TensorFlow را با پیپ نصب کنید

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=11.2 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'))"

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
python3 -m pip install tensorflow
# Verify install:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

ویندوز WSL2

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'))"

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 - ویندوز 7 یا بالاتر (64 بیت)
  • Windows WSL2 - Windows 10 19044 یا بالاتر (64 بیتی)

الزامات نرم افزاری

نرم افزار NVIDIA® زیر فقط برای پشتیبانی GPU مورد نیاز است.

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. برای جلوگیری از تغییر هر نرم افزار نصب شده در سیستم شما یک محیط مجزا 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 نصب موفقیت آمیز 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 نصب کنید.

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

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.

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/

برای راحتی شما توصیه می شود با دستورات زیر آن را خودکار کنید. با فعال کردن این محیط conda، مسیرهای سیستم به طور خودکار پیکربندی می شوند.

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

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

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.

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 زیر برای اجرا بر روی CPU است.

2. نسخه پایتون را بررسی کنید

بررسی کنید که آیا محیط پایتون شما قبلاً پیکربندی شده است:

python3 --version
python3 -m pip --version

2. Miniconda را نصب کنید

Miniconda رویکرد توصیه شده برای نصب TensorFlow با پشتیبانی از GPU است. برای جلوگیری از تغییر هر نرم افزار نصب شده در سیستم شما یک محیط مجزا ایجاد می کند. این نیز ساده ترین راه برای نصب نرم افزار مورد نیاز مخصوصاً برای راه اندازی GPU است.

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 نصب موفقیت آمیز 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:

  1. به دانلودهای Microsoft Visual C++ بروید.
  2. صفحه را به سمت پایین اسکرول کنید تا به بخش Visual Studio 2015، 2017 و 2019 برسید .
  3. 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. برای جلوگیری از تغییر هر نرم افزار نصب شده در سیستم شما یک محیط مجزا 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 این بخش را نادیده بگیرید.

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.

pip install tensorflow

7. 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.

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 مدارک زیر مراجعه کنید:

2. Miniconda را نصب کنید

Miniconda رویکرد توصیه شده برای نصب TensorFlow با پشتیبانی از GPU است. برای جلوگیری از تغییر هر نرم افزار نصب شده در سیستم شما یک محیط مجزا 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 نصب موفقیت آمیز 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 نصب کنید.

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

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.

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/

برای راحتی شما توصیه می شود با دستورات زیر آن را خودکار کنید. با فعال کردن این محیط conda، مسیرهای سیستم به طور خودکار پیکربندی می شوند.

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

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

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.

نسخه URL
لینوکس
پشتیبانی از پردازنده گرافیکی پایتون 3.7 https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-2.9.0-cp37-cp37m-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
Python 3.7 فقط با CPU https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow_cpu-2.9.0-cp37-cp37m-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
پشتیبانی از GPU پایتون 3.8 https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-2.9.0-cp38-cp38-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
Python 3.8 فقط با CPU https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow_cpu-2.9.0-cp38-cp38-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
پشتیبانی از GPU پایتون 3.9 https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-2.9.0-cp39-cp39-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
Python 3.9 فقط با CPU https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow_cpu-2.9.0-cp39-cp39-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
پشتیبانی از GPU پایتون 3.10 https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-2.9.0-cp310-cp310-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
Python 3.10 فقط با CPU https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow_cpu-2.9.0-cp310-cp310-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
macOS (فقط CPU)
پایتون 3.7 https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-2.9.0-cp37-cp37m-macosx_10_14_x86_64.whl
پایتون 3.8 https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-2.9.0-cp38-cp38-macosx_10_14_x86_64.whl
پایتون 3.9 https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-2.9.0-cp39-cp39-macosx_10_14_x86_64.whl
پایتون 3.10 https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-2.9.0-cp310-cp310-macosx_10_14_x86_64.whl
پنجره ها
پشتیبانی از GPU پایتون 3.7 https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-2.9.0-cp37-cp37m-win_amd64.whl
Python 3.7 فقط با CPU https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_cpu-2.9.0-cp37-cp37m-win_amd64.whl
پشتیبانی از GPU پایتون 3.8 https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-2.9.0-cp38-cp38-win_amd64.whl
Python 3.8 فقط با CPU https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_cpu-2.9.0-cp38-cp38-win_amd64.whl
پشتیبانی از GPU پایتون 3.9 https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-2.9.0-cp39-cp39-win_amd64.whl
Python 3.9 فقط با CPU https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_cpu-2.9.0-cp39-cp39-win_amd64.whl
پشتیبانی از GPU پایتون 3.10 https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-2.9.0-cp310-cp310-win_amd64.whl
Python 3.10 فقط با CPU https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_cpu-2.9.0-cp310-cp310-win_amd64.whl