如何在Ubuntu20.04上安装TensorFlow

来自菜鸟教程
跳转至:导航、​搜索

介绍

开源机器学习软件库TensorFlow用于训练神经网络。 以有状态数据流图的形式表示,图中的每个节点代表神经网络对多维数组执行的操作。 这些多维数组通常被称为“张量”,因此得名 TensorFlow。

在本教程中,您将使用 virtualenv 在 Python 虚拟环境中安装 TensorFlow。 这种方法隔离了 TensorFlow 安装并快速启动和运行。 完成安装后,您将通过导入 Tensorflow 来验证您的安装,以确保您没有错误。

先决条件

在开始本教程之前,您需要以下内容:

第 1 步——创建编程环境

在这一步中,我们将创建一个虚拟环境,以便在不影响其他编程项目的情况下将 TensorFlow 安装到其中。 如果您已经设置了干净的编程环境,请随意跳过此步骤。

首先,创建一个项目目录。 出于演示目的,我们将其称为 tf-demo,但请选择对您有意义的目录名称:

mkdir ~/tf-demo

导航到您新创建的 tf-demo 目录:

cd ~/tf-demo

然后创建一个名为 tensorflow-dev 的新虚拟环境,例如。 运行以下命令创建环境:

python3 -m venv tensorflow-dev

这将创建一个新的 tensorflow-dev 目录,其中将包含您在激活此环境时安装的所有包。 它还包括 pip 和 Python 的独立版本。

现在激活您的虚拟环境:

source tensorflow-dev/bin/activate

激活后,您的终端提示将反映您处于虚拟环境中:

(tensorflow-dev)username@hostname:~/tf-demo $

此时您可以在虚拟环境中安装 TensorFlow。

第 2 步 — 安装 TensorFlow

安装 TensorFlow 时,我们要确保安装并升级到 PyPi 中可用的最新版本。

因此,我们将在 pip 中使用以下命令语法:

pip install --upgrade tensorflow

按下 ENTER 后,TensorFlow 将安装,您应该会收到指示安装以及任何依赖包成功的输出。

Output...
Successfully installed absl-py-0.7.1 astor-0.7.1 gast-0.2.2 grpcio-1.19.0 h5py-2.9.0 keras-applications-1.0.7 keras-preprocessing-1.0.9 markdown-3.0.1 mock-2.0.0 numpy-1.16.2 pbr-5.1.3 protobuf-3.7.0 setuptools-40.8.0 tensorboard-1.13.1 tensorflow-1.13.1 tensorflow-estimator-1.13.0 termcolor-1.1.0 werkzeug-0.15.0 wheel-0.33.1
...

Successfully installed bleach-1.5.0 enum34-1.1.6 html5lib-0.9999999 markdown-2.6.9 numpy-1.13.3 protobuf-3.5.0.post1 setuptools-38.2.3 six-1.11.0 tensorflow-1.4.0 tensorflow-tensorboard-0.4.0rc3 werkzeug-0.12.2 wheel-0.30.0

您可以随时使用以下命令停用虚拟环境:

deactivate

要稍后重新激活环境,请导航到您的项目目录并运行 source tensorflow-dev/bin/activate


现在您已经安装了 TensorFlow,让我们确保 TensorFlow 安装工作正常。

第 3 步 — 验证安装

为了验证 TensorFlow 的安装,我们将确保我们可以导入 TensorFlow 包。

python

您的终端上将出现以下提示:

>>>

这是 Python 解释器的提示符,它表明您已准备好开始输入一些 Python 语句。

首先,键入此行以导入 TensorFlow 包并使其可用作局部变量 tf。 输入代码行后按ENTER

import tensorflow as tf

只要您没有收到任何错误,您就已经成功安装了 TensorFlow。 如果您收到错误,您应该确保您的服务器足够强大以处理 TensorFlow。 您可能需要调整服务器的大小,确保它至少有 4GB 内存。

结论

在本教程中,您已在 Python 虚拟环境中安装了 TensorFlow,并通过导入验证了 TensorFlow 是否正常工作。

TensorFlow 的 程序员指南 为 TensorFlow 开发提供了有用的资源和参考。 您还可以探索 Kaggle,这是一个用于实际应用机器学习概念的竞争环境,可让您与其他机器学习、数据科学和统计爱好者竞争。