Zainstaluj TensorFlow z pip

Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.

Ten przewodnik dotyczy najnowszej stabilnej wersji TensorFlow. W przypadku wersji zapoznawczej (nightly) użyj pakietu pip o nazwie tf-nightly . Zapoznaj się z tymi tabelami , aby zapoznać się ze starszymi wymaganiami wersji TensorFlow. W przypadku kompilacji tylko dla procesora użyj pakietu pip o nazwie tensorflow-cpu .

Oto krótkie wersje poleceń instalacji. Przewiń w dół, aby uzyskać szczegółowe instrukcje.

Linux

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'))"

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 system Windows

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'))"

Windows 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'))"

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])))"

Wymagania sprzętowe

Obsługiwane są następujące urządzenia z obsługą GPU:

  • Karta graficzna NVIDIA® z architekturą CUDA® 3.5, 5.0, 6.0, 7.0, 7.5, 8.0 i nowszą. Zobacz listę kart graficznych obsługujących CUDA® .
  • W przypadku procesorów graficznych z nieobsługiwaną architekturą CUDA® lub w celu uniknięcia kompilacji JIT z PTX lub korzystania z różnych wersji bibliotek NVIDIA® zapoznaj się z przewodnikiem dotyczącym budowania systemu Linux ze źródła .
  • Pakiety nie zawierają kodu PTX z wyjątkiem najnowszej obsługiwanej architektury CUDA®; dlatego TensorFlow nie ładuje się na starszych procesorach graficznych, gdy CUDA_FORCE_PTX_JIT=1 . (Zobacz Zgodność aplikacji , aby uzyskać szczegółowe informacje.)

Wymagania systemowe

  • Ubuntu 16.04 lub nowszy (64-bitowy)
  • macOS 10.12.6 (Sierra) lub nowszy (64-bitowy) (brak obsługi GPU)
  • Windows Native — Windows 7 lub nowszy (64-bitowy)
  • Windows WSL2 — Windows 10 19044 lub nowszy (64-bitowy)

Wymagania Systemowe

Następujące oprogramowanie NVIDIA® jest wymagane tylko do obsługi GPU.

Instrukcje krok po kroku

Linux

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 oddzielne środowisko, aby uniknąć zmiany jakiegokolwiek oprogramowania zainstalowanego w systemie. Jest to również najłatwiejszy sposób na zainstalowanie wymaganego oprogramowania, szczególnie 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 został pomyślnie zainstalowany.

3. Stwórz 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 aktywowany do końca instalacji.

4. Konfiguracja GPU

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

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

nvidia-smi

Następnie zainstaluj CUDA i cuDNN z conda.

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

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

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/

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

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. Zainstaluj TensorFlow

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

pip install --upgrade pip

Następnie zainstaluj TensorFlow z pip.

pip install tensorflow

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, oznacza to, że 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, oznacza to, że pomyślnie zainstalowałeś TensorFlow.

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 pracy 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 oddzielne środowisko, aby uniknąć zmiany jakiegokolwiek oprogramowania zainstalowanego w systemie. Jest to również najłatwiejszy sposób na zainstalowanie wymaganego oprogramowania, szczególnie 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 został pomyślnie zainstalowany.

4. Stwórz 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 aktywowany do końca instalacji.

5. Zainstaluj TensorFlow

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

pip install --upgrade pip

Następnie zainstaluj TensorFlow z 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, oznacza to, że pomyślnie zainstalowałeś TensorFlow.

Natywny system 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 plików do pobrania Microsoft Visual C++ .
  2. Przewiń stronę 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 oddzielne środowisko, aby uniknąć zmiany jakiegokolwiek oprogramowania zainstalowanego w systemie. Jest to również najłatwiejszy sposób na zainstalowanie wymaganego oprogramowania, szczególnie w przypadku konfiguracji GPU.

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

4. Stwórz 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 aktywowany do końca instalacji.

5. Konfiguracja GPU

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

Najpierw zainstaluj sterownik GPU NVIDIA, jeśli 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 swoją instalację pip, aby mieć pewność, że korzystasz z najnowszej wersji.

pip install --upgrade pip

Następnie zainstaluj TensorFlow z pip.

pip install tensorflow

7. Sprawdź instalację

Sprawdź konfigurację procesora:

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

Jeśli tensor zostanie zwrócony, oznacza to, że 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, oznacza to, że pomyślnie zainstalowałeś TensorFlow.

Windows WSL2

1. Wymagania systemowe

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

Zobacz następujące dokumenty, aby:

2. Zainstaluj Minicondę

Miniconda to zalecane podejście do instalacji TensorFlow z obsługą GPU. Tworzy oddzielne środowisko, aby uniknąć zmiany jakiegokolwiek oprogramowania zainstalowanego w systemie. Jest to również najłatwiejszy sposób na zainstalowanie wymaganego oprogramowania, szczególnie 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 został pomyślnie zainstalowany.

3. Stwórz 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 aktywowany do końca instalacji.

4. Konfiguracja GPU

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

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

nvidia-smi

Następnie zainstaluj CUDA i cuDNN z conda.

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

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

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/

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

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. Zainstaluj TensorFlow

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

pip install --upgrade pip

Następnie zainstaluj TensorFlow z pip.

pip install tensorflow

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, oznacza to, że 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, oznacza to, że pomyślnie zainstalowałeś TensorFlow.

Lokalizacja paczki

Kilka mechanizmów instalacji wymaga adresu URL pakietu TensorFlow Python. Podana wartość zależy od wersji Pythona.

Wersja URL
Linux
Obsługa GPU w Pythonie 3.7 https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-2.10.0-cp37-cp37m-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
Python 3.7 tylko z procesorem https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow_cpu-2.10.0-cp37-cp37m-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
Obsługa GPU w Pythonie 3.8 https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-2.10.0-cp38-cp38-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
Tylko procesor Python 3.8 https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow_cpu-2.10.0-cp38-cp38-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
Obsługa GPU w Pythonie 3.9 https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-2.10.0-cp39-cp39-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
Tylko w Pythonie 3.9 https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow_cpu-2.10.0-cp39-cp39-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
Obsługa GPU w Pythonie 3.10 https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-2.10.0-cp310-cp310-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
Python 3.10 tylko z procesorem https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow_cpu-2.10.0-cp310-cp310-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
macOS (tylko procesor)
Python 3.7 https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-2.10.0-cp37-cp37m-macosx_10_14_x86_64.whl
Python 3.8 https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-2.10.0-cp38-cp38-macosx_10_14_x86_64.whl
Python 3.9 https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-2.10.0-cp39-cp39-macosx_10_14_x86_64.whl
Python 3.10 https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-2.10.0-cp310-cp310-macosx_10_14_x86_64.whl
Okna
Obsługa GPU w Pythonie 3.7 https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-2.10.0-cp37-cp37m-win_amd64.whl
Python 3.7 tylko z procesorem https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_cpu-2.10.0-cp37-cp37m-win_amd64.whl
Obsługa GPU w Pythonie 3.8 https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-2.10.0-cp38-cp38-win_amd64.whl
Tylko procesor Python 3.8 https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_cpu-2.10.0-cp38-cp38-win_amd64.whl
Obsługa GPU w Pythonie 3.9 https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-2.10.0-cp39-cp39-win_amd64.whl
Tylko w Pythonie 3.9 https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_cpu-2.10.0-cp39-cp39-win_amd64.whl
Obsługa GPU w Pythonie 3.10 https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-2.10.0-cp310-cp310-win_amd64.whl
Python 3.10 tylko z procesorem https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_cpu-2.10.0-cp310-cp310-win_amd64.whl