install oracle-java8-installer

添加Bazel源的地址

1 2	`$ echo` `"deb [arch=amd64] https://storage.googleapis.com/bazel-apt stable jdk1.8"` `\| sudo tee /etc/apt/sources.list.d/bazel.list` `$ curl https:` `//bazel.build/bazel-release.pub.gpg \| sudo apt-key add -`

安装Bazel

1 2	`$ sudo apt-get update` `$ sudo apt-get install -y bazel`

2.2.2.3 编译TensorFlow

#在过程中会进行一些参数路径选择，根据需要自己配置

cd tensorflow

./configure

#添加--config=cuda表示GPU版本

bazel build -c opt --config=cuda --define=use_fast_cpp_protos= true //tensorflow/tools/pip_package:build_pip_package

#编译完的whl文件会放到/tmp/tensorflow_pkg目录

bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg

#安装编译好的TensorFlow

sudo pip install --upgrade /tmp/tensorflow_pkg/tensorflow- 0.12 *.whl

注意：编译安装过程中可能出现一些其他的依赖需要手动安装

#根据运行出错的提示可能需要安装funcsigs和pbr

sudo pip install funcsigs

sudo pip install pbr

2.3 Cuda和CuDNN安装

如果我们要使用TensorFlow的GPU版本的话，我们还需要安装Cuda和CuDNN库。

2.3.1 NVIDIA驱动安装

驱动下载地址

1	`https:` `//www.nvidia.com/download/driverResults.aspx/106780/en-us`

驱动安装

1 2	`$ sudo chmod +x NVIDIA-Linux-x86_64-` `367.44` `.run` `$ ./NVIDIA-Linux-x86_64-` `367.44` `.run`

2.3.2 Cuda安装

根据自己的系统选择不同版本的Cuda下载安装。

下载地址

1	`https:` `//developer.nvidia.com/cuda-downloads`

安装过程会提示一些选项，需要注意的是，我们在2.3.1已经安装了NVIDIA的驱动，所以在提示是否需要安装NVIDIA Accelerated Graphics Driver的时候选择n
选择参考如下：

Do you accept the previously read EULA?

accept/decline/quit: accept

Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 361.77 ?

(y)es/(n)o/(q)uit: n

Install the CUDA 8.0 Toolkit?

(y)es/(n)o/(q)uit: y

Enter Toolkit Location

[ default is /usr/local/cuda- 8.0 ]: [回车]

Do you want to install a symbolic link at /usr/local/cuda?

(y)es/(n)o/(q)uit: y

Install the CUDA 8.0 Samples?

(y)es/(n)o/(q)uit: n

安装成功后，提示我们需要把路径添加到环境变量里

Please make sure that

- PATH includes /usr/local/cuda- 8.0 /bin

- LD_LIBRARY_PATH includes /usr/local/cuda- 8.0 /lib64, or, add /usr/local/cuda- 8.0 /lib64 to /etc/ld.so.conf and run ldconfig as root

在/etc/profile或者~/.bashrc中添加如下内容：

export PATH=/usr/local/cuda- 8.0 /bin:$PATH

export LD_LIBRARY_PATH=/usr/local/cuda- 8.0 /lib64/:$LD_LIBRARY_PATH

#然后执行 source /etc/profile 或者 source ~/.bashrc

2.3.3 CuDNN安装

根据自己的系统环境和Cuda的版本，选择下载CuDNN。

下载地址

1	`https:` `//developer.nvidia.com/rdp/cudnn-download`

安装过程

#以CuDNN的v5. 1 版本，Cuda 8.0 为例

sudo tar -xzvf cudnn- 8.0 -linux-x64-v5. 1 .tgz

sudo cp cuda/include/cudnn.h /usr/local/cuda/include

sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64

sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

设置环境变量

#编辑/etc/profile或者~/.bashrc文件，在末尾添加如下内容（根据自己的安装路径和版本请自行修改对应内容）

export LD_LIBRARY_PATH=/usr/local/cudnn/lib64:$LD_LIBRARY_PATH

export CUDA_HOME=/usr/local/cuda

export DYLD_LIBRARY_PATH= "$DYLD_LIBRARY_PATH:$CUDA_HOME/lib"

export PATH= "$CUDA_HOME/bin:$PATH"

#然后执行 source /etc/profile 或者 source ~/.bashrc

安装完成之后，让我们来测试一下CUDA，运行：

1	`nvidia-smi`

结果如下：

+-----------------------------------------------------------------------------+

| NVIDIA-SMI 367.48 Driver Version: 367.48 |

|-------------------------------+----------------------+----------------------+

| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |

| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |

|===============================+======================+======================|

| 0 GeForce GTX TIT... Off | 0000 : 04 : 00.0 Off | N/A |

| 27 % 67C P0 77W / 250W | 0MiB / 12205MiB | 0 % Default |

+-------------------------------+----------------------+----------------------+

| 1 GeForce GTX TIT... Off | 0000 : 83 : 00.0 Off | N/A |

| 29 % 69C P0 78W / 250W | 0MiB / 12206MiB | 0 % Default |

+-------------------------------+----------------------+----------------------+

| 2 GeForce GTX TIT... Off | 0000 : 84 : 00.0 Off | N/A |

| 0 % 60C P0 58W / 250W | 0MiB / 12206MiB | 0 % Default |

+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+

| Processes:                                                       GPU Memory |

|  GPU       PID  Type  Process name                               Usage      |

|=============================================================================|

|  No running processes found                                                 |

+-----------------------------------------------------------------------------+

说明NVIDIA的驱动和cuda已经安装成功了。
上面的显示表示本机有3个GPU，GPU核心GeForce GTX TITAN，每个GPU有12G显存，因为没有在上面跑任何程序，所以目前GPU显存利用了0M，GPU利用率0%。

2.4 安装测试

好，如果顺利的话，到这里我们已经成功安装好了TensorFlow，那么让我简单测试一下安装是否成功。

$ python

...

>>> import tensorflow as tf

>>> print(tf.__version__)

0.12 . 0 -rc1

上面这段代码，正常运行会打印出来TensorFlow的版本号，这里是“0.12.0-rc1”

常见问题：

1	`如果在` `import` `tensorflow as tf之后，打印出来cuda的so或者cudnn的so没有找到，一般是因为cuda或者cudnn的路径没有添加到环境变量里。`

我们再跑一个简单的计算，看看tensorflow是否运行正常。输入如下代码：

$ python

...

>>> import tensorflow as tf

>>> hello = tf.constant( 'Hello, TensorFlow!' )

>>> sess = tf.Session()

>>> print(sess.run(hello))

Hello, TensorFlow!

>>> a = tf.constant( 1 )

>>> b = tf.constant( 2 )

>>> c=sess.run(a + b)

>>> print( "1+2= %d" % c)

1 + 2 = 3

>>>

如果你的这段代码可以正常输出“Hello, TensorFlow!” 和“1+2= 3”，那么恭喜你，我们已经安装TensorFlow成功了。

https://www.2cto.com/kf/201612/580957.html

转载于:https://my.oschina.net/xiaominmin/blog/1596908