Zainstaluj TensorFlow z pip

Linuks

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'))"

System operacyjny Mac

# 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])))"

Natywny 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'))"

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'))"

procesor

python3 -m pip install tensorflow
# Verify install:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"

Nocny

python3 -m pip install tf-nightly
# Verify install:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"

Linuks

1. Wymagania systemowe

• Ubuntu 16.04 lub nowszy (64-bitowy)

TensorFlow oficjalnie obsługuje tylko Ubuntu. Jednak poniższe instrukcje mogą również działać w przypadku innych dystrybucji Linuksa.

2. Zainstaluj Minicondę

Miniconda to zalecane podejście do instalacji TensorFlow z obsługą GPU. Tworzy osobne środowisko, aby uniknąć zmiany jakiegokolwiek zainstalowanego oprogramowania w systemie. Jest to również najłatwiejszy sposób na zainstalowanie wymaganego oprogramowania, zwłaszcza w przypadku konfiguracji GPU.

Możesz użyć następującego polecenia, aby zainstalować Minicondę. Podczas instalacji może być konieczne naciśnięcie klawisza Enter i wpisanie „tak”.

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

Może być konieczne ponowne uruchomienie terminala lub source ~/.bashrc aby włączyć polecenie conda . Użyj conda -V aby sprawdzić, czy została pomyślnie zainstalowana.

3. Utwórz środowisko Conda

Utwórz nowe środowisko conda o nazwie tf za pomocą następującego polecenia.

conda create --name tf python=3.9

Możesz go dezaktywować i aktywować za pomocą następujących poleceń.

conda deactivate
conda activate tf

Upewnij się, że jest aktywna do końca instalacji.

4. Konfiguracja GPU

Możesz pominąć tę sekcję, jeśli uruchamiasz TensorFlow tylko na procesorze.

Najpierw zainstaluj sterownik GPU NVIDIA, jeśli go nie masz. Możesz użyć następującego polecenia, aby sprawdzić, czy jest zainstalowane.

nvidia-smi

Następnie zainstaluj CUDA i cuDNN z conda i pip.

conda install -c conda-forge cudatoolkit=11.8.0
pip install nvidia-cudnn-cu11==8.6.0.163

Skonfiguruj ścieżki systemowe. Możesz to zrobić za pomocą następującego polecenia za każdym razem, gdy uruchamiasz nowy terminal po aktywacji środowiska 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

Dla Twojej wygody zaleca się zautomatyzowanie go za pomocą następujących poleceń. Ścieżki systemowe zostaną automatycznie skonfigurowane po aktywowaniu tego środowiska 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. Zainstaluj TensorFlow

TensorFlow wymaga najnowszej wersji pip, więc zaktualizuj instalację pip, aby mieć pewność, że korzystasz z najnowszej wersji.

pip install --upgrade pip

Następnie zainstaluj TensorFlow za pomocą pip.

pip install tensorflow==2.12.*

6. Sprawdź instalację

Sprawdź konfigurację procesora:

python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"

Jeśli tensor zostanie zwrócony, pomyślnie zainstalowałeś TensorFlow.

Sprawdź konfigurację GPU:

python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

Jeśli zostanie zwrócona lista urządzeń GPU, pomyślnie zainstalowałeś TensorFlow.

Ubuntu 22.04

W systemie Ubuntu 22.04 może wystąpić następujący błąd:

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]

Aby naprawić ten błąd, musisz uruchomić następujące polecenia.

# 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/

System operacyjny Mac

1. Wymagania systemowe

• macOS 10.12.6 (Sierra) lub nowszy (64-bitowy)

Obecnie nie ma oficjalnej obsługi GPU do uruchamiania TensorFlow w systemie MacOS. Poniższe instrukcje dotyczą uruchamiania na procesorze.

2. Sprawdź wersję Pythona

Sprawdź, czy Twoje środowisko Pythona jest już skonfigurowane:

python3 --version
python3 -m pip --version

2. Zainstaluj Minicondę

Miniconda to zalecane podejście do instalacji TensorFlow z obsługą GPU. Tworzy osobne środowisko, aby uniknąć zmiany jakiegokolwiek zainstalowanego oprogramowania w systemie. Jest to również najłatwiejszy sposób na zainstalowanie wymaganego oprogramowania, zwłaszcza w przypadku konfiguracji 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

Może być konieczne ponowne uruchomienie terminala lub source ~/.bashrc aby włączyć polecenie conda . Użyj conda -V aby sprawdzić, czy została pomyślnie zainstalowana.

4. Utwórz środowisko Conda

Utwórz nowe środowisko conda o nazwie tf za pomocą następującego polecenia.

conda create --name tf python=3.9

Możesz go dezaktywować i aktywować za pomocą następujących poleceń.

conda deactivate
conda activate tf

Upewnij się, że jest aktywna do końca instalacji.

5. Zainstaluj TensorFlow

TensorFlow wymaga najnowszej wersji pip, więc zaktualizuj instalację pip, aby mieć pewność, że korzystasz z najnowszej wersji.

pip install --upgrade pip

Następnie zainstaluj TensorFlow za pomocą pip.

pip install tensorflow

6. Sprawdź instalację

python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"

Jeśli tensor zostanie zwrócony, pomyślnie zainstalowałeś TensorFlow.

Natywny Windows

1. Wymagania systemowe

• Windows 7 lub nowszy (64-bitowy)

2. Zainstaluj pakiet redystrybucyjny Microsoft Visual C++

Zainstaluj pakiet redystrybucyjny Microsoft Visual C++ dla programu Visual Studio 2015, 2017 i 2019 . Począwszy od wersji TensorFlow 2.1.0, plik msvcp140_1.dll jest wymagany z tego pakietu (który może nie być dostarczany ze starszych pakietów redystrybucyjnych). Pakiet redystrybucyjny jest dostarczany z programem Visual Studio 2019 , ale można go zainstalować osobno:

1. Przejdź do pobierania programu Microsoft Visual C++ .
2. Przewiń stronę w dół do sekcji Visual Studio 2015, 2017 i 2019 .
3. Pobierz i zainstaluj pakiet redystrybucyjny Microsoft Visual C++ dla programu Visual Studio 2015, 2017 i 2019 dla swojej platformy.

Upewnij się, że w systemie Windows włączone są długie ścieżki .

3. Zainstaluj Minicondę

Miniconda to zalecane podejście do instalacji TensorFlow z obsługą GPU. Tworzy osobne środowisko, aby uniknąć zmiany jakiegokolwiek zainstalowanego oprogramowania w systemie. Jest to również najłatwiejszy sposób na zainstalowanie wymaganego oprogramowania, zwłaszcza w przypadku konfiguracji GPU.

Pobierz Instalator Windows Miniconda . Kliknij dwukrotnie pobrany plik i postępuj zgodnie z instrukcjami wyświetlanymi na ekranie.

4. Utwórz środowisko Conda

Utwórz nowe środowisko conda o nazwie tf za pomocą następującego polecenia.

conda create --name tf python=3.9

Możesz go dezaktywować i aktywować za pomocą następujących poleceń.

conda deactivate
conda activate tf

Upewnij się, że jest aktywna do końca instalacji.

5. Konfiguracja GPU

Możesz pominąć tę sekcję, jeśli uruchamiasz TensorFlow tylko na CPU.

Najpierw zainstaluj sterownik GPU NVIDIA, jeśli go nie masz.

Następnie zainstaluj CUDA, cuDNN z conda.

conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0

6. Zainstaluj TensorFlow

TensorFlow wymaga najnowszej wersji pip, więc zaktualizuj instalację pip, aby mieć pewność, że korzystasz z najnowszej wersji.

pip install --upgrade pip

Następnie zainstaluj TensorFlow za pomocą pip.

# Anything above 2.10 is not supported on the GPU on Windows Native
pip install "tensorflow<2.11" 

7. Sprawdź instalację

Sprawdź konfigurację procesora:

python -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"

Jeśli tensor zostanie zwrócony, pomyślnie zainstalowałeś TensorFlow.

Sprawdź konfigurację GPU:

python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

Jeśli zostanie zwrócona lista urządzeń GPU, pomyślnie zainstalowałeś TensorFlow.

Windows WSL2

1. Wymagania systemowe

• Windows 10 19044 lub nowszy (64-bitowy). Odpowiada to Windows 10 w wersji 21H2, aktualizacji z listopada 2021 r.

Zobacz następujące dokumenty, aby:

• Pobierz najnowszą aktualizację systemu Windows 10 .
• Zainstaluj WSL2
• Skonfiguruj obsługę GPU NVIDIA® w WSL2

2. Zainstaluj Minicondę

Miniconda to zalecane podejście do instalacji TensorFlow z obsługą GPU. Tworzy osobne środowisko, aby uniknąć zmiany jakiegokolwiek zainstalowanego oprogramowania w systemie. Jest to również najłatwiejszy sposób na zainstalowanie wymaganego oprogramowania, zwłaszcza w przypadku konfiguracji GPU.

Możesz użyć następującego polecenia, aby zainstalować Minicondę. Podczas instalacji może być konieczne naciśnięcie klawisza Enter i wpisanie „tak”.

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

Może być konieczne ponowne uruchomienie terminala lub source ~/.bashrc aby włączyć polecenie conda . Użyj conda -V aby sprawdzić, czy została pomyślnie zainstalowana.

3. Utwórz środowisko Conda

Utwórz nowe środowisko conda o nazwie tf za pomocą następującego polecenia.

conda create --name tf python=3.9

Możesz go dezaktywować i aktywować za pomocą następujących poleceń.

conda deactivate
conda activate tf

Upewnij się, że jest aktywna do końca instalacji.

4. Konfiguracja GPU

Możesz pominąć tę sekcję, jeśli uruchamiasz TensorFlow tylko na procesorze.

Najpierw zainstaluj sterownik GPU NVIDIA, jeśli go nie masz. Możesz użyć następującego polecenia, aby sprawdzić, czy jest zainstalowane.

nvidia-smi

Następnie zainstaluj CUDA i cuDNN z conda i pip.

conda install -c conda-forge cudatoolkit=11.8.0
pip install nvidia-cudnn-cu11==8.6.0.163

Skonfiguruj ścieżki systemowe. Możesz to zrobić za pomocą następującego polecenia za każdym razem, gdy uruchamiasz nowy terminal po aktywacji środowiska 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

Dla Twojej wygody zaleca się zautomatyzowanie go za pomocą następujących poleceń. Ścieżki systemowe zostaną automatycznie skonfigurowane po aktywowaniu tego środowiska 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. Zainstaluj TensorFlow

TensorFlow wymaga najnowszej wersji pip, więc zaktualizuj instalację pip, aby mieć pewność, że korzystasz z najnowszej wersji.

pip install --upgrade pip

Następnie zainstaluj TensorFlow za pomocą pip.

pip install tensorflow==2.12.*

6. Sprawdź instalację

Sprawdź konfigurację procesora:

python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"

Jeśli tensor zostanie zwrócony, pomyślnie zainstalowałeś TensorFlow.

Sprawdź konfigurację GPU:

python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

Jeśli zostanie zwrócona lista urządzeń GPU, pomyślnie zainstalowałeś TensorFlow.