<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                合規國際互聯網加速 OSASE為企業客戶提供高速穩定SD-WAN國際加速解決方案。 廣告
                # 十、庫安裝和其他提示 有多種安裝 TensorFlow 的選項。 Google 已經為許多架構,操作系統和圖形處理單元(GPU)準備了包。 盡管在 GPU 上機器學習任務的執行速度要快得多,但是兩個安裝選項都可用: * CPU:它將在機器處理核心的所有處理單元中并行工作。 * GPU:此選項僅在使用多種架構之一的情況下才能使用,這些架構利用了非常強大的圖形處理單元,即 NVIDIA 的 CUDA 架構。 還有許多其他架構/框架,例如 Vulkan,還沒有達到成為標準的臨界數量。 在本章中,您將學習: * 如何在三種不同的操作系統(Linux,Windows 和 OSX)上安裝 TensorFlow * 如何測試安裝以確保您能夠運行示例,并從中開發自己的腳本 * 關于我們正在準備的其他資源,以簡化您對機器學習解決方案進行編程的方式 # Linux 安裝 首先,我們應該放棄免責聲明。 您可能知道,Linux 領域中有很多替代品,它們具有自己的特定包管理。 因此,我們選擇使用 Ubuntu 16.04 發行版。 毫無疑問,它是最廣泛的 Linux 發行版,此外,Ubuntu 16.04 是 LTS 版本或長期支持。 這意味著該發行版將對桌面版本提供三年的支持,對服務器版本提供五年的支持。 這意味著我們將在本書中運行的基本軟件在 2021 年之前將獲得支持! ### 注意 您可以在[此鏈接](https://wiki.ubuntu.com/LTS)上找到有關 LTS 含義的更多信息。 即使被認為是面向新手的發行版,Ubuntu 也為 TensorFlow 所需的所有技術提供了所有必要的支持,并且擁有最大的用戶群。 因此,我們將解釋該發行版所需的步驟,該步驟也將與其余基于 Debian 的發行版的發行版非常接近。 ### 提示 在撰寫本文時,TensorFlow 不支持 32 位 Linux,因此請確保以 64 位版本運行示例。 ## 初始要求 對于 TensorFlow 的安裝,您可以使用以下任一選項: * 在云上運行的基于 AMD64 的映像 * 具有 AMD64 指令能力的計算機(通常稱為 64 位處理器) ### 提示 在 AWS 上,非常適合的 AMI 映像是代碼`ami-cf68e0d8`。 它可以在 CPU 上運行良好,如果需要,也可以在 GPU 圖像上運行。 ## Ubuntu 準備(需要在任何方法之前應用) 在開發最近發布的 Ubuntu 16.04 時,我們將確保已更新到最新的包版本,并且安裝了最小的 Python 環境。 讓我們在命令行上執行以下指令: ```py $ sudo apt-get update $ sudo apt-get upgrade -y $ sudo apt-get install -y build-essential python-pip python-dev python-numpy swig python-dev default-jdk zip zlib1g-dev ``` ## PIP 安裝方法 在本節中,我們將使用 PIP(PIP 安裝包)包管理器來獲取 TensorFlow 及其所有依賴項。 這是一種非常簡單的方法,您只需要進行一些調整就可以正常運行 TensorFlow 安裝。 ### CPU 版本 為了安裝 TensorFlow 及其所有依賴項,我們只需要一個簡單的命令行(只要我們已經實現了準備任務即可)。 因此,這是標準 Python 2.7 所需的命令行: ```py $ sudo pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.9.0-cp27-none-linux_x86_64.whl ``` 然后,您將找到正在下載的不同從屬包,如果未檢測到問題,則會顯示相應的消息: ![CPU version](https://img.kancloud.cn/67/6a/676ac7d9da8bf1f9bfe7c369b8b999a4_566x334.jpg) 點安裝輸出 ### 測試您??的安裝 在安裝步驟之后,我們可以做一個非常簡單的測試,調用 Python 解釋器,然后導入 TensorFlow 庫,將兩個數字定義為一個常量,并獲得其總和: ```py $ python >>> import tensorflow as tf >>> a = tf.constant(2) >>> b = tf.constant(20) >>> print(sess.run(a + b)) ``` ### GPU 支持 為了安裝支持 GPU 的 TensorFlow 庫,首先必須從源安裝中執行 GPU 支持部分中的所有步驟。 然后您將調用: ```py $ sudo pip install -upgrade https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.10.0rc0-cp27-none-linux_x86_64.whl ``` ### 提示 預打包的 TensorFlow 有許多版本。 它們遵循以下形式: ```py https://storage.googleapis.com/tensorflow/linux/[processor type]/tensorflow-[version]-cp[python version]-none-linux_x86_64.whl ``` ### 提示 其中`[version]`可以是`cpu`或`gpu`,`[version]`是 TensorFlow 版本(實際上是 0.11),而 Python 版本可以是 2.7、3.4 或 3.5。 ## Virtualenv 安裝方法 在本節中,我們將使用 Virtualenv 工具說明 TensorFlow 的首選方法。 來自 Virtualenv 頁面(`virtualenv.pypa.io`): > Virtualenv 是用于創建隔離的 Python 環境的工具。(...)它創建具有自己的安裝目錄的環境,該環境不與其他 Virtualenv 環境共享庫(并且可以選擇不訪問全局安裝的庫) 。 通過此工具,我們將為 TensorFlow 安裝簡單地安裝隔離的環境,而不會干擾所有其他系統庫,這又不會影響我們的安裝。 這些是我們將要執行的簡單步驟(從 Linux 終端): 1. 設置`LC_ALL`變量: ```py $ export LC_ALL=C ``` 2. 從安裝程序安裝`virtualenv` Ubuntu 包: ```py $ sudo apt-get install python-virtualenv ``` 3. 安裝`virtualenv`包: ```py virtualenv --system-site-packages ~/tensorflow ``` 4. 然后,要使用新的 TensorFlow,您將始終需要記住激活 TensorFlow 環境: ```py source ~/tensorflow/bin/activate ``` 5. 然后通過 PIP 安裝`tensorflow`包: ```py pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.9.0-cp27-none-linux_x86_64.whl ``` 您將能夠安裝在 PIP linux 安裝方法中轉錄的所有替代官方`tensorflow`包。 ### 環境測試 在這里,我們將對 TensorFlow 做一個最小的測試。 首先,我們將激活新創建的 TensorFlow 環境: ```py $ source ~/tensorflow/bin/activate ``` 然后,提示將以(`tensorflow`)前綴更改,我們可以執行簡單的代碼來加載 TensorFlow,并對兩個值求和: ```py (tensorflow) $ python >>> import tensorflow as tf >>> a = tf.constant(2) >>> b = tf.constant(3) >>> print(sess.run(a * b)) 6 ``` 完成工作后,如果要返回到正常環境,可以簡單地停用該環境: ```py (tensorflow)$ deactivate ``` ## Docker 安裝方法 這種 TensorFlow 安裝方法使用一種稱為容器的最新操作技術。 容器在某些方面與 Virtualenv 的工作相關,在 Docker 中,您將擁有一個新的虛擬環境。 主要區別在于此虛擬化工作的級別。 它在簡化的包中包含應用和所有依賴項,并且這些封裝的容器可以在公共層 Docker 引擎上同時運行,而 Docker 引擎又在主機操作系統上運行。 ![Docker installation method](https://img.kancloud.cn/36/3a/363aa6dc2223152b39cbcb8bd816f475_446x342.jpg) Docker 主要架構([圖片來源](https://www.docker.com/products/docker-engine)) ### 安裝 Docker 首先,我們將通過`apt`包安裝`docker`: ```py sudo apt-get install docker.io ``` ### 允許 Docker 以普通用戶身份運行 在此步驟中,我們創建一個 Docker 組以能夠將 Docker 用作用戶: ```py sudo groupadd docker ``` ### 提示 您可能會得到錯誤; `group 'docker' already exists`。 您可以放心地忽略它。 然后,將當前用戶添加到 Docker 組: ```py sudo usermod -aG docker [your user] ``` ### 提示 此命令不應返回任何輸出。 ### 重新啟動 完成此步驟后,需要重新啟動才能應用更改。 ### 測試 Docker 安裝 重新啟動后,您可以嘗試使用命令行調用 HelloWorld Docker 示例: ```py $ docker run hello-world ``` ![Testing the Docker installation](https://img.kancloud.cn/0a/3a/0a3a26b75b741cd0857f197fa36ebf0e_566x303.jpg) Docker HelloWorld 容器 ### 運行 TensorFlow 容器 然后,我們運行(如果之前未安裝過,請安裝)TensorFlow 二進制映像(在這種情況下為原始 CPU 二進制映像): ```py docker run -it -p 8888:8888 gcr.io/tensorflow/tensorflow ``` ![Run the TensorFlow container](https://img.kancloud.cn/66/f7/66f7c42b971742acac670cc14ec3bfed_566x175.jpg) 通過 PIP 安裝 TensorFlow 安裝完成后,您將看到最終的安裝步驟,并且 Jupyter 筆記本開始: ![Run the TensorFlow container](https://img.kancloud.cn/36/15/36159c33bca6d3080aa809474b50aeb2_566x346.jpg) ### 注意 許多示例使用 Jupyter 筆記本格式。 為了執行和運行它們,您可以在其主頁 [jupyter.org](http://jupyter.org) 上找到有關許多架構的安裝和使用的信息。 ## 從源代碼安裝 現在我們來看看 TensorFlow 的最完整,對開發人員友好的安裝方法。 從源代碼安裝將使您了解用于編譯的不同工具。 ### 安裝 Git 源代碼版本管理器 Git 是現有的最著名的源代碼版本管理器之一,并且是 Google 選擇的版本管理器,并將其代碼發布在 GitHub 上。 為了下載 TensorFlow 的源代碼,我們將首先安裝 Git 源代碼管理器: #### 在 Linux 中安裝 Git(Ubuntu 16.04) 要在您的 Ubuntu 系統上安裝 Git,請運行以下命令: ```py $ sudo apt-get install git ``` ### 安裝 Bazel 構建工具 Bazel(`bazel.io`)是一個構建工具,基于 Google 七年來一直使用的內部構建工具(稱為 Blaze),并于 2015 年 9 月 9 日發布為 beta 版。 此外,它還用作 TensorFlow 中的主要構建工具,因此,要執行一些高級任務,需要對工具有最少的了解。 ### 提示 與諸如 Gradle 之類的競爭項目相比,優點有所不同,主要優點是: * 支持多種語言,例如 C++,Java,Python 等 * 支持創建 Android 和 iOS 應用,甚至 Docker 映像 * 支持使用來自許多不同來源的庫,例如 GitHub,Maven 等 * 通過 API 可擴展以便添加自定義構建規則 #### 添加 Bazel 發行版 URI 作為包源 首先,我們將 Bazel 倉庫添加到可用倉庫列表中,并將其各自的密鑰添加到 APT 工具的配置中,該工具管理 Ubuntu 操作系統的依賴項。 ```py $ echo "deb http://storage.googleapis.com/bazel-apt stable jdk1.8" | sudo tee /etc/apt/sources.list.d/bazel.list $ curl https://storage.googleapis.com/bazel-apt/doc/apt-key.pub.gpg | sudo apt-key add - ``` ![Adding the Bazel distribution URI as a package source](https://img.kancloud.cn/95/65/956584b5c20c2633cc787b13f1a00155_566x67.jpg) 擋板安裝 #### 更新和安裝 Bazel 一旦安裝了所有包源,就可以通過`apt-get`安裝 Bazel: ```py $ sudo apt-get update && sudo apt-get install bazel ``` ### 提示 此命令將安裝 Java 和大量依賴項,因此可能需要一些時間來安裝它。 ### 安裝 GPU 支持(可選) 本節將教我們如何在 Linux 設置中安裝支持 GPU 所需的必需包。 實際上,獲得 GPU 計算支持的唯一方法是通過 CUDA。 檢查 nouveau NVIDIA 顯卡驅動程序是否不存在。 要對此進行測試,請執行以下命令并檢查是否有任何輸出: ```py lsmod | grep nouveau ``` 如果沒有輸出,請參閱安裝 CUDA 系統包。如果沒有輸出,請執行以下命令: ```py $ echo -e "blacklist nouveau\nblacklist lbm-nouveau\noptions nouveau modeset=0\nalias nouveau off\nalias lbm-nouveau off\n" | sudo tee /etc/modprobe.d/blacklist-nouveau.conf $ echo options nouveau modeset=0 | sudo tee -a /etc/modprobe.d/nouveau-kms.conf $ sudo update-initramfs -u $ sudo reboot (a reboot will occur) ``` ### 安裝 CUDA 系統包 第一步是從倉庫中安裝所需的包: ```py sudo apt-get install -y linux-source linux-headers-`uname -r` nvidia-graphics-drivers-361 nvidia-cuda-dev sudo apt install nvidia-cuda-toolkit sudo apt-get install libcupti-dev ``` ### 提示 如果要在云映像上安裝 CUDA,則應在以下命令阻止之前運行此命令: ```py sudo apt-get install linux-image-extra-virtual ``` #### 創建替代位置 當前的 TensorFlow 安裝配置期望非常嚴格的結構,因此我們必須在文件系統上準備類似的結構。 這是我們將需要運行的命令: ```py sudo mkdir /usr/local/cuda cd /usr/local/cuda sudo ln -s /usr/lib/x86_64-linux-gnu/ lib64 sudo ln -s /usr/include/ include sudo ln -s /usr/bin/ bin sudo ln -s /usr/lib/x86_64-linux-gnu/ nvvm sudo mkdir -p extras/CUPTI cd extras/CUPTI sudo ln -s /usr/lib/x86_64-linux-gnu/ lib64 sudo ln -s /usr/include/ include sudo ln -s /usr/include/cuda.h /usr/local/cuda/include/cuda.h sudo ln -s /usr/include/cublas.h /usr/local/cuda/include/cublas.h sudo ln -s /usr/include/cudnn.h /usr/local/cuda/include/cudnn.h sudo ln -s /usr/include/cupti.h /usr/local/cuda/extras/CUPTI/include/cupti.h sudo ln -s /usr/lib/x86_64-linux-gnu/libcudart_static.a /usr/local/cuda/lib64/libcudart_static.a sudo ln -s /usr/lib/x86_64-linux-gnu/libcublas.so /usr/local/cuda/lib64/libcublas.so sudo ln -s /usr/lib/x86_64-linux-gnu/libcudart.so /usr/local/cuda/lib64/libcudart.so sudo ln -s /usr/lib/x86_64-linux-gnu/libcudnn.so /usr/local/cuda/lib64/libcudnn.so sudo ln -s /usr/lib/x86_64-linux-gnu/libcufft.so /usr/local/cuda/lib64/libcufft.so sudo ln -s /usr/lib/x86_64-linux-gnu/libcupti.so /usr/local/cuda/extras/CUPTI/lib64/libcupti.so ``` #### 安裝 cuDNN TensorFlow 使用附加的 cuDNN 包來加速深度神經網絡操作。 然后,我們將下載`cudnn`包: ```py $ wget http://developer.download.nvidia.com/compute/redist/cudnn/v5/cudnn-7.5-linux-x64-v5.0-ga.tgz ``` 然后,我們需要解壓縮包并鏈接它們: ```py $ sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64 $ sudo cp cuda/include/cudnn.h /usr/local/cuda/include/ ``` ### 克隆 TensorFlow 源 最后,我們完成了獲取 TensorFlow 源代碼的任務。 獲得它就像執行以下命令一樣容易: ```py $ git clone https://github.com/tensorflow/tensorflow ``` ![Clone TensorFlow source](https://img.kancloud.cn/09/13/091351f3ac78065f2326d7e6042640fb_566x123.jpg) Git 安裝 ### 配置 TensorFlow 構建 然后我們訪問`tensorflow`主目錄: ```py $ cd tensorflow ``` 然后我們只需運行`configure`腳本: ```py $ ./configure ``` 在下圖中,您可以看到大多數問題的答案(它們幾乎都是輸入的,是的) ![Configuring TensorFlow build](https://img.kancloud.cn/bb/cf/bbcfd16a6196bca391c26cf027cfcfc9_566x244.jpg) CUDA 配置 因此,我們現在準備著手進行庫的建設。 ### 提示 如果要在 AWS 上安裝它,則必須執行修改后的行: ```py TF_UNOFFICIAL_SETTING=1 ./configure ``` ### 構建 TensorFlow 在完成所有準備步驟之后,我們將最終編譯 TensorFlow。 以下幾行可能引起您的注意,因為它涉及到教程。 我們構建示例的原因是它包含基礎安裝,并提供了一種測試安裝是否有效的方法。 運行以下命令: ```py $ bazel build -c opt --config=cuda //tensorflow/cc:tutorials_example_trainer ``` ### 測試安裝 現在該測試安裝了。 在主`tensorflow`安裝目錄中,只需執行以下命令: ```py $ bazel-bin/tensorflow/cc/tutorials_example_trainer --use_gpu ``` 這是命令輸出的示例表示: ![Testing the installation](https://img.kancloud.cn/a4/5a/a45a4631b9b65c743a5aa2fad6a8396c_566x347.jpg) TensorFlow GPU 測試 # Windows 安裝 現在輪到 Windows 操作系統了。 首先,我們必須說這不是 TensorFlow 生態系統的首選,但是我們絕對可以使用 Windows 操作系統進行開發。 ## 經典 Docker 工具箱方法 此方法使用經典的工具箱方法,該方法可用于大多數最新的 Windows 版本(從 Windows 7 開始,始終使用 64 位操作系統)。 ### 提示 為了使 Docker(特別是 VirtualBox)正常工作,您需要安裝 VT-X 擴展。 這是您需要在 BIOS 級別執行的任務。 ### 安裝步驟 在這里,我們將列出在 Windows 中通過 Docker 安裝`tensorflow`所需的不同步驟。 #### 下載 Docker 工具箱安裝程序 安裝程序的當前 URL 位于[此鏈接](https://github.com/docker/toolbox/releases/download/v1.12.0/DockerToolbox-1.12.0.exe)。 執行安裝程序后,我們將看到第一個安裝屏幕: ![Downloading the Docker toolbox installer](https://img.kancloud.cn/a2/90/a2905f38a7afbfa5be8dd9379e3e368a_505x391.jpg) Docker 工具箱第一個安裝屏幕 ![Downloading the Docker toolbox installer](https://img.kancloud.cn/c7/e4/c7e4027f96980a664b64bda131cbaf57_501x389.jpg) Docker 工具箱安裝程序路徑選擇器 然后,選擇安裝中需要的所有組件: ![Downloading the Docker toolbox installer](https://img.kancloud.cn/18/53/185341107c3860d396473ba0f193de39_501x389.jpg) Docker 工具箱包選擇屏幕 完成各種安裝操作后,我們的 Docker 安裝將準備就緒: ![Downloading the Docker toolbox installer](https://img.kancloud.cn/57/11/5711f56b8c2388ba9fb5b8f16b990127_501x389.jpg) Docker 工具箱安裝最終屏幕 #### 創建 Docker 機器 為了創建初始機器,我們將在 Docker 終端中執行以下命令: ```py docker-machine create vdocker -d virtualbox ``` ![Creating the Docker machine](https://img.kancloud.cn/22/1b/221bdf6a40480d7686760eda6586a296_566x667.jpg) Docker 初始映像安裝 然后,在命令窗口中,鍵入以下內容: ```py FOR /f "tokens=*" %i IN ('docker-machine env --shell cmd vdocker') DO %i docker run -it b.gcr.io/tensorflow/tensorflow ``` 這將打印并讀取運行最近創建的虛擬機所需的許多變量。 最后,要安裝`tensorflow`容器,請像在 Linux 控制臺上一樣從同一控制臺進行操作: ```py docker run -it -p 8888:8888 gcr.io/tensorflow/tensorflow ``` ### 提示 如果您不想執行 Jupyter,但想直接啟動到控制臺,則可以通過以下方式運行 Docker 映像: ```py run -it -p 8888:8888 gcr.io/tensorflow/tensorflow bash ``` # MacOSX 安裝 現在轉到在 MacOSX 上進行安裝。安裝過程與 Linux 非常相似。 它們基于 OSX El Capitan 版本。 我們還將參考不支持 GPU 的 2.7 版 Python。 安裝要求安裝用戶具有`sudo`特權。 ## 安裝 PIP 在此步驟中,我們將使用`easy_install`包管理器安裝 PIP 包管理器,該包管理器包含在安裝工具 Python 包中,并且默認情況下包含在操作系統中。 對于此安裝,我們將在終端中執行以下操作: ```py $ sudo easy_install pip ``` ![Install pip](https://img.kancloud.cn/ac/94/ac946db61d49acefb7865ff952a789d2_566x604.jpg) 然后,我們將安裝六個模塊,這是一個兼容性模塊,可幫助 Python 2 程序支持 Python 3 編程: 要安裝`six`,我們執行以下命令: ```py sudo easy_install --upgrade six ``` ![Install pip](https://img.kancloud.cn/fd/b1/fdb1f25a92cba2631520498e985b232c_566x342.jpg) 在安裝`six`包之后,我們通過執行以下命令來繼續安裝`tensorflow`包: ```py sudo pip install -ignore-packages six https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-0.10.0-py2-none-any.whl ``` ![Install pip](https://img.kancloud.cn/45/80/4580036b8b5fa9c07a851d6cbd041477_566x592.jpg) 然后我們調整`numpy`包的路徑,這在 El Capitan 中是必需的: ```py sudo easy_install numpy ``` ![Install pip](https://img.kancloud.cn/35/4a/354a5f3362dc247723c9c2ea71392e49_566x221.jpg) 現在我們準備導入`tensorflow`模塊并運行一些簡單的示例: ![Install pip](https://img.kancloud.cn/4c/bd/4cbd6941f8a0140419e759004ee958d1_566x236.jpg) # 總結 在本章中,我們回顧了可以執行 TensorFlow 安裝的一些主要方法。 即使可能性是有限的,每個月左右我們都會看到支持新的架構或處理器,因此我們只能期望該技術的應用領域越來越多。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看