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/pips_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:
通过 homebrew 安装一个隔离的 python 副本:
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
\x0 1(\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
|
|
