Questa guida riguarda l'ultima versione stabile di TensorFlow. Per la build di anteprima (nightly) , utilizzare il pacchetto pip denominato tf-nightly
. Fare riferimento a queste tabelle per i requisiti della versione precedente di TensorFlow. Per la build solo per CPU utilizzare il pacchetto pip denominato tensorflow-cpu
.
Ecco le versioni rapide dei comandi di installazione. Scorri verso il basso per le istruzioni dettagliate.
Linux
conda install -c conda-forge cudatoolkit=11.8.0
python3 -m pip install nvidia-cudnn-cu11==8.6.0.163 tensorflow==2.12.*
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:$CONDA_PREFIX/lib/:$CUDNN_PATH/lib' >> $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'))"
Mac OS
# 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])))"
Nativo di Windows
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'))"
WindowsWSL2
conda install -c conda-forge cudatoolkit=11.8.0
python3 -m pip install nvidia-cudnn-cu11==8.6.0.163 tensorflow==2.12.*
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:$CONDA_PREFIX/lib/:$CUDNN_PATH/lib' >> $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'))"
processore
python3 -m pip install tensorflow
# Verify install:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
Di notte
python3 -m pip install tf-nightly
# Verify install:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
Requisiti hardware
Sono supportati i seguenti dispositivi abilitati per GPU:
- Scheda GPU NVIDIA® con architetture CUDA® 3.5, 5.0, 6.0, 7.0, 7.5, 8.0 e successive. Consulta l'elenco delle schede GPU abilitate per CUDA® .
- Per le GPU con architetture CUDA® non supportate, o per evitare la compilazione JIT da PTX, o per utilizzare versioni diverse delle librerie NVIDIA®, consultare la guida Linux build from source .
- I pacchetti non contengono codice PTX ad eccezione dell'ultima architettura CUDA® supportata; pertanto, TensorFlow non riesce a caricarsi su GPU meno recenti quando è impostato
CUDA_FORCE_PTX_JIT=1
. (Vedi Compatibilità delle applicazioni per i dettagli.)
Requisiti di sistema
- Ubuntu 16.04 o successivo (64 bit)
- macOS 10.12.6 (Sierra) o superiore (64 bit) (nessun supporto GPU)
- Windows Native - Windows 7 o versioni successive (64 bit) (nessun supporto GPU dopo TF 2.10)
- Windows WSL2 - Windows 10 19044 o versioni successive (64 bit)
Requisiti software
- Python 3.8–3.11
- pip versione 19.0 o successiva per Linux (richiede il supporto
manylinux2014
) e Windows. pip versione 20.3 o successiva per macOS. - Windows Native richiede Microsoft Visual C++ Redistributable per Visual Studio 2015, 2017 e 2019
Il seguente software NVIDIA® è richiesto solo per il supporto GPU.
- Driver GPU NVIDIA® versione 450.80.02 o successiva.
- Toolkit CUDA® 11.8 .
- cuDN SDK 8.6.0 .
- (Facoltativo) TensorRT per migliorare la latenza e il throughput per l'inferenza.
Istruzioni passo passo
Linux
1. Requisiti di sistema
- Ubuntu 16.04 o successivo (64 bit)
TensorFlow supporta ufficialmente solo Ubuntu. Tuttavia, le seguenti istruzioni potrebbero funzionare anche per altre distribuzioni Linux.
2. Installare Miniconda
Miniconda è l'approccio consigliato per l'installazione di TensorFlow con supporto GPU. Crea un ambiente separato per evitare di modificare qualsiasi software installato nel sistema. Questo è anche il modo più semplice per installare il software richiesto, specialmente per la configurazione della GPU.
È possibile utilizzare il seguente comando per installare Miniconda. Durante l'installazione, potrebbe essere necessario premere Invio e digitare "yes".
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
Potrebbe essere necessario riavviare il terminale o source ~/.bashrc
per abilitare il comando conda
. Usa conda -V
per verificare se è stato installato correttamente.
3. Creare un ambiente conda
Crea un nuovo ambiente conda denominato tf
con il seguente comando.
conda create --name tf python=3.9
Puoi disattivarlo e attivarlo con i seguenti comandi.
conda deactivate
conda activate tf
Assicurarsi che sia attivato per il resto dell'installazione.
4. Configurazione della GPU
Puoi saltare questa sezione se esegui TensorFlow solo sulla CPU.
Per prima cosa installa il driver della GPU NVIDIA se non lo hai. È possibile utilizzare il seguente comando per verificare che sia installato.
nvidia-smi
Quindi installa CUDA e cuDNN con conda e pip.
conda install -c conda-forge cudatoolkit=11.8.0
pip install nvidia-cudnn-cu11==8.6.0.163
Configurare i percorsi di sistema. Puoi farlo con il seguente comando ogni volta che avvii un nuovo terminale dopo aver attivato il tuo ambiente conda.
CUDNN_PATH=$(dirname $(python -c "import nvidia.cudnn;print(nvidia.cudnn.__file__)"))
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/:$CUDNN_PATH/lib
Per tua comodità, ti consigliamo di automatizzarlo con i seguenti comandi. I percorsi di sistema verranno configurati automaticamente quando si attiva questo ambiente conda.
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:$CONDA_PREFIX/lib/:$CUDNN_PATH/lib' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
5. Installa TensorFlow
TensorFlow richiede una versione recente di pip, quindi aggiorna l'installazione di pip per assicurarti di eseguire l'ultima versione.
pip install --upgrade pip
Quindi, installa TensorFlow con pip.
pip install tensorflow==2.12.*
6. Verificare l'installazione
Verificare la configurazione della CPU:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
Se viene restituito un tensore, hai installato TensorFlow correttamente.
Verifica la configurazione della GPU:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
Se viene restituito un elenco di dispositivi GPU, TensorFlow è stato installato correttamente.
Ubuntu 22.04
In Ubuntu 22.04, potresti riscontrare il seguente errore:
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]
Per correggere questo errore, dovrai eseguire i seguenti comandi.
# 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/
Mac OS
1. Requisiti di sistema
- macOS 10.12.6 (Sierra) o superiore (64 bit)
Attualmente non esiste un supporto GPU ufficiale per l'esecuzione di TensorFlow su MacOS. Le seguenti istruzioni sono per l'esecuzione su CPU.
2. Controlla la versione di Python
Controlla se il tuo ambiente Python è già configurato:
python3 --version
python3 -m pip --version
2. Installare Miniconda
Miniconda è l'approccio consigliato per l'installazione di TensorFlow con supporto GPU. Crea un ambiente separato per evitare di modificare qualsiasi software installato nel sistema. Questo è anche il modo più semplice per installare il software richiesto, specialmente per la configurazione della GPU.
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
Potrebbe essere necessario riavviare il terminale o source ~/.bashrc
per abilitare il comando conda
. Usa conda -V
per verificare se è stato installato correttamente.
4. Creare un ambiente conda
Crea un nuovo ambiente conda denominato tf
con il seguente comando.
conda create --name tf python=3.9
Puoi disattivarlo e attivarlo con i seguenti comandi.
conda deactivate
conda activate tf
Assicurarsi che sia attivato per il resto dell'installazione.
5. Installa TensorFlow
TensorFlow richiede una versione recente di pip, quindi aggiorna l'installazione di pip per assicurarti di eseguire l'ultima versione.
pip install --upgrade pip
Quindi, installa TensorFlow con pip.
pip install tensorflow
6. Verificare l'installazione
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
Se viene restituito un tensore, hai installato TensorFlow correttamente.
Nativo di Windows
1. Requisiti di sistema
- Windows 7 o versioni successive (64 bit)
2. Installare Microsoft Visual C++ Redistributable
Installa Microsoft Visual C++ Redistributable per Visual Studio 2015, 2017 e 2019 . A partire dalla versione TensorFlow 2.1.0, il file msvcp140_1.dll
è richiesto da questo pacchetto (che potrebbe non essere fornito da pacchetti ridistribuibili precedenti). Il ridistribuibile viene fornito con Visual Studio 2019 ma può essere installato separatamente:
- Vai ai download di Microsoft Visual C++ .
- Scorri la pagina fino alla sezione Visual Studio 2015, 2017 e 2019 .
- Scarica e installa Microsoft Visual C++ Redistributable per Visual Studio 2015, 2017 e 2019 per la tua piattaforma.
Assicurati che i percorsi lunghi siano abilitati su Windows.
3. Installa Miniconda
Miniconda è l'approccio consigliato per l'installazione di TensorFlow con supporto GPU. Crea un ambiente separato per evitare di modificare qualsiasi software installato nel sistema. Questo è anche il modo più semplice per installare il software richiesto, specialmente per la configurazione della GPU.
Scarica Miniconda Windows Installer . Fare doppio clic sul file scaricato e seguire le istruzioni sullo schermo.
4. Creare un ambiente conda
Crea un nuovo ambiente conda denominato tf
con il seguente comando.
conda create --name tf python=3.9
Puoi disattivarlo e attivarlo con i seguenti comandi.
conda deactivate
conda activate tf
Assicurarsi che sia attivato per il resto dell'installazione.
5. Configurazione della GPU
Puoi saltare questa sezione se esegui TensorFlow solo sulla CPU.
Installa prima il driver della GPU NVIDIA se non lo hai.
Quindi installare CUDA, cuDNN con conda.
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
6. Installa TensorFlow
TensorFlow richiede una versione recente di pip, quindi aggiorna l'installazione di pip per assicurarti di eseguire l'ultima versione.
pip install --upgrade pip
Quindi, installa TensorFlow con pip.
# Anything above 2.10 is not supported on the GPU on Windows Native
pip install "tensorflow<2.11"
7. Verificare l'installazione
Verificare la configurazione della CPU:
python -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
Se viene restituito un tensore, hai installato TensorFlow correttamente.
Verifica la configurazione della GPU:
python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
Se viene restituito un elenco di dispositivi GPU, TensorFlow è stato installato correttamente.
WindowsWSL2
1. Requisiti di sistema
- Windows 10 19044 o superiore (64 bit). Ciò corrisponde a Windows 10 versione 21H2, l'aggiornamento di novembre 2021.
Consulta i seguenti documenti per:
- Scarica l'ultimo aggiornamento di Windows 10 .
- Installa WSL2
- Configurare il supporto GPU NVIDIA® in WSL2
2. Installare Miniconda
Miniconda è l'approccio consigliato per l'installazione di TensorFlow con supporto GPU. Crea un ambiente separato per evitare di modificare qualsiasi software installato nel sistema. Questo è anche il modo più semplice per installare il software richiesto, specialmente per la configurazione della GPU.
È possibile utilizzare il seguente comando per installare Miniconda. Durante l'installazione, potrebbe essere necessario premere Invio e digitare "yes".
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
Potrebbe essere necessario riavviare il terminale o source ~/.bashrc
per abilitare il comando conda
. Usa conda -V
per verificare se è stato installato correttamente.
3. Creare un ambiente conda
Crea un nuovo ambiente conda denominato tf
con il seguente comando.
conda create --name tf python=3.9
Puoi disattivarlo e attivarlo con i seguenti comandi.
conda deactivate
conda activate tf
Assicurarsi che sia attivato per il resto dell'installazione.
4. Configurazione della GPU
Puoi saltare questa sezione se esegui TensorFlow solo sulla CPU.
Per prima cosa installa il driver della GPU NVIDIA se non lo hai. È possibile utilizzare il seguente comando per verificare che sia installato.
nvidia-smi
Quindi installa CUDA e cuDNN con conda e pip.
conda install -c conda-forge cudatoolkit=11.8.0
pip install nvidia-cudnn-cu11==8.6.0.163
Configurare i percorsi di sistema. Puoi farlo con il seguente comando ogni volta che avvii un nuovo terminale dopo aver attivato il tuo ambiente conda.
CUDNN_PATH=$(dirname $(python -c "import nvidia.cudnn;print(nvidia.cudnn.__file__)"))
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/:$CUDNN_PATH/lib
Per tua comodità, ti consigliamo di automatizzarlo con i seguenti comandi. I percorsi di sistema verranno configurati automaticamente quando si attiva questo ambiente conda.
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:$CONDA_PREFIX/lib/:$CUDNN_PATH/lib' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
5. Installa TensorFlow
TensorFlow richiede una versione recente di pip, quindi aggiorna l'installazione di pip per assicurarti di eseguire l'ultima versione.
pip install --upgrade pip
Quindi, installa TensorFlow con pip.
pip install tensorflow==2.12.*
6. Verificare l'installazione
Verificare la configurazione della CPU:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
Se viene restituito un tensore, hai installato TensorFlow correttamente.
Verifica la configurazione della GPU:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
Se viene restituito un elenco di dispositivi GPU, TensorFlow è stato installato correttamente.
Posizione del pacchetto
Alcuni meccanismi di installazione richiedono l'URL del pacchetto TensorFlow Python. Il valore che specifichi dipende dalla tua versione di Python.