این راهنما برای آخرین نسخه پایدار TensorFlow است. برای ساخت پیش نمایش (شبیه) ، از بسته پیپ به نام tf-nightly
استفاده کنید. برای نیازهای نسخه قدیمی تر TensorFlow به این جداول مراجعه کنید. برای ساخت فقط CPU، از بسته پیپ با نام tensorflow-cpu
استفاده کنید.
در اینجا نسخه های سریع دستورات نصب آمده است. برای دستورالعمل های گام به گام به پایین اسکرول کنید.
لینوکس
conda install -c conda-forge cudatoolkit=11.8.0
python3 -m pip install nvidia-cudnn-cu11==8.6.0.163 tensorflow==2.13.*
mkdir -p $CONDA_PREFIX/etc/conda/activate.d
echo 'CUDNN_PATH=$(dirname $(python -c "import nvidia.cudnn;print(nvidia.cudnn.__file__)"))' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
echo 'export LD_LIBRARY_PATH=$CUDNN_PATH/lib:$CONDA_PREFIX/lib/:$LD_LIBRARY_PATH' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
source $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
# Verify install:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
سیستم عامل مک
# There is currently no official GPU support for MacOS.
python3 -m pip install tensorflow
# Verify install:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
ویندوز بومی
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
# Anything above 2.10 is not supported on the GPU on Windows Native
python -m pip install "tensorflow<2.11"
# Verify install:
python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
ویندوز WSL2
conda install -c conda-forge cudatoolkit=11.8.0
python3 -m pip install nvidia-cudnn-cu11==8.6.0.163 tensorflow==2.13.*
mkdir -p $CONDA_PREFIX/etc/conda/activate.d
echo 'CUDNN_PATH=$(dirname $(python -c "import nvidia.cudnn;print(nvidia.cudnn.__file__)"))' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
echo 'export LD_LIBRARY_PATH=$CUDNN_PATH/lib:$CONDA_PREFIX/lib/:$LD_LIBRARY_PATH' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
source $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
# Verify install:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
CPU
python3 -m pip install tensorflow
# Verify install:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
شبانه
python3 -m pip install tf-nightly
# Verify install:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
الزامات سخت افزاری
دستگاه های مجهز به GPU زیر پشتیبانی می شوند:
- کارت گرافیک NVIDIA® با معماری CUDA® 3.5، 5.0، 6.0، 7.0، 7.5، 8.0 و بالاتر. لیست کارتهای GPU با قابلیت CUDA® را ببینید.
- برای پردازندههای گرافیکی با معماریهای CUDA® پشتیبانینشده، یا برای جلوگیری از کامپایل JIT از PTX، یا استفاده از نسخههای مختلف کتابخانههای NVIDIA®، به راهنمای ساخت Linux از منبع مراجعه کنید.
- بسته ها به جز آخرین معماری CUDA پشتیبانی شده، حاوی کد PTX نیستند. بنابراین، وقتی
CUDA_FORCE_PTX_JIT=1
تنظیم شده باشد، TensorFlow روی GPU های قدیمی بارگذاری نمی شود. (برای جزئیات بیشتر به سازگاری برنامه مراجعه کنید.)
سیستم مورد نیاز
- اوبونتو 16.04 یا بالاتر (64 بیتی)
- macOS 10.12.6 (Sierra) یا بالاتر (64 بیتی) (بدون پشتیبانی از GPU)
- Windows Native - Windows 7 یا بالاتر (64 بیتی) (بعد از TF 2.10 پشتیبانی از GPU وجود ندارد)
- Windows WSL2 - Windows 10 19044 یا بالاتر (64 بیت)
الزامات نرم افزاری
- پایتون 3.8-3.11
- pip نسخه 19.0 یا بالاتر برای لینوکس (نیاز به پشتیبانی
manylinux2014
) و ویندوز. pip نسخه 20.3 یا بالاتر برای macOS. - Windows Native به Microsoft Visual C++ قابل توزیع مجدد برای Visual Studio 2015، 2017 و 2019 نیاز دارد
نرم افزار NVIDIA® زیر فقط برای پشتیبانی GPU مورد نیاز است.
- درایورهای کارت گرافیک NVIDIA® نسخه 450.80.02 یا بالاتر.
- CUDA® Toolkit 11.8 .
- cuDNN SDK 8.6.0 .
- (اختیاری) TensorRT برای بهبود تاخیر و توان عملیاتی برای استنتاج.
دستورالعمل های گام به گام
لینوکس
1. سیستم مورد نیاز
- اوبونتو 16.04 یا بالاتر (64 بیتی)
TensorFlow فقط به طور رسمی از اوبونتو پشتیبانی می کند. با این حال، دستورالعملهای زیر ممکن است برای سایر توزیعهای لینوکس نیز کار کنند.
2. Miniconda را نصب کنید
Miniconda رویکرد توصیه شده برای نصب TensorFlow با پشتیبانی از GPU است. این یک محیط مجزا برای جلوگیری از تغییر هر نرم افزار نصب شده در سیستم شما ایجاد می کند. این نیز ساده ترین راه برای نصب نرم افزار مورد نیاز مخصوصاً برای راه اندازی GPU است.
برای نصب Miniconda می توانید از دستور زیر استفاده کنید. در حین نصب، ممکن است لازم باشد اینتر را فشار داده و "yes" را تایپ کنید.
curl https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -o Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
ممکن است لازم باشد ترمینال یا source ~/.bashrc
خود را مجددا راه اندازی کنید تا دستور conda
را فعال کنید. از conda -V
برای تست موفقیت آمیز بودن نصب آن استفاده کنید.
3. یک محیط کوندا ایجاد کنید
با دستور زیر یک محیط conda جدید به نام tf
ایجاد کنید.
conda create --name tf python=3.9
با دستورات زیر می توانید آن را غیرفعال و فعال کنید.
conda deactivate
conda activate tf
مطمئن شوید که برای بقیه مراحل نصب فعال است.
4. راه اندازی GPU
اگر فقط TensorFlow را روی CPU اجرا می کنید، می توانید از این بخش رد شوید.
اگر نصب نکرده اید ابتدا درایور کارت گرافیک NVIDIA را نصب کنید. می توانید از دستور زیر برای بررسی نصب بودن آن استفاده کنید.
nvidia-smi
سپس CUDA و cuDNN را با conda و pip نصب کنید.
conda install -c conda-forge cudatoolkit=11.8.0
pip install nvidia-cudnn-cu11==8.6.0.163
مسیرهای سیستم را پیکربندی کنید. هر بار که ترمینال جدیدی را بعد از فعال کردن محیط conda خود راه اندازی می کنید، می توانید با دستور زیر این کار را انجام دهید.
CUDNN_PATH=$(dirname $(python -c "import nvidia.cudnn;print(nvidia.cudnn.__file__)"))
export LD_LIBRARY_PATH=$CUDNN_PATH/lib:$CONDA_PREFIX/lib/:$LD_LIBRARY_PATH
برای راحتی شما توصیه می شود با دستورات زیر آن را خودکار کنید. هنگامی که این محیط conda را فعال کنید، مسیرهای سیستم به طور خودکار پیکربندی می شوند.
mkdir -p $CONDA_PREFIX/etc/conda/activate.d
echo 'CUDNN_PATH=$(dirname $(python -c "import nvidia.cudnn;print(nvidia.cudnn.__file__)"))' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
echo 'export LD_LIBRARY_PATH=$CUDNN_PATH/lib:$CONDA_PREFIX/lib/:$LD_LIBRARY_PATH' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
5. TensorFlow را نصب کنید
TensorFlow به نسخه اخیر پیپ نیاز دارد، بنابراین نصب پیپ خود را ارتقا دهید تا مطمئن شوید که آخرین نسخه را اجرا می کنید.
pip install --upgrade pip
سپس تنسورفلو را با پیپ نصب کنید.
pip install tensorflow==2.13.*
6. تایید نصب
بررسی تنظیمات CPU:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
اگر یک تانسور برگردانده شود، شما TensorFlow را با موفقیت نصب کرده اید.
تنظیم GPU را تأیید کنید:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
اگر لیستی از دستگاه های GPU برگردانده شود، TensorFlow را با موفقیت نصب کرده اید.
اوبونتو 22.04
در اوبونتو 22.04 ممکن است با خطای زیر مواجه شوید:
Can't find libdevice directory ${CUDA_DIR}/nvvm/libdevice.
...
Couldn't invoke ptxas --version
...
InternalError: libdevice not found at ./libdevice.10.bc [Op:__some_op]
برای رفع این خطا باید دستورات زیر را اجرا کنید.
# Install NVCC
conda install -c nvidia cuda-nvcc=11.3.58
# Configure the XLA cuda directory
mkdir -p $CONDA_PREFIX/etc/conda/activate.d
printf 'export XLA_FLAGS=--xla_gpu_cuda_data_dir=$CONDA_PREFIX/lib/\n' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
source $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
# Copy libdevice file to the required path
mkdir -p $CONDA_PREFIX/lib/nvvm/libdevice
cp $CONDA_PREFIX/lib/libdevice.10.bc $CONDA_PREFIX/lib/nvvm/libdevice/
سیستم عامل مک
1. سیستم مورد نیاز
- macOS 10.12.6 (Sierra) یا بالاتر (64 بیتی)
در حال حاضر هیچ پشتیبانی رسمی GPU برای اجرای TensorFlow در MacOS وجود ندارد. دستورالعمل های زیر برای اجرا بر روی CPU هستند.
2. نسخه پایتون را بررسی کنید
بررسی کنید که آیا محیط پایتون شما قبلاً پیکربندی شده است:
python3 --version
python3 -m pip --version
3. Miniconda را نصب کنید
Miniconda رویکرد توصیه شده برای نصب TensorFlow است. این یک محیط مجزا برای جلوگیری از تغییر هر نرم افزار نصب شده در سیستم شما ایجاد می کند.
Miniconda را نصب کنید:
curl https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-x86_64.sh -o Miniconda3-latest-MacOSX-x86_64.sh
bash Miniconda3-latest-MacOSX-x86_64.sh
ممکن است لازم باشد ترمینال یا source ~/.bashrc
خود را مجددا راه اندازی کنید تا دستور conda
را فعال کنید. از conda -V
برای تست موفقیت آمیز بودن نصب آن استفاده کنید.
4. یک محیط کوندا ایجاد کنید
با دستور زیر یک محیط conda جدید به نام tf
ایجاد کنید.
conda create --name tf python=3.9
با دستورات زیر می توانید آن را غیرفعال و فعال کنید.
conda deactivate
conda activate tf
مطمئن شوید که برای بقیه مراحل نصب فعال است.
5. TensorFlow را نصب کنید
TensorFlow به نسخه اخیر پیپ نیاز دارد، بنابراین نصب پیپ خود را ارتقا دهید تا مطمئن شوید که آخرین نسخه را اجرا می کنید.
pip install --upgrade pip
سپس تنسورفلو را با پیپ نصب کنید.
pip install tensorflow
6. تایید نصب
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
اگر یک تانسور برگردانده شود، شما TensorFlow را با موفقیت نصب کرده اید.
ویندوز بومی
1. سیستم مورد نیاز
- ویندوز 7 یا بالاتر (64 بیت)
2. Microsoft Visual C++ Redistributable را نصب کنید
Microsoft Visual C++ Redistributable را برای Visual Studio 2015، 2017 و 2019 نصب کنید. با شروع نسخه TensorFlow 2.1.0، فایل msvcp140_1.dll
از این بسته مورد نیاز است (که ممکن است از بسته های قابل توزیع مجدد قدیمی ارائه نشود). قابل توزیع مجدد با Visual Studio 2019 ارائه می شود اما می توان آن را به طور جداگانه نصب کرد:
- به دانلودهای Microsoft Visual C++ بروید.
- صفحه را به سمت پایین اسکرول کنید و به بخش Visual Studio 2015، 2017 و 2019 بروید .
- Microsoft Visual C++ Redistributable را برای Visual Studio 2015، 2017 و 2019 برای پلتفرم خود دانلود و نصب کنید.
مطمئن شوید که مسیرهای طولانی در ویندوز فعال هستند .
3. Miniconda را نصب کنید
Miniconda رویکرد توصیه شده برای نصب TensorFlow با پشتیبانی از GPU است. این یک محیط مجزا برای جلوگیری از تغییر هر نرم افزار نصب شده در سیستم شما ایجاد می کند. این نیز ساده ترین راه برای نصب نرم افزار مورد نیاز مخصوصاً برای راه اندازی GPU است.
Miniconda Windows Installer را دانلود کنید. روی فایل دانلود شده دوبار کلیک کنید و دستورالعمل های روی صفحه را دنبال کنید.
4. یک محیط کوندا ایجاد کنید
با دستور زیر یک محیط conda جدید به نام tf
ایجاد کنید.
conda create --name tf python=3.9
با دستورات زیر می توانید آن را غیرفعال و فعال کنید.
conda deactivate
conda activate tf
مطمئن شوید که برای بقیه مراحل نصب فعال است.
5. راه اندازی GPU
اگر فقط TensorFlow را روی CPU اجرا می کنید، می توانید از این بخش رد شوید.
اگر نصب نکرده اید ابتدا درایور کارت گرافیک NVIDIA را نصب کنید.
سپس CUDA، cuDNN را با conda نصب کنید.
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
6. TensorFlow را نصب کنید
TensorFlow به نسخه اخیر پیپ نیاز دارد، بنابراین نصب پیپ خود را ارتقا دهید تا مطمئن شوید که آخرین نسخه را اجرا می کنید.
pip install --upgrade pip
سپس تنسورفلو را با پیپ نصب کنید.
# Anything above 2.10 is not supported on the GPU on Windows Native
pip install "tensorflow<2.11"
7. تایید نصب
بررسی تنظیمات CPU:
python -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
اگر یک تانسور برگردانده شود، شما TensorFlow را با موفقیت نصب کرده اید.
تنظیم GPU را تأیید کنید:
python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
اگر لیستی از دستگاه های GPU برگردانده شود، TensorFlow را با موفقیت نصب کرده اید.
ویندوز WSL2
1. سیستم مورد نیاز
- ویندوز 10 19044 یا بالاتر (64 بیت). این مربوط به ویندوز 10 نسخه 21H2، بهروزرسانی نوامبر 2021 است.
به اسناد زیر مراجعه کنید:
- آخرین آپدیت ویندوز 10 را دانلود کنید .
- WSL2 را نصب کنید
- پشتیبانی NVIDIA® GPU را در WSL2 راه اندازی کنید
2. Miniconda را نصب کنید
Miniconda رویکرد توصیه شده برای نصب TensorFlow با پشتیبانی از GPU است. این یک محیط مجزا برای جلوگیری از تغییر هر نرم افزار نصب شده در سیستم شما ایجاد می کند. این نیز ساده ترین راه برای نصب نرم افزار مورد نیاز مخصوصاً برای راه اندازی GPU است.
برای نصب Miniconda می توانید از دستور زیر استفاده کنید. در حین نصب، ممکن است لازم باشد اینتر را فشار داده و "yes" را تایپ کنید.
curl https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -o Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
ممکن است لازم باشد ترمینال یا source ~/.bashrc
خود را مجددا راه اندازی کنید تا دستور conda
را فعال کنید. از conda -V
برای تست موفقیت آمیز بودن نصب آن استفاده کنید.
3. یک محیط کوندا ایجاد کنید
با دستور زیر یک محیط conda جدید به نام tf
ایجاد کنید.
conda create --name tf python=3.9
با دستورات زیر می توانید آن را غیرفعال و فعال کنید.
conda deactivate
conda activate tf
مطمئن شوید که برای بقیه مراحل نصب فعال است.
4. راه اندازی GPU
اگر فقط TensorFlow را روی CPU اجرا می کنید، می توانید از این بخش رد شوید.
اگر نصب نکرده اید ابتدا درایور کارت گرافیک NVIDIA را نصب کنید. می توانید از دستور زیر برای بررسی نصب بودن آن استفاده کنید.
nvidia-smi
سپس CUDA و cuDNN را با conda و pip نصب کنید.
conda install -c conda-forge cudatoolkit=11.8.0
pip install nvidia-cudnn-cu11==8.6.0.163
مسیرهای سیستم را پیکربندی کنید. هر زمان که یک ترمینال جدید را بعد از فعال کردن محیط conda خود راه اندازی می کنید، می توانید این کار را با دستور زیر انجام دهید.
CUDNN_PATH=$(dirname $(python -c "import nvidia.cudnn;print(nvidia.cudnn.__file__)"))
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CUDNN_PATH/lib:$CONDA_PREFIX/lib/
برای راحتی شما توصیه می شود با دستورات زیر آن را خودکار کنید. هنگامی که این محیط conda را فعال کنید، مسیرهای سیستم به طور خودکار پیکربندی می شوند.
mkdir -p $CONDA_PREFIX/etc/conda/activate.d
echo 'CUDNN_PATH=$(dirname $(python -c "import nvidia.cudnn;print(nvidia.cudnn.__file__)"))' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CUDNN_PATH/lib:$CONDA_PREFIX/lib/' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
5. TensorFlow را نصب کنید
TensorFlow به نسخه اخیر پیپ نیاز دارد، بنابراین نصب پیپ خود را ارتقا دهید تا مطمئن شوید که آخرین نسخه را اجرا می کنید.
pip install --upgrade pip
سپس تنسورفلو را با پیپ نصب کنید.
pip install tensorflow==2.13.*
6. تایید نصب
بررسی تنظیمات CPU:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
اگر یک تانسور برگردانده شود، شما TensorFlow را با موفقیت نصب کرده اید.
تنظیم GPU را تأیید کنید:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
اگر لیستی از دستگاه های GPU برگردانده شود، TensorFlow را با موفقیت نصب کرده اید.
محل بسته بندی
چند مکانیسم نصب نیاز به URL بسته TensorFlow Python دارند. مقداری که مشخص می کنید به نسخه پایتون شما بستگی دارد.