إنشاء المحتوى من المصدر

أنشئ حزمة TensorFlow pip من المصدر وقم بتثبيتها على Ubuntu Linux وmacOS. على الرغم من أن التعليمات قد تعمل مع أنظمة أخرى، إلا أنه يتم اختبارها ودعمها فقط لنظامي Ubuntu وmacOS.

الإعداد لنظامي التشغيل Linux وmacOS

قم بتثبيت أدوات البناء التالية لتكوين بيئة التطوير الخاصة بك.

قم بتثبيت تبعيات حزمة Python وTensorFlow

أوبونتو

sudo apt install python3-dev python3-pip

ماك

يتطلب Xcode 9.2 أو الأحدث.

التثبيت باستخدام مدير حزم Homebrew :

brew install python

قم بتثبيت تبعيات حزمة TensorFlow pip (إذا كنت تستخدم بيئة افتراضية، فاحذف الوسيطة --user ):

pip install -U --user pip numpy wheel packaging requests opt_einsum
pip install -U --user keras_preprocessing --no-deps

تثبيت بازل

لإنشاء TensorFlow، ستحتاج إلى تثبيت Bazel. تُعد Bazelisk طريقة سهلة لتثبيت Bazel وتنزيل إصدار Bazel الصحيح لـ TensorFlow تلقائيًا. لسهولة الاستخدام، قم بإضافة Bazelisk باعتباره bazel القابل للتنفيذ في PATH الخاص بك.

إذا لم يكن Bazelisk متاحًا، فيمكنك تثبيت Bazel يدويًا. تأكد من تثبيت إصدار Bazel الصحيح من ملف .bazelversion الخاص بـ TensorFlow.

Clang هو مترجم C/C++/Objective-C تم تجميعه بلغة C++ استنادًا إلى LLVM. إنه المترجم الافتراضي لإنشاء TensorFlow بدءًا من TensorFlow 2.13. الإصدار الحالي المدعوم هو LLVM/Clang 16.

توفر حزم LLVM Debian/Ubuntu الليلية برنامج نصي للتثبيت التلقائي وحزم للتثبيت اليدوي على Linux. تأكد من تشغيل الأمر التالي إذا قمت بإضافة مستودع llvm apt يدويًا إلى مصادر حزمتك:

sudo apt-get update && sudo apt-get install -y llvm-16 clang-16

وبدلاً من ذلك، يمكنك تنزيل وفك ضغط Clang + LLVM 16 المضمن مسبقًا.

فيما يلي مثال للخطوات التي يمكنك اتخاذها لإعداد ثنائيات Clang + LLVM 16 التي تم تنزيلها على أنظمة تشغيل Debian/Ubuntu:

  1. قم بالتغيير إلى دليل الوجهة المطلوب: cd <desired directory>

  2. قم بتحميل واستخراج ملف أرشيف...(مناسب لبنيتك):

    wget https://github.com/llvm/llvm-project/releases/download/llvmorg-16.0.0/clang+llvm-16.0.0-x86_64-linux-gnu-ubuntu-18.04.tar.xz
    
    tar -xvf clang+llvm-16.0.0-x86_64-linux-gnu-ubuntu-18.04.tar.xz
    
    

  3. انسخ المحتويات المستخرجة (الأدلة والملفات) إلى /usr (قد تحتاج إلى أذونات sudo، وقد يختلف الدليل الصحيح حسب التوزيع). يؤدي هذا إلى تثبيت Clang وLLVM بشكل فعال، وإضافته إلى المسار. لا ينبغي عليك استبدال أي شيء، إلا إذا كان لديك تثبيت سابق، وفي هذه الحالة يجب عليك استبدال الملفات:

    cp -r clang+llvm-16.0.0-x86_64-linux-gnu-ubuntu-18.04/* /usr
    

  4. تحقق من الإصدار الثنائي Clang + LLVM 16 الذي تم الحصول عليه:

    clang --version
    

  5. الآن أصبح /usr/bin/clang هو المسار الفعلي إلى clang الجديد. يمكنك تشغيل البرنامج النصي ./configure أو تعيين متغيرات البيئة CC و BAZEL_COMPILER يدويًا على هذا المسار.

تثبيت دعم GPU (اختياري، Linux فقط)

لا يوجد دعم GPU لنظام التشغيل macOS.

اقرأ دليل دعم وحدة معالجة الرسومات لتثبيت برامج التشغيل والبرامج الإضافية المطلوبة لتشغيل TensorFlow على وحدة معالجة الرسومات.

قم بتنزيل كود مصدر TensorFlow

استخدم Git لاستنساخ مستودع TensorFlow :

git clone https://github.com/tensorflow/tensorflow.git
cd tensorflow

الريبو الافتراضي هو فرع التطوير master . يمكنك أيضًا التحقق من فرع الإصدار للإنشاء:

git checkout branch_name  # r2.2, r2.3, etc.

تكوين البناء

يتم تكوين إصدارات TensorFlow بواسطة ملف .bazelrc في الدليل الجذر للمستودع. يمكن استخدام البرامج النصية ./configure أو ./configure.py لضبط الإعدادات الشائعة.

الرجاء تشغيل البرنامج النصي ./configure من الدليل الجذر للمستودع. سيطالبك هذا البرنامج النصي بتحديد موقع تبعيات TensorFlow ويطلب منك خيارات تكوين بناء إضافية (إشارات المترجم، على سبيل المثال). راجع قسم نموذج الجلسة للحصول على التفاصيل.

./configure

هناك أيضًا إصدار بيثون من هذا البرنامج النصي، ./configure.py . في حالة استخدام بيئة افتراضية، python configure.py يعطي الأولوية للمسارات داخل البيئة، بينما ./configure يعطي الأولوية للمسارات خارج البيئة. وفي كلتا الحالتين يمكنك تغيير الإعداد الافتراضي.

جلسة عينة

يوضح ما يلي نموذجًا لتشغيل البرنامج النصي ./configure (قد تختلف جلستك):

خيارات الإعداد

دعم GPU

لدعم GPU ، قم بتعيين cuda=Y أثناء التكوين وحدد إصدارات CUDA وcuDNN. إذا كان نظامك يحتوي على إصدارات متعددة من CUDA أو cuDNN مثبتة، فقم بتعيين الإصدار بشكل صريح بدلاً من الاعتماد على الإصدار الافتراضي. ينشئ ./configure روابط رمزية لمكتبات CUDA الخاصة بنظامك، لذا إذا قمت بتحديث مسارات مكتبة CUDA، فيجب تشغيل خطوة التكوين هذه مرة أخرى قبل الإنشاء.

التحسينات

بالنسبة لعلامات تحسين الترجمة، يعمل الإعداد الافتراضي ( -march=native ) على تحسين التعليمات البرمجية التي تم إنشاؤها لنوع وحدة المعالجة المركزية بجهازك. ومع ذلك، في حالة إنشاء TensorFlow لنوع مختلف من وحدة المعالجة المركزية (CPU)، فكر في علامة تحسين أكثر تحديدًا. راجع دليل دول مجلس التعاون الخليجي للحصول على أمثلة.

التكوينات المعدة مسبقا

هناك بعض تكوينات البناء التي تم تكوينها مسبقًا والتي يمكن إضافتها إلى أمر bazel build ، على سبيل المثال:

  • --config=dbg —الإنشاء باستخدام معلومات تصحيح الأخطاء. راجع CONTRIBUTING.md للحصول على التفاصيل.
  • --config=mkl —دعم Intel® MKL-DNN .
  • --config=monolithic - التكوين لبناء متجانس وثابت في الغالب.

بناء وتثبيت حزمة النقطة

يتم إنشاء حزمة النقطة في خطوتين. تقوم أوامر bazel build بإنشاء برنامج "منشئ الحزم". ثم تقوم بتشغيل منشئ الحزمة لإنشاء الحزمة.

قم ببناء منشئ الحزمة

استخدم bazel build لإنشاء منشئ الحزم TensorFlow 2.x:

bazel build [--config=option] //tensorflow/tools/pip_package:build_pip_package

خيارات بناء بازل

ارجع إلى مرجع سطر أوامر Bazel للتعرف على خيارات البناء .

يمكن أن يستهلك بناء TensorFlow من المصدر الكثير من ذاكرة الوصول العشوائي (RAM). إذا كان نظامك مقيدًا بالذاكرة، فقم بتقييد استخدام ذاكرة الوصول العشوائي الخاصة بـ Bazel باستخدام: --local_ram_resources=2048 .

تم تصميم حزم TensorFlow الرسمية باستخدام سلسلة أدوات Clang التي تتوافق مع معيار حزمة Manylinux2014.

بناء الحزمة

يقوم أمر bazel build بإنشاء ملف قابل للتنفيذ باسم build_pip_package — وهو البرنامج الذي يبني حزمة pip . قم بتشغيل الملف القابل للتنفيذ كما هو موضح أدناه لإنشاء حزمة .whl في الدليل /tmp/tensorflow_pkg .

للبناء من فرع الإصدار:

./bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg

للبناء من الملف الرئيسي، استخدم --nightly_flag للحصول على التبعيات الصحيحة:

./bazel-bin/tensorflow/tools/pip_package/build_pip_package --nightly_flag /tmp/tensorflow_pkg

على الرغم من أنه من الممكن إنشاء تكوينات CUDA وغير CUDA ضمن نفس الشجرة المصدر، فمن المستحسن تشغيل bazel clean عند التبديل بين هذين التكوينين في نفس الشجرة المصدر.

قم بتثبيت الحزمة

يعتمد اسم الملف .whl الذي تم إنشاؤه على إصدار TensorFlow والنظام الأساسي لديك. استخدم pip install لتثبيت الحزمة، على سبيل المثال:

pip install /tmp/tensorflow_pkg/tensorflow-version-tags.whl

يبني دوكر لينكس

تعد صور تطوير TensorFlow's Docker طريقة سهلة لإعداد بيئة لإنشاء حزم Linux من المصدر. تحتوي هذه الصور بالفعل على الكود المصدري والتبعيات المطلوبة لإنشاء TensorFlow. انتقل إلى دليل TensorFlow Docker للحصول على تعليمات التثبيت وقائمة علامات الصور المتوفرة .

وحدة المعالجة المركزية فقط

يستخدم المثال التالي الصورة :devel لإنشاء حزمة وحدة المعالجة المركزية (CPU) فقط من أحدث كود مصدر TensorFlow. تحقق من دليل Docker لمعرفة علامات TensorFlow -devel المتاحة.

قم بتنزيل أحدث صورة تطوير وابدأ تشغيل حاوية Docker التي ستستخدمها لإنشاء حزمة النقطة :

docker pull tensorflow/tensorflow:devel
docker run -it -w /tensorflow_src -v $PWD:/mnt -e HOST_PERMS="$(id -u):$(id -g)" \
    tensorflow/tensorflow:devel bash

git pull  # within the container, download the latest source code

يبدأ أمر docker run أعلاه الصدفة في الدليل /tensorflow_src — وهو جذر الشجرة المصدر. يقوم بتثبيت الدليل الحالي للمضيف في دليل /mnt الخاص بالحاوية، ويمرر معلومات المستخدم المضيف إلى الحاوية من خلال متغير بيئي (يستخدم لتعيين الأذونات - يمكن لـ Docker أن يجعل هذا الأمر صعبًا).

بدلاً من ذلك، لإنشاء نسخة مضيفة من TensorFlow داخل حاوية، قم بتثبيت شجرة المصدر المضيفة في دليل /tensorflow الخاص بالحاوية:

docker run -it -w /tensorflow -v /path/to/tensorflow:/tensorflow -v $PWD:/mnt \
    -e HOST_PERMS="\\((id -u):\\)(id -g)" tensorflow/tensorflow:devel bash

بعد إعداد الشجرة المصدر، أنشئ حزمة TensorFlow داخل البيئة الافتراضية للحاوية:

  1. اختياري: قم بتكوين الإصدار—مطالبة المستخدم بالإجابة على أسئلة تكوين الإصدار.
  2. قم ببناء الأداة المستخدمة لإنشاء حزمة النقطة .
  3. قم بتشغيل الأداة لإنشاء حزمة النقطة .
  4. اضبط أذونات ملكية الملف خارج الحاوية.
./configure  # if necessary

bazel build --config=opt //tensorflow/tools/pip_package:build_pip_package

./bazel-bin/tensorflow/tools/pip_package/build_pip_package /mnt  # create package

chown $HOST_PERMS /mnt/tensorflow-version-tags.whl

تثبيت الحزمة والتحقق منها داخل الحاوية:

pip uninstall tensorflow  # remove current version

pip install /mnt/tensorflow-version-tags.whl
cd /tmp  # don't import from source directory
python -c "import tensorflow as tf; print(tf.__version__)"

على جهازك المضيف، توجد حزمة TensorFlow pip في الدليل الحالي (مع أذونات المستخدم المضيف): ./tensorflow- version - tags .whl

دعم GPU

يعد Docker أسهل طريقة لبناء دعم GPU لـ TensorFlow نظرًا لأن الجهاز المضيف لا يتطلب سوى برنامج تشغيل NVIDIA® (لا يلزم تثبيت مجموعة أدوات NVIDIA® CUDA® ). ارجع إلى دليل دعم GPU ودليل TensorFlow Docker لإعداد nvidia-docker (Linux فقط).

يقوم المثال التالي بتنزيل صورة TensorFlow :devel-gpu ويستخدم nvidia-docker لتشغيل الحاوية التي تدعم GPU. تم تكوين صورة التطوير هذه لإنشاء حزمة نقاط بدعم GPU:

docker pull tensorflow/tensorflow:devel-gpu
docker run --gpus all -it -w /tensorflow -v $PWD:/mnt -e HOST_PERMS="$(id -u):$(id -g)" \
    tensorflow/tensorflow:devel-gpu bash
git pull  # within the container, download the latest source code

ثم، داخل البيئة الافتراضية للحاوية، أنشئ حزمة TensorFlow بدعم GPU:

./configure  # if necessary

bazel build --config=opt --config=cuda //tensorflow/tools/pip_package:build_pip_package

./bazel-bin/tensorflow/tools/pip_package/build_pip_package /mnt  # create package

chown $HOST_PERMS /mnt/tensorflow-version-tags.whl

قم بتثبيت الحزمة والتحقق منها داخل الحاوية وتحقق من وجود وحدة معالجة الرسومات:

pip uninstall tensorflow  # remove current version

pip install /mnt/tensorflow-version-tags.whl
cd /tmp  # don't import from source directory
python -c "import tensorflow as tf; print(\"Num GPUs Available: \", len(tf.config.list_physical_devices('GPU')))"

تكوينات البناء التي تم اختبارها

لينكس

وحدة المعالجة المركزية

إصدار نسخة بايثون مترجم بناء الأدوات
Tensorflow-2.15.0 3.9-3.11 رنة 16.0.0 بازل 6.1.0
Tensorflow-2.14.0 3.9-3.11 رنة 16.0.0 بازل 6.1.0
Tensorflow-2.13.0 3.8-3.11 رنة 16.0.0 بازل 5.3.0
Tensorflow-2.12.0 3.8-3.11 دول مجلس التعاون الخليجي 9.3.1 بازل 5.3.0
Tensorflow-2.11.0 3.7-3.10 دول مجلس التعاون الخليجي 9.3.1 بازل 5.3.0
Tensorflow-2.10.0 3.7-3.10 دول مجلس التعاون الخليجي 9.3.1 بازل 5.1.1
Tensorflow-2.9.0 3.7-3.10 دول مجلس التعاون الخليجي 9.3.1 بازل 5.0.0
Tensorflow-2.8.0 3.7-3.10 دول مجلس التعاون الخليجي 7.3.1 بازل 4.2.1
Tensorflow-2.7.0 3.7-3.9 دول مجلس التعاون الخليجي 7.3.1 بازل 3.7.2
Tensorflow-2.6.0 3.6-3.9 دول مجلس التعاون الخليجي 7.3.1 بازل 3.7.2
Tensorflow-2.5.0 3.6-3.9 دول مجلس التعاون الخليجي 7.3.1 بازل 3.7.2
Tensorflow-2.4.0 3.6-3.8 دول مجلس التعاون الخليجي 7.3.1 بازل 3.1.0
Tensorflow-2.3.0 3.5-3.8 دول مجلس التعاون الخليجي 7.3.1 بازل 3.1.0
Tensorflow-2.2.0 3.5-3.8 دول مجلس التعاون الخليجي 7.3.1 بازل 2.0.0
Tensorflow-2.1.0 2.7، 3.5-3.7 دول مجلس التعاون الخليجي 7.3.1 بازل 0.27.1
Tensorflow-2.0.0 2.7، 3.3-3.7 دول مجلس التعاون الخليجي 7.3.1 بازل 0.26.1
Tensorflow-1.15.0 2.7، 3.3-3.7 دول مجلس التعاون الخليجي 7.3.1 بازل 0.26.1
Tensorflow-1.14.0 2.7، 3.3-3.7 دول مجلس التعاون الخليجي 4.8 بازل 0.24.1
Tensorflow-1.13.1 2.7، 3.3-3.7 دول مجلس التعاون الخليجي 4.8 بازل 0.19.2
Tensorflow-1.12.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.15.0
Tensorflow-1.11.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.15.0
Tensorflow-1.10.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.15.0
Tensorflow-1.9.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.11.0
Tensorflow-1.8.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.10.0
Tensorflow-1.7.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.10.0
Tensorflow-1.6.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.9.0
Tensorflow-1.5.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.8.0
Tensorflow-1.4.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.5.4
Tensorflow-1.3.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.4.5
Tensorflow-1.2.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.4.5
Tensorflow-1.1.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.4.2
Tensorflow-1.0.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.4.2

GPU

إصدار نسخة بايثون مترجم بناء الأدوات cuDNN كودا
Tensorflow-2.15.0 3.9-3.11 رنة 16.0.0 بازل 6.1.0 8.9 12.2
Tensorflow-2.14.0 3.9-3.11 رنة 16.0.0 بازل 6.1.0 8.7 11.8
Tensorflow-2.13.0 3.8-3.11 رنة 16.0.0 بازل 5.3.0 8.6 11.8
Tensorflow-2.12.0 3.8-3.11 دول مجلس التعاون الخليجي 9.3.1 بازل 5.3.0 8.6 11.8
Tensorflow-2.11.0 3.7-3.10 دول مجلس التعاون الخليجي 9.3.1 بازل 5.3.0 8.1 11.2
Tensorflow-2.10.0 3.7-3.10 دول مجلس التعاون الخليجي 9.3.1 بازل 5.1.1 8.1 11.2
Tensorflow-2.9.0 3.7-3.10 دول مجلس التعاون الخليجي 9.3.1 بازل 5.0.0 8.1 11.2
Tensorflow-2.8.0 3.7-3.10 دول مجلس التعاون الخليجي 7.3.1 بازل 4.2.1 8.1 11.2
Tensorflow-2.7.0 3.7-3.9 دول مجلس التعاون الخليجي 7.3.1 بازل 3.7.2 8.1 11.2
Tensorflow-2.6.0 3.6-3.9 دول مجلس التعاون الخليجي 7.3.1 بازل 3.7.2 8.1 11.2
Tensorflow-2.5.0 3.6-3.9 دول مجلس التعاون الخليجي 7.3.1 بازل 3.7.2 8.1 11.2
Tensorflow-2.4.0 3.6-3.8 دول مجلس التعاون الخليجي 7.3.1 بازل 3.1.0 8.0 11.0
Tensorflow-2.3.0 3.5-3.8 دول مجلس التعاون الخليجي 7.3.1 بازل 3.1.0 7.6 10.1
Tensorflow-2.2.0 3.5-3.8 دول مجلس التعاون الخليجي 7.3.1 بازل 2.0.0 7.6 10.1
Tensorflow-2.1.0 2.7، 3.5-3.7 دول مجلس التعاون الخليجي 7.3.1 بازل 0.27.1 7.6 10.1
Tensorflow-2.0.0 2.7، 3.3-3.7 دول مجلس التعاون الخليجي 7.3.1 بازل 0.26.1 7.4 10.0
Tensorflow_gpu-1.15.0 2.7، 3.3-3.7 دول مجلس التعاون الخليجي 7.3.1 بازل 0.26.1 7.4 10.0
Tensorflow_gpu-1.14.0 2.7، 3.3-3.7 دول مجلس التعاون الخليجي 4.8 بازل 0.24.1 7.4 10.0
Tensorflow_gpu-1.13.1 2.7، 3.3-3.7 دول مجلس التعاون الخليجي 4.8 بازل 0.19.2 7.4 10.0
Tensorflow_gpu-1.12.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.15.0 7 9
Tensorflow_gpu-1.11.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.15.0 7 9
Tensorflow_gpu-1.10.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.15.0 7 9
Tensorflow_gpu-1.9.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.11.0 7 9
Tensorflow_gpu-1.8.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.10.0 7 9
Tensorflow_gpu-1.7.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.9.0 7 9
Tensorflow_gpu-1.6.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.9.0 7 9
Tensorflow_gpu-1.5.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.8.0 7 9
Tensorflow_gpu-1.4.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.5.4 6 8
Tensorflow_gpu-1.3.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.4.5 6 8
Tensorflow_gpu-1.2.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.4.5 5.1 8
Tensorflow_gpu-1.1.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.4.2 5.1 8
Tensorflow_gpu-1.0.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.4.2 5.1 8

ماك

وحدة المعالجة المركزية

إصدار نسخة بايثون مترجم بناء الأدوات
Tensorflow-2.15.0 3.9-3.11 رنة من xcode 10.15 بازل 6.1.0
Tensorflow-2.14.0 3.9-3.11 رنة من xcode 10.15 بازل 6.1.0
Tensorflow-2.13.0 3.8-3.11 رنة من xcode 10.15 بازل 5.3.0
Tensorflow-2.12.0 3.8-3.11 رنة من xcode 10.15 بازل 5.3.0
Tensorflow-2.11.0 3.7-3.10 رنة من xcode 10.14 بازل 5.3.0
Tensorflow-2.10.0 3.7-3.10 رنة من xcode 10.14 بازل 5.1.1
Tensorflow-2.9.0 3.7-3.10 رنة من xcode 10.14 بازل 5.0.0
Tensorflow-2.8.0 3.7-3.10 رنة من xcode 10.14 بازل 4.2.1
Tensorflow-2.7.0 3.7-3.9 رنة من xcode 10.11 بازل 3.7.2
Tensorflow-2.6.0 3.6-3.9 رنة من xcode 10.11 بازل 3.7.2
Tensorflow-2.5.0 3.6-3.9 رنة من xcode 10.11 بازل 3.7.2
Tensorflow-2.4.0 3.6-3.8 رنة من xcode 10.3 بازل 3.1.0
Tensorflow-2.3.0 3.5-3.8 رنة من xcode 10.1 بازل 3.1.0
Tensorflow-2.2.0 3.5-3.8 رنة من xcode 10.1 بازل 2.0.0
Tensorflow-2.1.0 2.7، 3.5-3.7 رنة من xcode 10.1 بازل 0.27.1
Tensorflow-2.0.0 2.7، 3.5-3.7 رنة من xcode 10.1 بازل 0.27.1
Tensorflow-2.0.0 2.7، 3.3-3.7 رنة من xcode 10.1 بازل 0.26.1
Tensorflow-1.15.0 2.7، 3.3-3.7 رنة من xcode 10.1 بازل 0.26.1
Tensorflow-1.14.0 2.7، 3.3-3.7 رنة من xcode بازل 0.24.1
Tensorflow-1.13.1 2.7، 3.3-3.7 رنة من xcode بازل 0.19.2
Tensorflow-1.12.0 2.7، 3.3-3.6 رنة من xcode بازل 0.15.0
Tensorflow-1.11.0 2.7، 3.3-3.6 رنة من xcode بازل 0.15.0
Tensorflow-1.10.0 2.7، 3.3-3.6 رنة من xcode بازل 0.15.0
Tensorflow-1.9.0 2.7، 3.3-3.6 رنة من xcode بازل 0.11.0
Tensorflow-1.8.0 2.7، 3.3-3.6 رنة من xcode بازل 0.10.1
Tensorflow-1.7.0 2.7، 3.3-3.6 رنة من xcode بازل 0.10.1
Tensorflow-1.6.0 2.7، 3.3-3.6 رنة من xcode بازل 0.8.1
Tensorflow-1.5.0 2.7، 3.3-3.6 رنة من xcode بازل 0.8.1
Tensorflow-1.4.0 2.7، 3.3-3.6 رنة من xcode بازل 0.5.4
Tensorflow-1.3.0 2.7، 3.3-3.6 رنة من xcode بازل 0.4.5
Tensorflow-1.2.0 2.7، 3.3-3.6 رنة من xcode بازل 0.4.5
Tensorflow-1.1.0 2.7، 3.3-3.6 رنة من xcode بازل 0.4.2
Tensorflow-1.0.0 2.7، 3.3-3.6 رنة من xcode بازل 0.4.2

GPU

إصدار نسخة بايثون مترجم بناء الأدوات cuDNN كودا
Tensorflow_gpu-1.1.0 2.7، 3.3-3.6 رنة من xcode بازل 0.4.2 5.1 8
Tensorflow_gpu-1.0.0 2.7، 3.3-3.6 رنة من xcode بازل 0.4.2 5.1 8
,

أنشئ حزمة TensorFlow pip من المصدر وقم بتثبيتها على Ubuntu Linux وmacOS. على الرغم من أن التعليمات قد تعمل مع أنظمة أخرى، إلا أنه يتم اختبارها ودعمها فقط لنظامي Ubuntu وmacOS.

الإعداد لنظامي التشغيل Linux وmacOS

قم بتثبيت أدوات البناء التالية لتكوين بيئة التطوير الخاصة بك.

قم بتثبيت تبعيات حزمة Python وTensorFlow

أوبونتو

sudo apt install python3-dev python3-pip

ماك

يتطلب Xcode 9.2 أو الأحدث.

التثبيت باستخدام مدير حزم Homebrew :

brew install python

قم بتثبيت تبعيات حزمة TensorFlow pip (إذا كنت تستخدم بيئة افتراضية، فاحذف الوسيطة --user ):

pip install -U --user pip numpy wheel packaging requests opt_einsum
pip install -U --user keras_preprocessing --no-deps

تثبيت بازل

لإنشاء TensorFlow، ستحتاج إلى تثبيت Bazel. تُعد Bazelisk طريقة سهلة لتثبيت Bazel وتنزيل إصدار Bazel الصحيح لـ TensorFlow تلقائيًا. لسهولة الاستخدام، قم بإضافة Bazelisk باعتباره bazel القابل للتنفيذ في PATH الخاص بك.

إذا لم يكن Bazelisk متاحًا، فيمكنك تثبيت Bazel يدويًا. تأكد من تثبيت إصدار Bazel الصحيح من ملف .bazelversion الخاص بـ TensorFlow.

Clang هو مترجم C/C++/Objective-C تم تجميعه بلغة C++ استنادًا إلى LLVM. إنه المترجم الافتراضي لإنشاء TensorFlow بدءًا من TensorFlow 2.13. الإصدار الحالي المدعوم هو LLVM/Clang 16.

توفر حزم LLVM Debian/Ubuntu الليلية برنامج نصي للتثبيت التلقائي وحزم للتثبيت اليدوي على Linux. تأكد من تشغيل الأمر التالي إذا قمت بإضافة مستودع llvm apt يدويًا إلى مصادر حزمتك:

sudo apt-get update && sudo apt-get install -y llvm-16 clang-16

وبدلاً من ذلك، يمكنك تنزيل وفك ضغط Clang + LLVM 16 المضمن مسبقًا.

فيما يلي مثال للخطوات التي يمكنك اتخاذها لإعداد ثنائيات Clang + LLVM 16 التي تم تنزيلها على أنظمة تشغيل Debian/Ubuntu:

  1. قم بالتغيير إلى دليل الوجهة المطلوب: cd <desired directory>

  2. قم بتحميل واستخراج ملف أرشيف...(مناسب لبنيتك):

    wget https://github.com/llvm/llvm-project/releases/download/llvmorg-16.0.0/clang+llvm-16.0.0-x86_64-linux-gnu-ubuntu-18.04.tar.xz
    
    tar -xvf clang+llvm-16.0.0-x86_64-linux-gnu-ubuntu-18.04.tar.xz
    
    

  3. انسخ المحتويات المستخرجة (الأدلة والملفات) إلى /usr (قد تحتاج إلى أذونات sudo، وقد يختلف الدليل الصحيح حسب التوزيع). يؤدي هذا إلى تثبيت Clang وLLVM بشكل فعال، وإضافته إلى المسار. لا ينبغي عليك استبدال أي شيء، إلا إذا كان لديك تثبيت سابق، وفي هذه الحالة يجب عليك استبدال الملفات:

    cp -r clang+llvm-16.0.0-x86_64-linux-gnu-ubuntu-18.04/* /usr
    

  4. تحقق من الإصدار الثنائي Clang + LLVM 16 الذي تم الحصول عليه:

    clang --version
    

  5. الآن أصبح /usr/bin/clang هو المسار الفعلي إلى clang الجديد. يمكنك تشغيل البرنامج النصي ./configure أو تعيين متغيرات البيئة CC و BAZEL_COMPILER يدويًا على هذا المسار.

تثبيت دعم GPU (اختياري، Linux فقط)

لا يوجد دعم GPU لنظام التشغيل macOS.

اقرأ دليل دعم وحدة معالجة الرسومات لتثبيت برامج التشغيل والبرامج الإضافية المطلوبة لتشغيل TensorFlow على وحدة معالجة الرسومات.

قم بتنزيل كود مصدر TensorFlow

استخدم Git لاستنساخ مستودع TensorFlow :

git clone https://github.com/tensorflow/tensorflow.git
cd tensorflow

الريبو الافتراضي هو فرع التطوير master . يمكنك أيضًا التحقق من فرع الإصدار للإنشاء:

git checkout branch_name  # r2.2, r2.3, etc.

تكوين البناء

يتم تكوين إصدارات TensorFlow بواسطة ملف .bazelrc في الدليل الجذر للمستودع. يمكن استخدام البرامج النصية ./configure أو ./configure.py لضبط الإعدادات الشائعة.

الرجاء تشغيل البرنامج النصي ./configure من الدليل الجذر للمستودع. سيطالبك هذا البرنامج النصي بتحديد موقع تبعيات TensorFlow ويطلب منك خيارات تكوين بناء إضافية (إشارات المترجم، على سبيل المثال). راجع قسم نموذج الجلسة للحصول على التفاصيل.

./configure

هناك أيضًا إصدار بيثون من هذا البرنامج النصي، ./configure.py . في حالة استخدام بيئة افتراضية، python configure.py يعطي الأولوية للمسارات داخل البيئة، بينما ./configure يعطي الأولوية للمسارات خارج البيئة. وفي كلتا الحالتين يمكنك تغيير الإعداد الافتراضي.

جلسة عينة

يوضح ما يلي نموذجًا لتشغيل البرنامج النصي ./configure (قد تختلف جلستك):

خيارات الإعداد

دعم GPU

لدعم GPU ، قم بتعيين cuda=Y أثناء التكوين وحدد إصدارات CUDA وcuDNN. إذا كان نظامك يحتوي على إصدارات متعددة من CUDA أو cuDNN مثبتة، فقم بتعيين الإصدار بشكل صريح بدلاً من الاعتماد على الإصدار الافتراضي. ينشئ ./configure روابط رمزية لمكتبات CUDA الخاصة بنظامك، لذا إذا قمت بتحديث مسارات مكتبة CUDA، فيجب تشغيل خطوة التكوين هذه مرة أخرى قبل الإنشاء.

التحسينات

بالنسبة لعلامات تحسين الترجمة، يعمل الإعداد الافتراضي ( -march=native ) على تحسين التعليمات البرمجية التي تم إنشاؤها لنوع وحدة المعالجة المركزية بجهازك. ومع ذلك، في حالة إنشاء TensorFlow لنوع مختلف من وحدة المعالجة المركزية (CPU)، فكر في علامة تحسين أكثر تحديدًا. راجع دليل دول مجلس التعاون الخليجي للحصول على أمثلة.

التكوينات المعدة مسبقا

هناك بعض تكوينات البناء التي تم تكوينها مسبقًا والتي يمكن إضافتها إلى أمر bazel build ، على سبيل المثال:

  • --config=dbg —الإنشاء باستخدام معلومات تصحيح الأخطاء. راجع CONTRIBUTING.md للحصول على التفاصيل.
  • --config=mkl —دعم Intel® MKL-DNN .
  • --config=monolithic - التكوين لبناء متجانس وثابت في الغالب.

بناء وتثبيت حزمة النقطة

يتم إنشاء حزمة النقطة في خطوتين. تقوم أوامر bazel build بإنشاء برنامج "منشئ الحزم". ثم تقوم بتشغيل منشئ الحزمة لإنشاء الحزمة.

قم ببناء منشئ الحزمة

استخدم bazel build لإنشاء منشئ الحزم TensorFlow 2.x:

bazel build [--config=option] //tensorflow/tools/pip_package:build_pip_package

خيارات بناء بازل

ارجع إلى مرجع سطر أوامر Bazel للتعرف على خيارات البناء .

يمكن أن يستهلك بناء TensorFlow من المصدر الكثير من ذاكرة الوصول العشوائي (RAM). إذا كان نظامك مقيدًا بالذاكرة، فقم بتقييد استخدام ذاكرة الوصول العشوائي الخاصة بـ Bazel باستخدام: --local_ram_resources=2048 .

تم تصميم حزم TensorFlow الرسمية باستخدام سلسلة أدوات Clang التي تتوافق مع معيار حزمة Manylinux2014.

بناء الحزمة

يقوم أمر bazel build بإنشاء ملف قابل للتنفيذ باسم build_pip_package — وهو البرنامج الذي يبني حزمة pip . قم بتشغيل الملف القابل للتنفيذ كما هو موضح أدناه لإنشاء حزمة .whl في الدليل /tmp/tensorflow_pkg .

للبناء من فرع الإصدار:

./bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg

للبناء من الملف الرئيسي، استخدم --nightly_flag للحصول على التبعيات الصحيحة:

./bazel-bin/tensorflow/tools/pip_package/build_pip_package --nightly_flag /tmp/tensorflow_pkg

على الرغم من أنه من الممكن إنشاء تكوينات CUDA وغير CUDA ضمن نفس الشجرة المصدر، فمن المستحسن تشغيل bazel clean عند التبديل بين هذين التكوينين في نفس الشجرة المصدر.

قم بتثبيت الحزمة

يعتمد اسم الملف .whl الذي تم إنشاؤه على إصدار TensorFlow والنظام الأساسي لديك. استخدم pip install لتثبيت الحزمة، على سبيل المثال:

pip install /tmp/tensorflow_pkg/tensorflow-version-tags.whl

يبني دوكر لينكس

تعد صور تطوير TensorFlow's Docker طريقة سهلة لإعداد بيئة لإنشاء حزم Linux من المصدر. تحتوي هذه الصور بالفعل على الكود المصدري والتبعيات المطلوبة لإنشاء TensorFlow. انتقل إلى دليل TensorFlow Docker للحصول على تعليمات التثبيت وقائمة علامات الصور المتوفرة .

وحدة المعالجة المركزية فقط

يستخدم المثال التالي الصورة :devel لإنشاء حزمة وحدة المعالجة المركزية (CPU) فقط من أحدث كود مصدر TensorFlow. تحقق من دليل Docker لمعرفة علامات TensorFlow -devel المتاحة.

قم بتنزيل أحدث صورة تطوير وابدأ تشغيل حاوية Docker التي ستستخدمها لإنشاء حزمة النقطة :

docker pull tensorflow/tensorflow:devel
docker run -it -w /tensorflow_src -v $PWD:/mnt -e HOST_PERMS="$(id -u):$(id -g)" \
    tensorflow/tensorflow:devel bash

git pull  # within the container, download the latest source code

يبدأ أمر docker run أعلاه الصدفة في الدليل /tensorflow_src — وهو جذر الشجرة المصدر. يقوم بتثبيت الدليل الحالي للمضيف في دليل /mnt الخاص بالحاوية، ويمرر معلومات المستخدم المضيف إلى الحاوية من خلال متغير بيئي (يستخدم لتعيين الأذونات - يمكن لـ Docker أن يجعل هذا الأمر صعبًا).

بدلاً من ذلك، لإنشاء نسخة مضيفة من TensorFlow داخل حاوية، قم بتثبيت شجرة المصدر المضيفة في دليل /tensorflow الخاص بالحاوية:

docker run -it -w /tensorflow -v /path/to/tensorflow:/tensorflow -v $PWD:/mnt \
    -e HOST_PERMS="\\((id -u):\\)(id -g)" tensorflow/tensorflow:devel bash

بعد إعداد الشجرة المصدر، أنشئ حزمة TensorFlow داخل البيئة الافتراضية للحاوية:

  1. اختياري: قم بتكوين الإصدار—مطالبة المستخدم بالإجابة على أسئلة تكوين الإصدار.
  2. قم ببناء الأداة المستخدمة لإنشاء حزمة النقطة .
  3. قم بتشغيل الأداة لإنشاء حزمة النقطة .
  4. اضبط أذونات ملكية الملف خارج الحاوية.
./configure  # if necessary

bazel build --config=opt //tensorflow/tools/pip_package:build_pip_package

./bazel-bin/tensorflow/tools/pip_package/build_pip_package /mnt  # create package

chown $HOST_PERMS /mnt/tensorflow-version-tags.whl

تثبيت الحزمة والتحقق منها داخل الحاوية:

pip uninstall tensorflow  # remove current version

pip install /mnt/tensorflow-version-tags.whl
cd /tmp  # don't import from source directory
python -c "import tensorflow as tf; print(tf.__version__)"

على جهازك المضيف، توجد حزمة TensorFlow pip في الدليل الحالي (مع أذونات المستخدم المضيف): ./tensorflow- version - tags .whl

دعم GPU

يعد Docker أسهل طريقة لبناء دعم GPU لـ TensorFlow نظرًا لأن الجهاز المضيف لا يتطلب سوى برنامج تشغيل NVIDIA® (لا يلزم تثبيت مجموعة أدوات NVIDIA® CUDA® ). ارجع إلى دليل دعم GPU ودليل TensorFlow Docker لإعداد nvidia-docker (Linux فقط).

يقوم المثال التالي بتنزيل صورة TensorFlow :devel-gpu ويستخدم nvidia-docker لتشغيل الحاوية التي تدعم GPU. تم تكوين صورة التطوير هذه لإنشاء حزمة نقاط بدعم GPU:

docker pull tensorflow/tensorflow:devel-gpu
docker run --gpus all -it -w /tensorflow -v $PWD:/mnt -e HOST_PERMS="$(id -u):$(id -g)" \
    tensorflow/tensorflow:devel-gpu bash
git pull  # within the container, download the latest source code

ثم، داخل البيئة الافتراضية للحاوية، أنشئ حزمة TensorFlow بدعم GPU:

./configure  # if necessary

bazel build --config=opt --config=cuda //tensorflow/tools/pip_package:build_pip_package

./bazel-bin/tensorflow/tools/pip_package/build_pip_package /mnt  # create package

chown $HOST_PERMS /mnt/tensorflow-version-tags.whl

قم بتثبيت الحزمة والتحقق منها داخل الحاوية وتحقق من وجود وحدة معالجة الرسومات:

pip uninstall tensorflow  # remove current version

pip install /mnt/tensorflow-version-tags.whl
cd /tmp  # don't import from source directory
python -c "import tensorflow as tf; print(\"Num GPUs Available: \", len(tf.config.list_physical_devices('GPU')))"

تكوينات البناء التي تم اختبارها

لينكس

وحدة المعالجة المركزية

إصدار نسخة بايثون مترجم بناء الأدوات
Tensorflow-2.15.0 3.9-3.11 رنة 16.0.0 بازل 6.1.0
Tensorflow-2.14.0 3.9-3.11 رنة 16.0.0 بازل 6.1.0
Tensorflow-2.13.0 3.8-3.11 رنة 16.0.0 بازل 5.3.0
Tensorflow-2.12.0 3.8-3.11 دول مجلس التعاون الخليجي 9.3.1 بازل 5.3.0
Tensorflow-2.11.0 3.7-3.10 دول مجلس التعاون الخليجي 9.3.1 بازل 5.3.0
Tensorflow-2.10.0 3.7-3.10 دول مجلس التعاون الخليجي 9.3.1 بازل 5.1.1
Tensorflow-2.9.0 3.7-3.10 دول مجلس التعاون الخليجي 9.3.1 بازل 5.0.0
Tensorflow-2.8.0 3.7-3.10 دول مجلس التعاون الخليجي 7.3.1 بازل 4.2.1
Tensorflow-2.7.0 3.7-3.9 دول مجلس التعاون الخليجي 7.3.1 بازل 3.7.2
Tensorflow-2.6.0 3.6-3.9 دول مجلس التعاون الخليجي 7.3.1 بازل 3.7.2
Tensorflow-2.5.0 3.6-3.9 دول مجلس التعاون الخليجي 7.3.1 بازل 3.7.2
Tensorflow-2.4.0 3.6-3.8 دول مجلس التعاون الخليجي 7.3.1 بازل 3.1.0
Tensorflow-2.3.0 3.5-3.8 دول مجلس التعاون الخليجي 7.3.1 بازل 3.1.0
Tensorflow-2.2.0 3.5-3.8 دول مجلس التعاون الخليجي 7.3.1 بازل 2.0.0
Tensorflow-2.1.0 2.7، 3.5-3.7 دول مجلس التعاون الخليجي 7.3.1 بازل 0.27.1
Tensorflow-2.0.0 2.7، 3.3-3.7 دول مجلس التعاون الخليجي 7.3.1 بازل 0.26.1
Tensorflow-1.15.0 2.7، 3.3-3.7 دول مجلس التعاون الخليجي 7.3.1 بازل 0.26.1
Tensorflow-1.14.0 2.7، 3.3-3.7 دول مجلس التعاون الخليجي 4.8 بازل 0.24.1
Tensorflow-1.13.1 2.7، 3.3-3.7 دول مجلس التعاون الخليجي 4.8 بازل 0.19.2
Tensorflow-1.12.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.15.0
Tensorflow-1.11.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.15.0
Tensorflow-1.10.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.15.0
Tensorflow-1.9.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.11.0
Tensorflow-1.8.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.10.0
Tensorflow-1.7.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.10.0
Tensorflow-1.6.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.9.0
Tensorflow-1.5.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.8.0
Tensorflow-1.4.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.5.4
Tensorflow-1.3.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.4.5
Tensorflow-1.2.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.4.5
Tensorflow-1.1.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.4.2
Tensorflow-1.0.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.4.2

GPU

إصدار نسخة بايثون مترجم بناء الأدوات cuDNN كودا
Tensorflow-2.15.0 3.9-3.11 رنة 16.0.0 بازل 6.1.0 8.9 12.2
Tensorflow-2.14.0 3.9-3.11 رنة 16.0.0 بازل 6.1.0 8.7 11.8
Tensorflow-2.13.0 3.8-3.11 رنة 16.0.0 بازل 5.3.0 8.6 11.8
Tensorflow-2.12.0 3.8-3.11 دول مجلس التعاون الخليجي 9.3.1 بازل 5.3.0 8.6 11.8
Tensorflow-2.11.0 3.7-3.10 دول مجلس التعاون الخليجي 9.3.1 بازل 5.3.0 8.1 11.2
Tensorflow-2.10.0 3.7-3.10 دول مجلس التعاون الخليجي 9.3.1 بازل 5.1.1 8.1 11.2
Tensorflow-2.9.0 3.7-3.10 دول مجلس التعاون الخليجي 9.3.1 بازل 5.0.0 8.1 11.2
Tensorflow-2.8.0 3.7-3.10 دول مجلس التعاون الخليجي 7.3.1 بازل 4.2.1 8.1 11.2
Tensorflow-2.7.0 3.7-3.9 دول مجلس التعاون الخليجي 7.3.1 بازل 3.7.2 8.1 11.2
Tensorflow-2.6.0 3.6-3.9 دول مجلس التعاون الخليجي 7.3.1 بازل 3.7.2 8.1 11.2
Tensorflow-2.5.0 3.6-3.9 دول مجلس التعاون الخليجي 7.3.1 بازل 3.7.2 8.1 11.2
Tensorflow-2.4.0 3.6-3.8 دول مجلس التعاون الخليجي 7.3.1 بازل 3.1.0 8.0 11.0
Tensorflow-2.3.0 3.5-3.8 دول مجلس التعاون الخليجي 7.3.1 بازل 3.1.0 7.6 10.1
Tensorflow-2.2.0 3.5-3.8 دول مجلس التعاون الخليجي 7.3.1 بازل 2.0.0 7.6 10.1
Tensorflow-2.1.0 2.7، 3.5-3.7 دول مجلس التعاون الخليجي 7.3.1 بازل 0.27.1 7.6 10.1
Tensorflow-2.0.0 2.7، 3.3-3.7 دول مجلس التعاون الخليجي 7.3.1 بازل 0.26.1 7.4 10.0
Tensorflow_gpu-1.15.0 2.7، 3.3-3.7 دول مجلس التعاون الخليجي 7.3.1 بازل 0.26.1 7.4 10.0
Tensorflow_gpu-1.14.0 2.7، 3.3-3.7 دول مجلس التعاون الخليجي 4.8 بازل 0.24.1 7.4 10.0
Tensorflow_gpu-1.13.1 2.7، 3.3-3.7 دول مجلس التعاون الخليجي 4.8 بازل 0.19.2 7.4 10.0
Tensorflow_gpu-1.12.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.15.0 7 9
Tensorflow_gpu-1.11.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.15.0 7 9
Tensorflow_gpu-1.10.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.15.0 7 9
Tensorflow_gpu-1.9.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.11.0 7 9
Tensorflow_gpu-1.8.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.10.0 7 9
Tensorflow_gpu-1.7.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.9.0 7 9
Tensorflow_gpu-1.6.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.9.0 7 9
Tensorflow_gpu-1.5.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.8.0 7 9
Tensorflow_gpu-1.4.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.5.4 6 8
Tensorflow_gpu-1.3.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.4.5 6 8
Tensorflow_gpu-1.2.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.4.5 5.1 8
Tensorflow_gpu-1.1.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.4.2 5.1 8
Tensorflow_gpu-1.0.0 2.7، 3.3-3.6 دول مجلس التعاون الخليجي 4.8 بازل 0.4.2 5.1 8

ماك

وحدة المعالجة المركزية

إصدار نسخة بايثون مترجم بناء الأدوات
Tensorflow-2.15.0 3.9-3.11 رنة من xcode 10.15 بازل 6.1.0
Tensorflow-2.14.0 3.9-3.11 رنة من xcode 10.15 بازل 6.1.0
Tensorflow-2.13.0 3.8-3.11 رنة من xcode 10.15 بازل 5.3.0
Tensorflow-2.12.0 3.8-3.11 رنة من xcode 10.15 بازل 5.3.0
Tensorflow-2.11.0 3.7-3.10 رنة من xcode 10.14 بازل 5.3.0
Tensorflow-2.10.0 3.7-3.10 رنة من xcode 10.14 بازل 5.1.1
Tensorflow-2.9.0 3.7-3.10 رنة من xcode 10.14 بازل 5.0.0
Tensorflow-2.8.0 3.7-3.10 رنة من xcode 10.14 بازل 4.2.1
Tensorflow-2.7.0 3.7-3.9 رنة من xcode 10.11 بازل 3.7.2
Tensorflow-2.6.0 3.6-3.9 رنة من xcode 10.11 بازل 3.7.2
Tensorflow-2.5.0 3.6-3.9 رنة من xcode 10.11 بازل 3.7.2
Tensorflow-2.4.0 3.6-3.8 رنة من xcode 10.3 بازل 3.1.0
Tensorflow-2.3.0 3.5-3.8 رنة من xcode 10.1 بازل 3.1.0
Tensorflow-2.2.0 3.5-3.8 رنة من xcode 10.1 بازل 2.0.0
Tensorflow-2.1.0 2.7، 3.5-3.7 رنة من xcode 10.1 بازل 0.27.1
Tensorflow-2.0.0 2.7، 3.5-3.7 رنة من xcode 10.1 بازل 0.27.1
Tensorflow-2.0.0 2.7، 3.3-3.7 رنة من xcode 10.1 بازل 0.26.1
Tensorflow-1.15.0 2.7، 3.3-3.7 رنة من xcode 10.1 بازل 0.26.1
Tensorflow-1.14.0 2.7، 3.3-3.7 رنة من xcode بازل 0.24.1
Tensorflow-1.13.1 2.7، 3.3-3.7 رنة من xcode بازل 0.19.2
Tensorflow-1.12.0 2.7، 3.3-3.6 رنة من xcode بازل 0.15.0
Tensorflow-1.11.0 2.7، 3.3-3.6 رنة من xcode بازل 0.15.0
Tensorflow-1.10.0 2.7، 3.3-3.6 رنة من xcode بازل 0.15.0
Tensorflow-1.9.0 2.7، 3.3-3.6 رنة من xcode بازل 0.11.0
Tensorflow-1.8.0 2.7، 3.3-3.6 رنة من xcode بازل 0.10.1
Tensorflow-1.7.0 2.7، 3.3-3.6 رنة من xcode بازل 0.10.1
Tensorflow-1.6.0 2.7، 3.3-3.6 رنة من xcode بازل 0.8.1
Tensorflow-1.5.0 2.7، 3.3-3.6 رنة من xcode بازل 0.8.1
Tensorflow-1.4.0 2.7، 3.3-3.6 رنة من xcode بازل 0.5.4
Tensorflow-1.3.0 2.7، 3.3-3.6 رنة من xcode بازل 0.4.5
Tensorflow-1.2.0 2.7، 3.3-3.6 رنة من xcode بازل 0.4.5
Tensorflow-1.1.0 2.7، 3.3-3.6 رنة من xcode بازل 0.4.2
Tensorflow-1.0.0 2.7، 3.3-3.6 رنة من xcode بازل 0.4.2

GPU

إصدار نسخة بايثون مترجم بناء الأدوات cuDNN كودا
Tensorflow_gpu-1.1.0 2.7، 3.3-3.6 رنة من xcode بازل 0.4.2 5.1 8
Tensorflow_gpu-1.0.0 2.7، 3.3-3.6 رنة من xcode بازل 0.4.2 5.1 8