Ce guide concerne la dernière version stable de TensorFlow. Pour la version d'aperçu (nightly) , utilisez le package pip nommé tf-nightly
. Reportez-vous à ces tableaux pour connaître les exigences relatives aux anciennes versions de TensorFlow. Pour la version CPU uniquement, utilisez le package pip nommé tensorflow-cpu
.
Voici les versions rapides des commandes d'installation. Faites défiler vers le bas pour les instructions étape par étape.
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])))"
Windows natif
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'))"
Windows WSL2
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'))"
CPU
python3 -m pip install tensorflow
# Verify install:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
Chaque nuit
python3 -m pip install tf-nightly
# Verify install:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
Exigences matérielles
Les appareils compatibles GPU suivants sont pris en charge :
- Carte GPU NVIDIA® avec architectures CUDA® 3.5, 5.0, 6.0, 7.0, 7.5, 8.0 et supérieures. Consultez la liste des cartes GPU compatibles CUDA® .
- Pour les GPU avec des architectures CUDA® non prises en charge, ou pour éviter la compilation JIT à partir de PTX, ou pour utiliser différentes versions des bibliothèques NVIDIA®, consultez le guide Linux build from source .
- Les packages ne contiennent pas de code PTX, à l'exception de la dernière architecture CUDA® prise en charge ; par conséquent, TensorFlow ne parvient pas à se charger sur les GPU plus anciens lorsque
CUDA_FORCE_PTX_JIT=1
est défini. (Voir Compatibilité des applications pour plus de détails.)
Configuration requise
- Ubuntu 16.04 ou supérieur (64 bits)
- macOS 10.12.6 (Sierra) ou supérieur (64 bits) (pas de prise en charge GPU)
- Windows Native - Windows 7 ou supérieur (64 bits) (pas de prise en charge GPU après TF 2.10)
- Windows WSL2 - Windows 10 19044 ou supérieur (64 bits)
Logiciels requis
- Python 3.8–3.11
- pip version 19.0 ou supérieure pour Linux (nécessite la prise en charge
manylinux2014
) et Windows. pip version 20.3 ou supérieure pour macOS. - Windows Native nécessite Microsoft Visual C++ Redistributable pour Visual Studio 2015, 2017 et 2019
Les logiciels NVIDIA® suivants ne sont requis que pour la prise en charge du GPU.
- Pilotes NVIDIA® GPU version 450.80.02 ou supérieure.
- Boîte à outils CUDA® 11.8 .
- cuDNN SDK 8.6.0 .
- (Facultatif) TensorRT pour améliorer la latence et le débit pour l'inférence.
Instructions étape par étape
Linux
1. Configuration requise
- Ubuntu 16.04 ou supérieur (64 bits)
TensorFlow ne prend officiellement en charge qu'Ubuntu. Cependant, les instructions suivantes peuvent également fonctionner pour d'autres distributions Linux.
2. Installer Miniconda
Miniconda est l'approche recommandée pour installer TensorFlow avec prise en charge GPU. Il crée un environnement séparé pour éviter de modifier les logiciels installés sur votre système. C'est également le moyen le plus simple d'installer le logiciel requis, en particulier pour la configuration du GPU.
Vous pouvez utiliser la commande suivante pour installer Miniconda. Lors de l'installation, vous devrez peut-être appuyer sur Entrée et taper "oui".
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
Vous devrez peut-être redémarrer votre terminal ou source ~/.bashrc
pour activer la commande conda
. Utilisez conda -V
pour tester s'il est installé avec succès.
3. Créer un environnement conda
Créez un nouvel environnement conda nommé tf
avec la commande suivante.
conda create --name tf python=3.9
Vous pouvez le désactiver et l'activer avec les commandes suivantes.
conda deactivate
conda activate tf
Assurez-vous qu'il est activé pour le reste de l'installation.
4. Configuration du processeur graphique
Vous pouvez ignorer cette section si vous n'exécutez TensorFlow que sur le processeur.
Installez d'abord le pilote NVIDIA GPU si ce n'est pas le cas. Vous pouvez utiliser la commande suivante pour vérifier qu'il est installé.
nvidia-smi
Installez ensuite CUDA et cuDNN avec conda et pip.
conda install -c conda-forge cudatoolkit=11.8.0
pip install nvidia-cudnn-cu11==8.6.0.163
Configurez les chemins système. Vous pouvez le faire avec la commande suivante chaque fois que vous démarrez un nouveau terminal après avoir activé votre environnement 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
Pour votre commodité, il est recommandé de l'automatiser avec les commandes suivantes. Les chemins système seront automatiquement configurés lorsque vous activerez cet environnement 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. Installez TensorFlow
TensorFlow nécessite une version récente de pip, alors mettez à niveau votre installation pip pour vous assurer que vous utilisez la dernière version.
pip install --upgrade pip
Ensuite, installez TensorFlow avec pip.
pip install tensorflow==2.12.*
6. Vérifiez l'installation
Vérifiez la configuration du processeur :
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
Si un tenseur est renvoyé, vous avez installé TensorFlow avec succès.
Vérifiez la configuration du GPU :
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
Si une liste de périphériques GPU est renvoyée, vous avez installé TensorFlow avec succès.
Ubuntu 22.04
Dans Ubuntu 22.04, vous pouvez rencontrer l'erreur suivante :
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]
Pour corriger cette erreur, vous devrez exécuter les commandes suivantes.
# 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. Configuration requise
- macOS 10.12.6 (Sierra) ou supérieur (64 bits)
Actuellement, il n'y a pas de support GPU officiel pour exécuter TensorFlow sur MacOS. Les instructions suivantes concernent l'exécution sur le processeur.
2. Vérifier la version de Python
Vérifiez si votre environnement Python est déjà configuré :
python3 --version
python3 -m pip --version
2. Installer Miniconda
Miniconda est l'approche recommandée pour installer TensorFlow avec prise en charge GPU. Il crée un environnement séparé pour éviter de modifier les logiciels installés sur votre système. C'est également le moyen le plus simple d'installer le logiciel requis, en particulier pour la configuration du 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
Vous devrez peut-être redémarrer votre terminal ou source ~/.bashrc
pour activer la commande conda
. Utilisez conda -V
pour tester s'il est installé avec succès.
4. Créer un environnement conda
Créez un nouvel environnement conda nommé tf
avec la commande suivante.
conda create --name tf python=3.9
Vous pouvez le désactiver et l'activer avec les commandes suivantes.
conda deactivate
conda activate tf
Assurez-vous qu'il est activé pour le reste de l'installation.
5. Installez TensorFlow
TensorFlow nécessite une version récente de pip, alors mettez à niveau votre installation pip pour vous assurer que vous utilisez la dernière version.
pip install --upgrade pip
Ensuite, installez TensorFlow avec pip.
pip install tensorflow
6. Vérifiez l'installation
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
Si un tenseur est renvoyé, vous avez installé TensorFlow avec succès.
Windows natif
1. Configuration requise
- Windows 7 ou supérieur (64 bits)
2. Installez le redistribuable Microsoft Visual C++
Installez le redistribuable Microsoft Visual C++ pour Visual Studio 2015, 2017 et 2019 . À partir de la version 2.1.0 de TensorFlow, le fichier msvcp140_1.dll
est requis à partir de ce package (qui peut ne pas être fourni par les anciens packages redistribuables). Le redistribuable est livré avec Visual Studio 2019 mais peut être installé séparément :
- Accédez aux téléchargements de Microsoft Visual C++ .
- Faites défiler la page jusqu'à la section Visual Studio 2015, 2017 et 2019 .
- Téléchargez et installez Microsoft Visual C++ Redistributable pour Visual Studio 2015, 2017 et 2019 pour votre plateforme.
Assurez-vous que les chemins longs sont activés sous Windows.
3. Installer Miniconda
Miniconda est l'approche recommandée pour installer TensorFlow avec prise en charge GPU. Il crée un environnement séparé pour éviter de modifier les logiciels installés sur votre système. C'est également le moyen le plus simple d'installer le logiciel requis, en particulier pour la configuration du GPU.
Téléchargez le programme d'installation Windows de Miniconda . Double-cliquez sur le fichier téléchargé et suivez les instructions à l'écran.
4. Créer un environnement conda
Créez un nouvel environnement conda nommé tf
avec la commande suivante.
conda create --name tf python=3.9
Vous pouvez le désactiver et l'activer avec les commandes suivantes.
conda deactivate
conda activate tf
Assurez-vous qu'il est activé pour le reste de l'installation.
5. Configuration du processeur graphique
Vous pouvez ignorer cette section si vous n'exécutez TensorFlow que sur le processeur.
Installez d'abord le pilote NVIDIA GPU si ce n'est pas le cas.
Ensuite, installez le CUDA, cuDNN avec conda.
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
6. Installez TensorFlow
TensorFlow nécessite une version récente de pip, alors mettez à niveau votre installation pip pour vous assurer que vous utilisez la dernière version.
pip install --upgrade pip
Ensuite, installez TensorFlow avec pip.
# Anything above 2.10 is not supported on the GPU on Windows Native
pip install "tensorflow<2.11"
7. Vérifiez l'installation
Vérifiez la configuration du processeur :
python -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
Si un tenseur est renvoyé, vous avez installé TensorFlow avec succès.
Vérifiez la configuration du GPU :
python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
Si une liste de périphériques GPU est renvoyée, vous avez installé TensorFlow avec succès.
Windows WSL2
1. Configuration requise
- Windows 10 19044 ou supérieur (64 bits). Cela correspond à Windows 10 version 21H2, la mise à jour de novembre 2021.
Consultez les documents suivants pour :
- Téléchargez la dernière mise à jour de Windows 10 .
- Installer WSL2
- Configuration de la prise en charge du GPU NVIDIA® dans WSL2
2. Installer Miniconda
Miniconda est l'approche recommandée pour installer TensorFlow avec prise en charge GPU. Il crée un environnement séparé pour éviter de modifier les logiciels installés sur votre système. C'est également le moyen le plus simple d'installer le logiciel requis, en particulier pour la configuration du GPU.
Vous pouvez utiliser la commande suivante pour installer Miniconda. Lors de l'installation, vous devrez peut-être appuyer sur Entrée et taper "oui".
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
Vous devrez peut-être redémarrer votre terminal ou source ~/.bashrc
pour activer la commande conda
. Utilisez conda -V
pour tester s'il est installé avec succès.
3. Créer un environnement conda
Créez un nouvel environnement conda nommé tf
avec la commande suivante.
conda create --name tf python=3.9
Vous pouvez le désactiver et l'activer avec les commandes suivantes.
conda deactivate
conda activate tf
Assurez-vous qu'il est activé pour le reste de l'installation.
4. Configuration du processeur graphique
Vous pouvez ignorer cette section si vous n'exécutez TensorFlow que sur le processeur.
Installez d'abord le pilote NVIDIA GPU si ce n'est pas le cas. Vous pouvez utiliser la commande suivante pour vérifier qu'il est installé.
nvidia-smi
Installez ensuite CUDA et cuDNN avec conda et pip.
conda install -c conda-forge cudatoolkit=11.8.0
pip install nvidia-cudnn-cu11==8.6.0.163
Configurez les chemins système. Vous pouvez le faire avec la commande suivante chaque fois que vous démarrez un nouveau terminal après avoir activé votre environnement 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
Pour votre commodité, il est recommandé de l'automatiser avec les commandes suivantes. Les chemins système seront automatiquement configurés lorsque vous activerez cet environnement 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. Installez TensorFlow
TensorFlow nécessite une version récente de pip, alors mettez à niveau votre installation pip pour vous assurer que vous utilisez la dernière version.
pip install --upgrade pip
Ensuite, installez TensorFlow avec pip.
pip install tensorflow==2.12.*
6. Vérifiez l'installation
Vérifiez la configuration du processeur :
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
Si un tenseur est renvoyé, vous avez installé TensorFlow avec succès.
Vérifiez la configuration du GPU :
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
Si une liste de périphériques GPU est renvoyée, vous avez installé TensorFlow avec succès.
Emplacement du colis
Quelques mécanismes d'installation nécessitent l'URL du package TensorFlow Python. La valeur que vous spécifiez dépend de votre version de Python.