Эта страница переведена с помощью Cloud Translation API.

Сборка из исходников

Создайте pip -пакет TensorFlow из исходного кода и установите его в Ubuntu Linux и macOS. Хотя инструкции могут работать для других систем, они протестированы и поддерживаются только для Ubuntu и macOS.

Настройка для Linux и macOS

Установите следующие инструменты сборки, чтобы настроить среду разработки.

Установите Python и зависимости пакета TensorFlow.

Убунту

sudo apt install python3-dev python3-pip

macOS

Требуется Xcode 9.2 или новее.

Установите с помощью менеджера пакетов Homebrew :

brew install python

Установите зависимости пакета pip TensorFlow (при использовании виртуальной среды опустите аргумент --user ):

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

Установить Базель

Для сборки TensorFlow вам потребуется установить Bazel. Bazelisk — это простой способ установки Bazel, который автоматически загружает правильную версию Bazel для TensorFlow. Для простоты использования добавьте Bazelisk в качестве исполняемого файла bazel в ваш PATH .

Если Bazelisk недоступен, вы можете установить Bazel вручную. Обязательно установите правильную версию Bazel из файла .bazelversion TensorFlow.

Установите Clang (рекомендуется, только для Linux)

Clang — это компилятор C/C++/Objective-C, скомпилированный в C++ на основе LLVM. Это компилятор по умолчанию для сборки TensorFlow, начиная с TensorFlow 2.13. Текущая поддерживаемая версия — LLVM/Clang 16.

Ночные пакеты LLVM Debian/Ubuntu предоставляют сценарий автоматической установки и пакеты для ручной установки в Linux. Обязательно выполните следующую команду, если вы вручную добавляете репозиторий llvm apt в источники пакетов:

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

Альтернативно, вы можете скачать и распаковать готовый Clang+LLVM 16 .

Ниже приведен пример шагов, которые вы можете предпринять для настройки загруженных двоичных файлов Clang + LLVM 16:

Перейдите в желаемый каталог назначения:

```cd <desired directory>```

Загрузите и извлеките архивный файл... (подходящий для вашей архитектуры):


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

Проверьте полученную версию двоичных файлов Clang + LLVM 16:
```
./clang+llvm-16.0.0-x86_64-linux-gnu-ubuntu-18.04/bin/clang-16 --version 
```
Каталог /clang+llvm-16.0.0-x86_64-linux-gnu-ubuntu-18.04/bin/clang-16 — это фактический путь к вашему новому clang. Вы можете запустить сценарий ./configure или вручную установить переменные среды CC и BAZEL_COMPILER по этому пути.

Установите поддержку графического процессора (необязательно, только для Linux)

Для macOS нет поддержки графического процессора.

Прочтите руководство по поддержке графического процессора , чтобы установить драйверы и дополнительное программное обеспечение, необходимое для запуска TensorFlow на графическом процессоре.

Загрузите исходный код TensorFlow.

Используйте Git для клонирования репозитория TensorFlow :

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

По умолчанию репозиторий является master веткой разработки. Вы также можете проверить ветку выпуска для сборки:

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

Настройка сборки

Сборки TensorFlow настраиваются с помощью файла .bazelrc в корневом каталоге репозитория. Сценарии ./configure или ./configure.py можно использовать для настройки общих настроек.

Пожалуйста, запустите сценарий ./configure из корневого каталога репозитория. Этот скрипт предложит вам указать расположение зависимостей TensorFlow и запросит дополнительные параметры конфигурации сборки (например, флаги компилятора). Подробности см. в разделе «Пример сеанса» .

./configure

Существует также версия этого скрипта на Python: ./configure.py . При использовании виртуальной среды python configure.py отдает приоритет путям внутри среды, тогда как ./configure отдает приоритет путям за пределами среды. В обоих случаях вы можете изменить значение по умолчанию.

Пример сеанса

Ниже показан пример выполнения сценария ./configure (ваш сеанс может отличаться):

Посмотреть пример сеанса настройки

./configure
You have bazel 6.1.0 installed.
Please specify the location of python. [Default is /Library/Frameworks/Python.framework/Versions/3.9/bin/python3]: 

Found possible Python library paths:
  /Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages
Please input the desired Python library path to use.  Default is [/Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages]

Do you wish to build TensorFlow with ROCm support? [y/N]:
No ROCm support will be enabled for TensorFlow.

Do you wish to build TensorFlow with CUDA support? [y/N]:
No CUDA support will be enabled for TensorFlow.

Do you want to use Clang to build TensorFlow? [Y/n]:
Clang will be used to compile TensorFlow.

Please specify the path to clang executable. [Default is /usr/lib/llvm-16/bin/clang]:

You have Clang 16.0.4 installed.

Please specify optimization flags to use during compilation when bazel option "--config=opt" is specified [Default is -Wno-sign-compare]:

Would you like to interactively configure ./WORKSPACE for Android builds? [y/N]: n
Not configuring the WORKSPACE for Android builds.

Do you wish to build TensorFlow with iOS support? [y/N]: n
No iOS support will be enabled for TensorFlow.

Preconfigured Bazel build configs. You can use any of the below by adding "--config=<>" to your build command. See .bazelrc for more details.
    --config=mkl            # Build with MKL support.
    --config=mkl_aarch64    # Build with oneDNN and Compute Library for the Arm Architecture (ACL).
    --config=monolithic     # Config for mostly static monolithic build.
    --config=numa           # Build with NUMA support.
    --config=dynamic_kernels    # (Experimental) Build kernels into separate shared objects.
    --config=v1             # Build with TensorFlow 1 API instead of TF 2 API.
Preconfigured Bazel build configs to DISABLE default on features:
    --config=nogcp          # Disable GCP support.
    --config=nonccl         # Disable NVIDIA NCCL support.

Варианты конфигурации

Поддержка графического процессора

Для поддержки графического процессора установите cuda=Y во время настройки и укажите версии CUDA и cuDNN. Если в вашей системе установлено несколько версий CUDA или cuDNN, укажите версию явно, а не полагайтесь на версию по умолчанию. ./configure создает символические ссылки на библиотеки CUDA вашей системы, поэтому, если вы обновляете пути к библиотекам CUDA, этот шаг настройки необходимо выполнить еще раз перед сборкой.

Оптимизации

Для флагов оптимизации компиляции значение по умолчанию ( -march=native ) оптимизирует сгенерированный код для типа процессора вашего компьютера. Однако при создании TensorFlow для другого типа процессора рассмотрите более конкретный флаг оптимизации. Примеры см. в руководстве GCC .

Предварительно настроенные конфигурации

Доступны некоторые предварительно настроенные конфигурации сборки, которые можно добавить в команду bazel build , например:

--config=dbg — Сборка с отладочной информацией. Подробности смотрите на CONTRIBUTING.md .
--config=mkl — Поддержка Intel® MKL-DNN .
--config=monolithic — Конфигурация для преимущественно статической монолитной сборки.

Сборка и установка пакета pip

Пакет pip собирается в два этапа. Команды bazel build создают программу «сборщика пакетов». Затем вы запускаете сборщик пакетов для создания пакета.

Создайте сборщик пакетов

Используйте bazel build для создания сборщика пакетов TensorFlow 2.x:

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

Варианты сборки Базеля

Параметры сборки см. в справочнике по командной строке Bazel.

Сборка TensorFlow из исходного кода может использовать много оперативной памяти. Если ваша система ограничена в объеме памяти, ограничьте использование оперативной памяти Bazel с помощью: --local_ram_resources=2048 .

Официальные пакеты TensorFlow созданы с использованием набора инструментов Clang, соответствующего стандарту пакетов Manylinux2014.

Сборка пакета

Команда bazel build создает исполняемый файл с именем build_pip_package — это программа, которая собирает пакет pip . Запустите исполняемый файл, как показано ниже, чтобы создать пакет .whl в каталоге /tmp/tensorflow_pkg .

Чтобы собрать из ветки выпуска:

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

Для сборки из мастера используйте --nightly_flag , чтобы получить правильные зависимости:

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

Хотя в одном и том же дереве исходного кода можно создавать конфигурации как с CUDA, так и без CUDA, рекомендуется запускать bazel clean при переключении между этими двумя конфигурациями в одном и том же дереве исходного кода.

Установить пакет

Имя сгенерированного файла .whl зависит от версии TensorFlow и вашей платформы. Используйте pip install для установки пакета, например:

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

Сборки Docker Linux

Образы разработки Docker от TensorFlow — это простой способ настроить среду для сборки пакетов Linux из исходного кода. Эти изображения уже содержат исходный код и зависимости, необходимые для сборки TensorFlow. Перейдите в руководство TensorFlow Docker для получения инструкций по установке и списка доступных тегов изображений .

только для процессора

В следующем примере образ :devel используется для сборки пакета только для ЦП из последней исходной версии TensorFlow. Проверьте руководство Docker на наличие доступных тегов TensorFlow -devel .

Загрузите последний образ разработки и запустите контейнер Docker, который вы будете использовать для сборки пакета pip :

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

Приведенная выше команда docker run запускает оболочку в каталоге /tensorflow_src — корне дерева исходного кода. Он монтирует текущий каталог хоста в каталог /mnt контейнера и передает информацию о пользователе хоста в контейнер через переменную среды (используется для установки разрешений — Docker может усложнить эту задачу).

В качестве альтернативы, чтобы создать хост-копию TensorFlow внутри контейнера, смонтируйте исходное дерево хоста в каталоге /tensorflow контейнера:

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

Настроив дерево исходного кода, создайте пакет TensorFlow в виртуальной среде контейнера:

Необязательно: Настройте сборку — пользователю будет предложено ответить на вопросы по настройке сборки.
Создайте инструмент, используемый для создания пакета pip .
Запустите инструмент, чтобы создать пакет pip .
Настройте права владения файлом за пределами контейнера.

./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

Установите и проверьте пакет внутри контейнера:

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__)"

На вашем хост-компьютере пакет pip TensorFlow находится в текущем каталоге (с разрешениями пользователя хоста): ./tensorflow- version - tags .whl

Поддержка графического процессора

Docker — это самый простой способ обеспечить поддержку графического процессора для TensorFlow, поскольку для хост- компьютера требуется только драйвер NVIDIA® ( инструментарий NVIDIA® CUDA® устанавливать не требуется). Обратитесь к руководству по поддержке графического процессора и руководству TensorFlow Docker для настройки nvidia-docker (только для Linux).

В следующем примере загружается образ TensorFlow :devel-gpu и используется nvidia-docker для запуска контейнера с поддержкой графического процессора. Этот образ разработки настроен для сборки пакета pip с поддержкой графического процессора:

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

Затем в виртуальной среде контейнера создайте пакет TensorFlow с поддержкой графического процессора:

./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

Установите и проверьте пакет внутри контейнера и проверьте наличие графического процессора:

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')))"

Протестированные конфигурации сборки

Линукс

Процессор

Версия	Версия Python	Компилятор	Инструменты сборки
тензорный поток-2.15.0	3,9-3,11	Кланг 16.0.0	Базель 6.1.0
тензорный поток-2.14.0	3,9-3,11	Кланг 16.0.0	Базель 6.1.0
тензорный поток-2.13.0	3,8-3,11	Кланг 16.0.0	Базель 5.3.0
тензорный поток-2.12.0	3,8-3,11	ОУЗ 9.3.1	Базель 5.3.0
тензорный поток-2.11.0	3,7-3,10	ОУЗ 9.3.1	Базель 5.3.0
тензорный поток-2.10.0	3,7-3,10	ОУЗ 9.3.1	Базель 5.1.1
тензорный поток-2.9.0	3,7-3,10	ОУЗ 9.3.1	Базель 5.0.0
тензорный поток-2.8.0	3,7-3,10	GCC 7.3.1	Базель 4.2.1
тензорный поток-2.7.0	3,7-3,9	GCC 7.3.1	Базель 3.7.2
тензорный поток-2.6.0	3,6-3,9	GCC 7.3.1	Базель 3.7.2
тензорный поток-2.5.0	3,6-3,9	GCC 7.3.1	Базель 3.7.2
тензорный поток-2.4.0	3,6-3,8	GCC 7.3.1	Базель 3.1.0
тензорный поток-2.3.0	3,5-3,8	GCC 7.3.1	Базель 3.1.0
тензорный поток-2.2.0	3,5-3,8	GCC 7.3.1	Базель 2.0.0
тензорный поток-2.1.0	2,7, 3,5-3,7	GCC 7.3.1	Базель 0.27.1
тензорный поток-2.0.0	2,7, 3,3-3,7	GCC 7.3.1	Базель 0.26.1
тензорный поток-1.15.0	2,7, 3,3-3,7	GCC 7.3.1	Базель 0.26.1
тензорный поток-1.14.0	2,7, 3,3-3,7	ССЗ 4.8	Базель 0.24.1
тензорный поток-1.13.1	2,7, 3,3-3,7	ССЗ 4.8	Базель 0.19.2
тензорный поток-1.12.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.15.0
тензорный поток-1.11.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.15.0
тензорный поток-1.10.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.15.0
тензорный поток-1.9.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.11.0
тензорный поток-1.8.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.10.0
тензорный поток-1.7.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.10.0
тензорный поток-1.6.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.9.0
тензорный поток-1.5.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.8.0
тензорный поток-1.4.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.5.4
тензорный поток-1.3.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.4.5
тензорный поток-1.2.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.4.5
тензорный поток-1.1.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.4.2
тензорный поток-1.0.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.4.2

графический процессор

Версия	Версия Python	Компилятор	Инструменты сборки	cuDNN	КУДА
тензорный поток-2.15.0	3,9-3,11	Кланг 16.0.0	Базель 6.1.0	8,8	12.2
тензорный поток-2.14.0	3,9-3,11	Кланг 16.0.0	Базель 6.1.0	8,7	11,8
тензорный поток-2.13.0	3,8-3,11	Кланг 16.0.0	Базель 5.3.0	8,6	11,8
тензорный поток-2.12.0	3,8-3,11	ОУЗ 9.3.1	Базель 5.3.0	8,6	11,8
тензорный поток-2.11.0	3,7-3,10	ОУЗ 9.3.1	Базель 5.3.0	8.1	11.2
тензорный поток-2.10.0	3,7-3,10	ОУЗ 9.3.1	Базель 5.1.1	8.1	11.2
тензорный поток-2.9.0	3,7-3,10	ОУЗ 9.3.1	Базель 5.0.0	8.1	11.2
тензорный поток-2.8.0	3,7-3,10	GCC 7.3.1	Базель 4.2.1	8.1	11.2
тензорный поток-2.7.0	3,7-3,9	GCC 7.3.1	Базель 3.7.2	8.1	11.2
тензорный поток-2.6.0	3,6-3,9	GCC 7.3.1	Базель 3.7.2	8.1	11.2
тензорный поток-2.5.0	3,6-3,9	GCC 7.3.1	Базель 3.7.2	8.1	11.2
тензорный поток-2.4.0	3,6-3,8	GCC 7.3.1	Базель 3.1.0	8.0	11,0
тензорный поток-2.3.0	3,5-3,8	GCC 7.3.1	Базель 3.1.0	7,6	10.1
тензорный поток-2.2.0	3,5-3,8	GCC 7.3.1	Базель 2.0.0	7,6	10.1
тензорный поток-2.1.0	2,7, 3,5-3,7	GCC 7.3.1	Базель 0.27.1	7,6	10.1
тензорный поток-2.0.0	2,7, 3,3-3,7	GCC 7.3.1	Базель 0.26.1	7.4	10,0
тензорный поток_гпу-1.15.0	2,7, 3,3-3,7	GCC 7.3.1	Базель 0.26.1	7.4	10,0
тензорный поток_гпу-1.14.0	2,7, 3,3-3,7	ССЗ 4.8	Базель 0.24.1	7.4	10,0
тензорный поток_гпу-1.13.1	2,7, 3,3-3,7	ССЗ 4.8	Базель 0.19.2	7.4	10,0
тензорный поток_гпу-1.12.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.15.0	7	9
тензорный поток_гпу-1.11.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.15.0	7	9
тензорный поток_гпу-1.10.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.15.0	7	9
tensorflow_gpu-1.9.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.11.0	7	9
тензорный поток_гпу-1.8.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.10.0	7	9
тензорный поток_гпу-1.7.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.9.0	7	9
тензорный поток_гпу-1.6.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.9.0	7	9
тензорный поток_гпу-1.5.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.8.0	7	9
тензорный поток_гпу-1.4.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.5.4	6	8
тензорный поток_гпу-1.3.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.4.5	6	8
тензорный поток_гпу-1.2.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.4.5	5.1	8
tensorflow_gpu-1.1.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.4.2	5.1	8
tensorflow_gpu-1.0.0	2,7, 3,3-3,6	ССЗ 4.8	Базель 0.4.2	5.1	8

macOS

Процессор

Версия	Версия Python	Компилятор	Инструменты сборки
тензорный поток-2.15.0	3,9-3,11	Кланг из xcode 10.15	Базель 6.1.0
тензорный поток-2.14.0	3,9-3,11	Кланг из xcode 10.15	Базель 6.1.0
тензорный поток-2.13.0	3,8-3,11	Кланг из xcode 10.15	Базель 5.3.0
тензорный поток-2.12.0	3,8-3,11	Кланг из xcode 10.15	Базель 5.3.0
тензорный поток-2.11.0	3,7-3,10	Кланг из xcode 10.14	Базель 5.3.0
тензорный поток-2.10.0	3,7-3,10	Кланг из xcode 10.14	Базель 5.1.1
тензорный поток-2.9.0	3,7-3,10	Кланг из xcode 10.14	Базель 5.0.0
тензорный поток-2.8.0	3,7-3,10	Кланг из xcode 10.14	Базель 4.2.1
тензорный поток-2.7.0	3,7-3,9	Кланг из xcode 10.11	Базель 3.7.2
тензорный поток-2.6.0	3,6-3,9	Кланг из xcode 10.11	Базель 3.7.2
тензорный поток-2.5.0	3,6-3,9	Кланг из xcode 10.11	Базель 3.7.2
тензорный поток-2.4.0	3,6-3,8	Кланг из xcode 10.3	Базель 3.1.0
тензорный поток-2.3.0	3,5-3,8	Кланг из xcode 10.1	Базель 3.1.0
тензорный поток-2.2.0	3,5-3,8	Кланг из xcode 10.1	Базель 2.0.0
тензорный поток-2.1.0	2,7, 3,5-3,7	Кланг из xcode 10.1	Базель 0.27.1
тензорный поток-2.0.0	2,7, 3,5-3,7	Кланг из xcode 10.1	Базель 0.27.1
тензорный поток-2.0.0	2,7, 3,3-3,7	Кланг из xcode 10.1	Базель 0.26.1
тензорный поток-1.15.0	2,7, 3,3-3,7	Кланг из xcode 10.1	Базель 0.26.1
тензорный поток-1.14.0	2,7, 3,3-3,7	Кланг из xcode	Базель 0.24.1
тензорный поток-1.13.1	2,7, 3,3-3,7	Кланг из xcode	Базель 0.19.2
тензорный поток-1.12.0	2,7, 3,3-3,6	Кланг из xcode	Базель 0.15.0
тензорный поток-1.11.0	2,7, 3,3-3,6	Кланг из xcode	Базель 0.15.0
тензорный поток-1.10.0	2,7, 3,3-3,6	Кланг из xcode	Базель 0.15.0
тензорный поток-1.9.0	2,7, 3,3-3,6	Кланг из xcode	Базель 0.11.0
тензорный поток-1.8.0	2,7, 3,3-3,6	Кланг из xcode	Базель 0.10.1
тензорный поток-1.7.0	2,7, 3,3-3,6	Кланг из xcode	Базель 0.10.1
тензорный поток-1.6.0	2,7, 3,3-3,6	Кланг из xcode	Базель 0.8.1
тензорный поток-1.5.0	2,7, 3,3-3,6	Кланг из xcode	Базель 0.8.1
тензорный поток-1.4.0	2,7, 3,3-3,6	Кланг из xcode	Базель 0.5.4
тензорный поток-1.3.0	2,7, 3,3-3,6	Кланг из xcode	Базель 0.4.5
тензорный поток-1.2.0	2,7, 3,3-3,6	Кланг из xcode	Базель 0.4.5
тензорный поток-1.1.0	2,7, 3,3-3,6	Кланг из xcode	Базель 0.4.2
тензорный поток-1.0.0	2,7, 3,3-3,6	Кланг из xcode	Базель 0.4.2

графический процессор

Версия	Версия Python	Компилятор	Инструменты сборки	cuDNN	КУДА
tensorflow_gpu-1.1.0	2,7, 3,3-3,6	Кланг из xcode	Базель 0.4.2	5.1	8
tensorflow_gpu-1.0.0	2,7, 3,3-3,6	Кланг из xcode	Базель 0.4.2	5.1	8