هذا الدليل مخصص لأحدث إصدار ثابت من TensorFlow. لبناء المعاينة (كل ليلة) ، يرجى استخدام حزمة النقطة المسماة tf-nightly . راجع هذه الجداول لمعرفة متطلبات إصدار TensorFlow الأقدم. بالنسبة لمستخدمي TensorFlow 1.x ، يرجى الرجوع إلى دليل الترحيل للترقية إلى TensorFlow 2.
هنا جدول بحث لأوامر التثبيت. قم بالتمرير لأسفل للحصول على الإرشادات خطوة بخطوة.
لينكس
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/
python3 -m pip install tensorflow
# Verify install:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
ماك
# Currently, we do not have 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])))"
شبابيك
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
python3 -m pip install tensorflow
# Verify install:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
وحدة المعالجة المركزية
python3 -m pip install tensorflow
# Verify install:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
ليلا
python3 -m pip install tf-nightly
# Verify install:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
متطلبات الأجهزة
الأجهزة التالية التي تدعم GPU مدعومة:
- بطاقة NVIDIA® GPU مع بنى CUDA® 3.5 و 5.0 و 6.0 و 7.0 و 7.5 و 8.0 وأعلى. راجع قائمة بطاقات GPU التي تدعم CUDA® .
- بالنسبة لوحدات معالجة الرسومات ذات بنيات CUDA® غير المدعومة ، أو لتجنب تجميع JIT من PTX ، أو لاستخدام إصدارات مختلفة من مكتبات NVIDIA® ، راجع دليل إصدار Linux من المصدر .
- لا تحتوي الحزم على كود PTX باستثناء أحدث هندسة CUDA مدعومة ؛ لذلك ، يفشل TensorFlow في التحميل على وحدات معالجة الرسومات الأقدم عند
CUDA_FORCE_PTX_JIT=1. (راجع توافق التطبيق للحصول على التفاصيل.)
متطلبات النظام
- Ubuntu 16.04 أو أعلى (64 بت)
- macOS 10.12.6 (Sierra) أو أعلى (64 بت) (لا يدعم GPU)
- Windows 7 أو أعلى (64 بت)
متطلبات البرنامج
- بايثون 3.7 - 3.10
- إصدار نقطة 19.0 أو أعلى لنظام التشغيل Linux (يتطلب دعم العديد من
manylinux2010) و Windows ، الإصدار 20.3 أو أعلى لنظام التشغيل macOS - يتطلب Windows Microsoft Visual C ++ القابل لإعادة التوزيع لبرنامج Visual Studio 2015 و 2017 و 2019
برنامج NVIDIA® التالي مطلوب فقط لدعم GPU.
- إصدار برامج تشغيل NVIDIA® GPU 450.80.02 أو أعلى.
- مجموعة أدوات CUDA® 11.2.2
- cuDNN SDK 8.1.0 .
- (اختياري) TensorRT لتحسين زمن الانتقال والإنتاجية للاستدلال.
تعليمات خطوه بخطوه
لينكس
نحن ندعم Ubuntu رسميًا فقط. ومع ذلك ، قد تعمل الإرشادات التالية أيضًا مع توزيعات Linux الأخرى.
نوصي باستخدام Miniconda لإنشاء بيئة منفصلة لتجنب تغيير أي برنامج مثبت في نظامك. هذه أيضًا أسهل طريقة لتثبيت البرنامج المطلوب ، خاصة لإعداد GPU.
1. تثبيت Miniconda
يمكنك استخدام الأمر التالي لتثبيت Miniconda. أثناء التثبيت ، قد تحتاج إلى الضغط على إدخال واكتب "نعم".
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
قد تحتاج إلى إعادة تشغيل المحطة أو source ~/.bashrc لتمكين أمر conda . استخدم conda -V لاختبار ما إذا كان قد تم تثبيته بنجاح.
2. خلق بيئة كوندا
قم بإنشاء بيئة conda جديدة تسمى tf باستخدام الأمر التالي.
conda create --name tf python=3.9
يمكنك إلغاء تنشيطه وتنشيطه بالأوامر التالية.
conda deactivate
conda activate tf
يرجى التأكد من تنشيطه لبقية التثبيت.
3. إعداد GPU
يمكنك تخطي هذا القسم إذا قمت بتشغيل TensorFlow على وحدة المعالجة المركزية فقط.
أولاً ، نحتاج إلى تثبيت برنامج تشغيل NVIDIA GPU إذا لم تقم بذلك. يمكنك استخدام الأمر التالي للتحقق من تثبيته.
nvidia-smi
ثم نقوم بتثبيت CUDA و cuDNN مع conda.
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
تكوين مسارات النظام. يمكنك القيام بذلك باستخدام الأمر التالي في كل مرة تبدأ فيها محطة طرفية جديدة بعد تنشيط بيئة conda الخاصة بك.
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/
ومع ذلك ، من أجل راحتك ، نوصي بأتمتة ذلك باستخدام الأوامر التالية. سيتم تكوين مسارات النظام تلقائيًا عند تنشيط بيئة Conda هذه.
mkdir -p $CONDA_PREFIX/etc/conda/activate.d
echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/' > $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
4. قم بتثبيت TensorFlow
يتطلب TensorFlow إصدارًا حديثًا من النقطة ، لذا قم بترقية تثبيت النقطة لديك للتأكد من أنك تقوم بتشغيل أحدث إصدار.
pip install --upgrade pip
ثم قم بتثبيت TensorFlow مع نقطة.
pip install tensorflow
5. تحقق من التثبيت
تحقق من إعداد وحدة المعالجة المركزية:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
إذا تم إرجاع موتر ، فقد قمت بتثبيت TensorFlow بنجاح.
تحقق من إعداد GPU:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
إذا تم إرجاع قائمة بأجهزة GPU ، فهذا يعني أنك قمت بتثبيت TensorFlow بنجاح.
ماك
حاليًا ، ليس لدينا دعم GPU رسمي لتشغيل TensorFlow على MacOS. فيما يلي التعليمات الخاصة بالتشغيل على وحدة المعالجة المركزية.
1. تحقق من إصدار بايثون
تحقق مما إذا كانت بيئة Python قد تم تكوينها بالفعل:
python3 --version
python3 -m pip --version
إذا كان لديك الإصدار الصحيح من Python و Pip ، فيمكنك تخطي الخطوتين التاليتين والانتقال إلى "4. تثبيت TensorFlow". ومع ذلك ، ما زلنا نوصي بعدم تخطي الخطوات. استخدم Miniconda لتثبيت Python و Pip. يقوم بإنشاء بيئة منفصلة لتجنب تغيير أي برنامج مثبت في نظامك.
2. تثبيت Miniconda
يمكنك استخدام الأمر التالي لتثبيت Miniconda. أثناء التثبيت ، قد تحتاج إلى الضغط على إدخال واكتب "نعم".
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
قد تحتاج إلى إعادة تشغيل المحطة أو source ~/.bashrc لتمكين أمر conda . استخدم conda -V لاختبار ما إذا كان قد تم تثبيته بنجاح.
3. إنشاء بيئة كوندا
قم بإنشاء بيئة conda جديدة تسمى tf باستخدام الأمر التالي.
conda create --name tf python=3.9
يمكنك إلغاء تنشيطه وتنشيطه بالأوامر التالية.
conda deactivate
conda activate tf
يرجى التأكد من تنشيطه لبقية التثبيت.
4. قم بتثبيت TensorFlow
يتطلب TensorFlow إصدارًا حديثًا من النقطة ، لذا قم بترقية تثبيت النقطة لديك للتأكد من أنك تقوم بتشغيل أحدث إصدار.
pip install --upgrade pip
ثم قم بتثبيت TensorFlow مع نقطة.
pip install tensorflow
5. تحقق من التثبيت
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
إذا تم إرجاع موتر ، فقد قمت بتثبيت TensorFlow بنجاح.
شبابيك
1. قم بتثبيت Microsoft Visual C ++ Redistributable
قم بتثبيت Microsoft Visual C ++ Redistributable لـ Visual Studio 2015 و 2017 و 2019 . بدءًا من إصدار TensorFlow 2.1.0 ، يكون ملف msvcp140_1.dll مطلوبًا من هذه الحزمة (والذي قد لا يتوفر من الحزم القديمة القابلة لإعادة التوزيع). تأتي القابلة لإعادة التوزيع مع Visual Studio 2019 ولكن يمكن تثبيتها بشكل منفصل:
- انتقل إلى تنزيلات Microsoft Visual C ++ .
- قم بالتمرير لأسفل الصفحة إلى قسم Visual Studio 2015 و 2017 و 2019 .
- قم بتنزيل وتثبيت Microsoft Visual C ++ Redistributable لـ Visual Studio 2015 و 2017 و 2019 للنظام الأساسي الخاص بك.
تأكد من تمكين المسارات الطويلة على Windows.
2. تثبيت Miniconda
نوصي باستخدام Miniconda لإنشاء بيئة منفصلة لتجنب تغيير أي برنامج مثبت في نظامك. هذه أيضًا أسهل طريقة لتثبيت البرنامج المطلوب ، خاصة لإعداد GPU.
قم بتنزيل Miniconda Windows Installer . انقر نقرًا مزدوجًا فوق الملف الذي تم تنزيله واتبع التعليمات التي تظهر على الشاشة.
3. إنشاء بيئة كوندا
قم بإنشاء بيئة conda جديدة تسمى tf باستخدام الأمر التالي.
conda create --name tf python=3.9
يمكنك إلغاء تنشيطه وتنشيطه بالأوامر التالية.
conda deactivate
conda activate tf
يرجى التأكد من تنشيطه لبقية التثبيت.
4. إعداد GPU
يمكنك تخطي هذا القسم إذا قمت بتشغيل TensorFlow على وحدة المعالجة المركزية فقط.
أولاً ، نحتاج إلى تثبيت برنامج تشغيل NVIDIA GPU إذا لم تقم بذلك.
ثم نقوم بتثبيت CUDA و cuDNN مع conda.
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
5. قم بتثبيت TensorFlow
يتطلب TensorFlow إصدارًا حديثًا من النقطة ، لذا قم بترقية تثبيت النقطة لديك للتأكد من أنك تقوم بتشغيل أحدث إصدار.
pip install --upgrade pip
ثم قم بتثبيت TensorFlow مع نقطة.
pip install tensorflow
6. تحقق من التثبيت
تحقق من إعداد وحدة المعالجة المركزية:
python3 -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
إذا تم إرجاع موتر ، فقد قمت بتثبيت TensorFlow بنجاح.
تحقق من إعداد GPU:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
إذا تم إرجاع قائمة بأجهزة GPU ، فهذا يعني أنك قمت بتثبيت TensorFlow بنجاح.
موقع العبوة
تتطلب بعض آليات التثبيت عنوان URL الخاص بحزمة TensorFlow Python. تعتمد القيمة التي تحددها على إصدار Python الخاص بك.