Ta strona została przetłumaczona przez Cloud Translation API.

Kompilacja ze źródła

Zbuduj pakiet pip TensorFlow ze źródła i zainstaluj go na Ubuntu Linux i macOS. Chociaż instrukcje mogą działać w przypadku innych systemów, są testowane i obsługiwane tylko w systemach Ubuntu i macOS.

Konfiguracja dla systemu Linux i macOS

Zainstaluj następujące narzędzia do kompilacji, aby skonfigurować środowisko programistyczne.

Zainstaluj zależności Pythona i pakietu TensorFlow

Ubuntu

sudo apt install python3-dev python3-pip

System operacyjny Mac

Wymaga Xcode 9.2 lub nowszego.

Zainstaluj za pomocą menedżera pakietów Homebrew :

brew install python

Zainstaluj zależności pakietu pip TensorFlow (jeśli używasz środowiska wirtualnego, pomiń argument --user ):

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

Zainstaluj Bazela

Aby zbudować TensorFlow, musisz zainstalować Bazel. Bazelisk to łatwy sposób na zainstalowanie Bazela i automatyczne pobieranie prawidłowej wersji Bazela dla TensorFlow. Dla łatwości użycia dodaj Bazelisk jako plik wykonywalny bazel w PATH .

Jeśli Bazelisk nie jest dostępny, możesz ręcznie zainstalować Bazel . Upewnij się, że zainstalowałeś poprawną wersję Bazela z pliku .bazelversion TensorFlow.

Zainstaluj Clang (zalecane, tylko Linux)

Clang to kompilator C/C++/Objective-C skompilowany w C++ w oparciu o LLVM. Jest to domyślny kompilator do budowania TensorFlow począwszy od TensorFlow 2.13. Aktualnie obsługiwana wersja to LLVM/Clang 16.

Pakiety nocne LLVM Debian/Ubuntu zapewniają skrypt automatycznej instalacji i pakiety do ręcznej instalacji w systemie Linux. Upewnij się, że uruchomiłeś następującą komendę, jeśli ręcznie dodajesz repozytorium llvm apt do źródeł pakietów:

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

Alternatywnie możesz pobrać i rozpakować wstępnie skompilowany Clang + LLVM 16 .

Poniżej znajduje się przykład kroków, które możesz wykonać, aby skonfigurować pobrane pliki binarne Clang + LLVM 16:

Przejdź do żądanego katalogu docelowego:

```cd <desired directory>```

Załaduj i rozpakuj plik archiwum... (odpowiedni dla Twojej architektury):


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

Sprawdź uzyskaną wersję binarną Clang + LLVM 16:


./clang+llvm-16.0.0-x86_64-linux-gnu-ubuntu-18.04/bin/clang-16 --version

Katalog /clang+llvm-16.0.0-x86_64-linux-gnu-ubuntu-18.04/bin/clang-16 to rzeczywista ścieżka do twojego nowego klangu. Możesz uruchomić skrypt ./configure lub ręcznie ustawić zmienne środowiskowe CC i BAZEL_COMPILER na tę ścieżkę.

Zainstaluj obsługę GPU (opcjonalnie, tylko Linux)

W systemie macOS nie ma obsługi procesora graficznego.

Przeczytaj przewodnik obsługi GPU , aby zainstalować sterowniki i dodatkowe oprogramowanie wymagane do uruchomienia TensorFlow na GPU.

Pobierz kod źródłowy TensorFlow

Użyj Git, aby sklonować repozytorium TensorFlow :

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

Domyślnie repozytorium znajduje się w master gałęzi rozwojowej. Możesz także sprawdzić gałąź wydania do zbudowania:

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

Skonfiguruj kompilację

Kompilacje TensorFlow są konfigurowane przez plik .bazelrc w katalogu głównym repozytorium. Do dostosowania typowych ustawień można użyć skryptów ./configure lub ./configure.py .

Proszę uruchomić skrypt ./configure z katalogu głównego repozytorium. Ten skrypt wyświetli monit o lokalizację zależności TensorFlow i poprosi o dodatkowe opcje konfiguracji kompilacji (na przykład flagi kompilatora). Aby uzyskać szczegółowe informacje, zobacz sekcję Przykładowa sesja .

./configure

Istnieje również wersja tego skryptu w języku Python, ./configure.py . Jeśli używasz środowiska wirtualnego, python configure.py nadaje priorytet ścieżkom w środowisku, podczas gdy ./configure nadaje priorytet ścieżkom poza środowiskiem. W obu przypadkach możesz zmienić ustawienie domyślne.

Przykładowa sesja

Poniżej przedstawiono przykładowe uruchomienie skryptu ./configure (Twoja sesja może się różnić):

Zobacz przykładową sesję konfiguracyjną

./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.

Opcje konfiguracji

Wsparcie GPU

Aby uzyskać obsługę GPU , podczas konfiguracji ustaw cuda=Y i określ wersje CUDA i cuDNN. Jeśli w Twoim systemie zainstalowanych jest wiele wersji CUDA lub cuDNN, ustaw jawnie wersję, zamiast polegać na wartości domyślnej. ./configure tworzy dowiązania symboliczne do bibliotek CUDA w systemie — więc jeśli zaktualizujesz ścieżki bibliotek CUDA, ten krok konfiguracji musi zostać wykonany ponownie przed budowaniem.

Optymalizacje

W przypadku flag optymalizacji kompilacji opcja domyślna ( -march=native ) optymalizuje wygenerowany kod pod kątem typu procesora komputera. Jeśli jednak kompilujesz TensorFlow dla innego typu procesora, rozważ bardziej szczegółową flagę optymalizacji. Sprawdź przykłady w podręczniku GCC .

Wstępnie skonfigurowane konfiguracje

Dostępnych jest kilka wstępnie skonfigurowanych konfiguracji kompilacji, które można dodać do polecenia bazel build , na przykład:

--config=dbg — Kompiluj z informacjami debugowania. Szczegóły znajdziesz na CONTRIBUTING.md .
--config=mkl —Obsługa Intel® MKL-DNN .
--config=monolithic — Konfiguracja dla przeważnie statycznej, monolitycznej kompilacji.

Zbuduj i zainstaluj pakiet pip

Pakiet pip jest budowany w dwóch etapach. Komendy bazel build tworzą program „konstruktora pakietów”. Następnie uruchamiasz kreatora pakietów, aby utworzyć pakiet.

Zbuduj narzędzie do tworzenia pakietów

Użyj bazel build , aby utworzyć narzędzie do tworzenia pakietów TensorFlow 2.x:

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

Opcje kompilacji Bazela

Informacje na temat opcji kompilacji można znaleźć w dokumentacji wiersza poleceń Bazel.

Budowanie TensorFlow ze źródła może wymagać dużej ilości pamięci RAM. Jeśli twój system ma ograniczoną pamięć, ogranicz użycie RAMu Bazela za pomocą: --local_ram_resources=2048 .

Oficjalne pakiety TensorFlow są zbudowane z zestawu narzędzi Clang, który jest zgodny ze standardem pakietu ManyLinux2014.

Zbuduj pakiet

Polecenie bazel build tworzy plik wykonywalny o nazwie build_pip_package — jest to program, który buduje pakiet pip . Uruchom plik wykonywalny, jak pokazano poniżej, aby zbudować pakiet .whl w katalogu /tmp/tensorflow_pkg .

Aby skompilować z gałęzi wydania:

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

Aby zbudować z wzorca, użyj --nightly_flag , aby uzyskać odpowiednie zależności:

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

Chociaż możliwe jest budowanie konfiguracji CUDA i innych niż CUDA w tym samym drzewie źródłowym, zaleca się uruchamianie bazel clean podczas przełączania między tymi dwiema konfiguracjami w tym samym drzewie źródłowym.

Zainstaluj pakiet

Nazwa wygenerowanego pliku .whl zależy od wersji TensorFlow i Twojej platformy. Użyj pip install aby zainstalować pakiet, na przykład:

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

Kompilacje Docker Linux

Obrazy programistyczne platformy Docker TensorFlow to łatwy sposób na skonfigurowanie środowiska do tworzenia pakietów systemu Linux ze źródła. Te obrazy zawierają już kod źródłowy i zależności wymagane do zbudowania TensorFlow. Przejdź do przewodnika Dockera TensorFlow, aby uzyskać instrukcje instalacji i listę dostępnych tagów obrazu .

Tylko procesor

W poniższym przykładzie zastosowano obraz :devel do zbudowania pakietu przeznaczonego wyłącznie dla procesora na podstawie najnowszego kodu źródłowego TensorFlow. Sprawdź przewodnik Dockera pod kątem dostępnych tagów TensorFlow -devel .

Pobierz najnowszy obraz programistyczny i uruchom kontener Docker, którego użyjesz do zbudowania pakietu 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

Powyższe polecenie docker run uruchamia powłokę w katalogu /tensorflow_src — katalogu głównym drzewa źródłowego. Montuje bieżący katalog hosta w katalogu /mnt kontenera i przekazuje informacje o użytkowniku hosta do kontenera poprzez zmienną środowiskową (używaną do ustawiania uprawnień — Docker może to utrudnić).

Alternatywnie, aby zbudować kopię hosta TensorFlow w kontenerze, zamontuj drzewo źródeł hosta w katalogu /tensorflow kontenera:

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

Po skonfigurowaniu drzewa źródłowego zbuduj pakiet TensorFlow w wirtualnym środowisku kontenera:

Opcjonalnie: Skonfiguruj kompilację — powoduje to monit użytkownika o udzielenie odpowiedzi na pytania dotyczące konfiguracji kompilacji.
Zbuduj narzędzie używane do tworzenia pakietu pip .
Uruchom narzędzie, aby utworzyć pakiet pip .
Dostosuj uprawnienia własności pliku poza kontenerem.

./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

Zainstaluj i zweryfikuj pakiet w kontenerze:

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__)"

Na komputerze hosta pakiet pip TensorFlow znajduje się w bieżącym katalogu (z uprawnieniami użytkownika hosta): ./tensorflow- version - tags .whl

Wsparcie GPU

Docker to najłatwiejszy sposób na zbudowanie obsługi GPU dla TensorFlow, ponieważ maszyna hosta wymaga jedynie sterownika NVIDIA® (zestaw narzędzi NVIDIA® CUDA® Toolkit nie musi być instalowany). Zapoznaj się z przewodnikiem obsługi GPU i przewodnikiem TensorFlow Docker , aby skonfigurować nvidia-docker (tylko Linux).

Poniższy przykład pobiera obraz TensorFlow :devel-gpu i używa nvidia-docker do uruchomienia kontenera obsługującego procesor graficzny. Ten obraz programistyczny jest skonfigurowany do tworzenia pakietu pip z obsługą 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

Następnie w środowisku wirtualnym kontenera zbuduj pakiet TensorFlow z obsługą 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

Zainstaluj i zweryfikuj pakiet w kontenerze oraz sprawdź obecność procesora graficznego:

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')))"

Przetestowane konfiguracje kompilacji

Linuksa

procesor

Wersja	Wersja Pythona	Kompilator	Buduj narzędzia
tensorflow-2.15.0	3,9-3,11	Dzwonek 16.0.0	Bazela 6.1.0
tensorflow-2.14.0	3,9-3,11	Dzwonek 16.0.0	Bazela 6.1.0
tensorflow-2.13.0	3.8-3.11	Dzwonek 16.0.0	Bazel 5.3.0
tensorflow-2.12.0	3.8-3.11	OWU 9.3.1	Bazel 5.3.0
tensorflow-2.11.0	3,7-3,10	OWU 9.3.1	Bazel 5.3.0
tensorflow-2.10.0	3,7-3,10	OWU 9.3.1	Bazela 5.1.1
tensorflow-2.9.0	3,7-3,10	OWU 9.3.1	Bazel 5.0.0
tensorflow-2.8.0	3,7-3,10	GCC 7.3.1	Bazela 4.2.1
tensorflow-2.7.0	3,7-3,9	GCC 7.3.1	Bazela 3.7.2
tensorflow-2.6.0	3,6-3,9	GCC 7.3.1	Bazela 3.7.2
tensorflow-2.5.0	3,6-3,9	GCC 7.3.1	Bazela 3.7.2
tensorflow-2.4.0	3,6-3,8	GCC 7.3.1	Bazel 3.1.0
tensorflow-2.3.0	3,5-3,8	GCC 7.3.1	Bazel 3.1.0
tensorflow-2.2.0	3,5-3,8	GCC 7.3.1	Bazel 2.0.0
tensorflow-2.1.0	2,7, 3,5-3,7	GCC 7.3.1	Bazel 0.27.1
tensorflow-2.0.0	2,7, 3,3-3,7	GCC 7.3.1	Bazel 0.26.1
tensorflow-1.15.0	2,7, 3,3-3,7	GCC 7.3.1	Bazel 0.26.1
tensorflow-1.14.0	2,7, 3,3-3,7	GCC 4.8	Bazel 0.24.1
tensorflow-1.13.1	2,7, 3,3-3,7	GCC 4.8	Bazel 0.19.2
tensorflow-1.12.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.15.0
tensorflow-1.11.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.15.0
tensorflow-1.10.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.15.0
tensorflow-1.9.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.11.0
tensorflow-1.8.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.10.0
tensorflow-1.7.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.10.0
tensorflow-1.6.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.9.0
tensorflow-1.5.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.8.0
tensorflow-1.4.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.5.4
tensorflow-1.3.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.4.5
tensorflow-1.2.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.4.5
tensorflow-1.1.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.4.2
tensorflow-1.0.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.4.2

GPU

Wersja	Wersja Pythona	Kompilator	Buduj narzędzia	cuDNN	CUDA
tensorflow-2.15.0	3,9-3,11	Dzwonek 16.0.0	Bazela 6.1.0	8.8	12.2
tensorflow-2.14.0	3,9-3,11	Dzwonek 16.0.0	Bazela 6.1.0	8.7	11.8
tensorflow-2.13.0	3.8-3.11	Dzwonek 16.0.0	Bazel 5.3.0	8.6	11.8
tensorflow-2.12.0	3.8-3.11	OWU 9.3.1	Bazel 5.3.0	8.6	11.8
tensorflow-2.11.0	3,7-3,10	OWU 9.3.1	Bazel 5.3.0	8.1	11.2
tensorflow-2.10.0	3,7-3,10	OWU 9.3.1	Bazela 5.1.1	8.1	11.2
tensorflow-2.9.0	3,7-3,10	OWU 9.3.1	Bazel 5.0.0	8.1	11.2
tensorflow-2.8.0	3,7-3,10	GCC 7.3.1	Bazela 4.2.1	8.1	11.2
tensorflow-2.7.0	3,7-3,9	GCC 7.3.1	Bazela 3.7.2	8.1	11.2
tensorflow-2.6.0	3,6-3,9	GCC 7.3.1	Bazela 3.7.2	8.1	11.2
tensorflow-2.5.0	3,6-3,9	GCC 7.3.1	Bazela 3.7.2	8.1	11.2
tensorflow-2.4.0	3,6-3,8	GCC 7.3.1	Bazel 3.1.0	8,0	11,0
tensorflow-2.3.0	3,5-3,8	GCC 7.3.1	Bazel 3.1.0	7.6	10.1
tensorflow-2.2.0	3,5-3,8	GCC 7.3.1	Bazel 2.0.0	7.6	10.1
tensorflow-2.1.0	2,7, 3,5-3,7	GCC 7.3.1	Bazel 0.27.1	7.6	10.1
tensorflow-2.0.0	2,7, 3,3-3,7	GCC 7.3.1	Bazel 0.26.1	7.4	10,0
tensorflow_gpu-1.15.0	2,7, 3,3-3,7	GCC 7.3.1	Bazel 0.26.1	7.4	10,0
tensorflow_gpu-1.14.0	2,7, 3,3-3,7	GCC 4.8	Bazel 0.24.1	7.4	10,0
tensorflow_gpu-1.13.1	2,7, 3,3-3,7	GCC 4.8	Bazel 0.19.2	7.4	10,0
tensorflow_gpu-1.12.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.15.0	7	9
tensorflow_gpu-1.11.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.15.0	7	9
tensorflow_gpu-1.10.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.15.0	7	9
tensorflow_gpu-1.9.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.11.0	7	9
tensorflow_gpu-1.8.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.10.0	7	9
tensorflow_gpu-1.7.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.9.0	7	9
tensorflow_gpu-1.6.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.9.0	7	9
tensorflow_gpu-1.5.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.8.0	7	9
tensorflow_gpu-1.4.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.5.4	6	8
tensorflow_gpu-1.3.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.4.5	6	8
tensorflow_gpu-1.2.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.4.5	5.1	8
tensorflow_gpu-1.1.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.4.2	5.1	8
tensorflow_gpu-1.0.0	2,7, 3,3-3,6	GCC 4.8	Bazel 0.4.2	5.1	8

System operacyjny Mac

procesor

Wersja	Wersja Pythona	Kompilator	Buduj narzędzia
tensorflow-2.15.0	3,9-3,11	Brzęk z xcode 10.15	Bazela 6.1.0
tensorflow-2.14.0	3,9-3,11	Brzęk z xcode 10.15	Bazela 6.1.0
tensorflow-2.13.0	3.8-3.11	Brzęk z xcode 10.15	Bazel 5.3.0
tensorflow-2.12.0	3.8-3.11	Brzęk z xcode 10.15	Bazel 5.3.0
tensorflow-2.11.0	3,7-3,10	Brzęk z xcode 10.14	Bazel 5.3.0
tensorflow-2.10.0	3,7-3,10	Brzęk z xcode 10.14	Bazela 5.1.1
tensorflow-2.9.0	3,7-3,10	Brzęk z xcode 10.14	Bazel 5.0.0
tensorflow-2.8.0	3,7-3,10	Brzęk z xcode 10.14	Bazela 4.2.1
tensorflow-2.7.0	3,7-3,9	Brzęk z xcode 10.11	Bazela 3.7.2
tensorflow-2.6.0	3,6-3,9	Brzęk z xcode 10.11	Bazela 3.7.2
tensorflow-2.5.0	3,6-3,9	Brzęk z xcode 10.11	Bazela 3.7.2
tensorflow-2.4.0	3,6-3,8	Brzęk z xcode 10.3	Bazel 3.1.0
tensorflow-2.3.0	3,5-3,8	Brzęk z xcode 10.1	Bazel 3.1.0
tensorflow-2.2.0	3,5-3,8	Brzęk z xcode 10.1	Bazel 2.0.0
tensorflow-2.1.0	2,7, 3,5-3,7	Brzęk z xcode 10.1	Bazel 0.27.1
tensorflow-2.0.0	2,7, 3,5-3,7	Brzęk z xcode 10.1	Bazel 0.27.1
tensorflow-2.0.0	2,7, 3,3-3,7	Brzęk z xcode 10.1	Bazel 0.26.1
tensorflow-1.15.0	2,7, 3,3-3,7	Brzęk z xcode 10.1	Bazel 0.26.1
tensorflow-1.14.0	2,7, 3,3-3,7	Brzęk z xcode	Bazel 0.24.1
tensorflow-1.13.1	2,7, 3,3-3,7	Brzęk z xcode	Bazel 0.19.2
tensorflow-1.12.0	2,7, 3,3-3,6	Brzęk z xcode	Bazel 0.15.0
tensorflow-1.11.0	2,7, 3,3-3,6	Brzęk z xcode	Bazel 0.15.0
tensorflow-1.10.0	2,7, 3,3-3,6	Brzęk z xcode	Bazel 0.15.0
tensorflow-1.9.0	2,7, 3,3-3,6	Brzęk z xcode	Bazel 0.11.0
tensorflow-1.8.0	2,7, 3,3-3,6	Brzęk z xcode	Bazel 0.10.1
tensorflow-1.7.0	2,7, 3,3-3,6	Brzęk z xcode	Bazel 0.10.1
tensorflow-1.6.0	2,7, 3,3-3,6	Brzęk z xcode	Bazel 0.8.1
tensorflow-1.5.0	2,7, 3,3-3,6	Brzęk z xcode	Bazel 0.8.1
tensorflow-1.4.0	2,7, 3,3-3,6	Brzęk z xcode	Bazel 0.5.4
tensorflow-1.3.0	2,7, 3,3-3,6	Brzęk z xcode	Bazel 0.4.5
tensorflow-1.2.0	2,7, 3,3-3,6	Brzęk z xcode	Bazel 0.4.5
tensorflow-1.1.0	2,7, 3,3-3,6	Brzęk z xcode	Bazel 0.4.2
tensorflow-1.0.0	2,7, 3,3-3,6	Brzęk z xcode	Bazel 0.4.2

GPU

Wersja	Wersja Pythona	Kompilator	Buduj narzędzia	cuDNN	CUDA
tensorflow_gpu-1.1.0	2,7, 3,3-3,6	Brzęk z xcode	Bazel 0.4.2	5.1	8
tensorflow_gpu-1.0.0	2,7, 3,3-3,6	Brzęk z xcode	Bazel 0.4.2	5.1	8