机器学习小白（三）——TensorFlow安装

1、官方教程

官网https://www.tensorflow.org/，可以直接参考：官方安装教程，就懒得搬运了。不过需要自备梯子，没有的可以看后文。

2、官方教程注意点

（2018.05.24版）
本人是GeForce GTX 960M的渣笔记本显卡，算是刚够到gpu版本的及格线上。目前安装的是1.8.0TensorFlow的gpu版本。不同版本对cuda和cudnn版本要求不一样，坑爹的是兼容性感觉不怎么样，最好是按官方要求的版本。

操作系统上官网是这么写的，需要符合的操作系统

我们已在如下配置的 64 位笔记本电脑/台式机操作系统中构建并测试过 TensorFlow：
MacOS X 10.11 (El Capitan) 或更高版本
Ubuntu 16.04 或更高版本
Windows 7 或更高版本
也许您能在其他笔记本电脑或台式机系统上安装 TensorFlow，但我们只支持上述配置（且只会修复这些配置中的问题）。

可以仅仅安装CPU版本的，也可以安装gpu版本的。如果硬件支持的话，建议装gpu版本的，速度差很多。

您必须从以下 TensorFlow 类型中选择其一来进行安装：
仅支持 CPU 的 TensorFlow。如果您的系统没有 NVIDIA® GPU，就必须安装此版本。请注意，此版本的 TensorFlow 通常更容易安装（用时通常在 5 或 10 分钟内），所以即使您拥有 NVIDIA GPU，我们也建议先安装此版本。预先构建的二进制文件将使用 AVX 指令。
**支持 GPU 的 TensorFlow。**TensorFlow 程序在 GPU 上的运行速度通常要比在 CPU 上快得多。因此，如果您的系统配有满足以下所示先决条件的 NVIDIA® GPU，并且您需要运行性能至关重要的应用，则最终应安装此版本。

安装gpu版本的要麻烦很多，要求如下：

运行支持 GPU 的 TensorFlow 所需满足的要求
如果您要使用本指南描述的其中一种方式安装支持 GPU 的 TensorFlow，就必须在系统上安装以下 NVIDIA 软件：

CUDA® 工具包 9.0。如需了解详情，请参阅 NVIDIA 的文档。请务必按照 NVIDIA 文档中的说明将相关的 CUDA 路径名附加到 %PATH% 环境变量中。
与 CUDA 工具包 9.0 相关联的 NVIDIA 驱动程序。
cuDNN v7.0。如需了解详情，请参阅 NVIDIA 文档。请注意，cuDNN 通常安装在与其他 CUDA DLL 不同的位置。请务必将您安装了 cuDNN DLL 的目录添加到 %PATH% 环境变量中。
CUDA 计算能力为 3.0 或更高的 GPU 卡（用于从源代码构建），以及 CUDA 计算能力为 3.5 或更高的 GPU 卡（用于安装我们的二进制文件）。如需了解支持的 GPU 卡的列表，请参阅 NVIDIA 文档。
如果您的某个软件包不同于上述版本，请改为指定的版本。特别是，cuDNN 版本必须完全匹配：如果无法找到 cuDNN64_7.dll，TensorFlow 就不会加载。要使用不同版本的 cuDNN，您必须从源代码构建。

1、安装时注意从NVIDIA下载的CUDA版本和cuDNN版本，我下了CUDA9.2的，然后运行时提示了错误：

ImportError: Could not find ‘cudart64_90.dll’. TensorFlow requires that this DLL be installed in a directory that is nam
ed in your %PATH% environment variable. Download and install CUDA 9.0 from this URL: https://developer.nvidia.com/cuda-t
oolkit

原因：CUDA版本不是TensorFlow要求的版本，可能过高！！！或过低(╯°Д°)╯︵┻━┻
解决办法：下载错误提示里写的版本（默认传统安装）

2、使用时，遇到了提示

Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2

查阅的资料表明：

如果你有一个GPU，并且安装的是gpu版本的

你不应该关心AVX的支持，因为大多数昂贵的操作将被分派到一个GPU设备上（除非明确地设置）。在这种情况下，您可以简单地忽略此警告：

import os
os.environ[‘TF_CPP_MIN_LOG_LEVEL’] = ‘2’

如果安装的是CPU版本（pip install tensorflow）

1.在代码中加入如下代码，忽略警告：

import os
os.environ[‘TF_CPP_MIN_LOG_LEVEL’] = ‘2’
2.编译TensorFlow源码
如果您没有GPU并且希望尽可能多地利用CPU，那么如果您的CPU支持AVX，AVX2和FMA，则应该从针对CPU优化的源构建tensorflow。在这个问题中已经讨论过这个问题，也是这个GitHub问题。 Tensorflow使用称为bazel的ad-hoc构建系统，构建它并不是那么简单，但肯定是可行的。在此之后，不仅警告消失，tensorflow性能也应该改善。

3、如果还有其他错误，可以参考这篇博客，不过我没遇到过
https://blog.csdn.net/mm644706215/article/details/78797782

3、安装教程

3.1 ubuntu和mac

极客学院的
http://wiki.jikexueyuan.com/project/tensorflow-zh/get_started/os_setup.html
或一个中文社区的翻译
http://www.tensorfly.cn/tfdoc/get_started/os_setup.html

3.2 windows

以下是1-4我的安装步骤，这个是gpu版本的

• 1、检测cuda，可以参考TensorFlow：检查显卡支持哪个版本的CUDA
• 2、安装CUDA Toolkit
• 3、安装cuDNN，安装见教程
• 4、安装TensorFlow，TensorFlow可以通过两种方式进行安装。一是”native” pip，二是Anaconda。用pip就一行：
  

  C:> pip3 install –upgrade tensorflow-gpu

按照Google的文档，cpu版本的只有一步，不需要gpu版本的1-3步骤：
C:> pip3 install –upgrade tensorflow

• 用Anaconda正常流程如下，Google是这么写的

Anaconda 安装是由社区提供支持的，并没有任何官方支持。
按照以下步骤在 Anaconda 环境中安装 TensorFlow：

按照 Anaconda 下载网站上的说明下载并安装 Anaconda。

调用以下命令创建名为 tensorflow 的 conda 环境：

C:> conda create -n tensorflow pip python=3.5
发出以下命令以激活 conda 环境：

C:> activate tensorflow
(tensorflow)C:> # Your prompt should change

发出相关命令以在 conda 环境中安装 TensorFlow。要安装仅支持 CPU 的 TensorFlow 版本，请输入以下命令：

(tensorflow)C:> pip install –ignore-installed –upgrade tensorflow

要安装 GPU 版本的 TensorFlow，请输入以下命令（在同一行）：

(tensorflow)C:> pip install –ignore-installed –upgrade tensorflow-gpu

也可以参考CSDN的一个博客

我也装了anaconda，不过一般都是用Pycharm，anaconda只是装了后常用科学计算的包都有了，所以1-3步骤后，直接用pip安装了tensorflow-gpu，主要是官方教程看到pip就装上了，不想麻烦就先试试，在pycharm里也能用，没有conda create和activate tensorflow的步骤。
不过目测在conda下不能用，因为没有在conda里创建TensorFlow环境，在Anaconda Prompt里用

conda env list

果然并没有TensorFlow环境。

4、测试：Hello, TensorFlow!

import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

输出如下所示，嗯一堆没什么用的东西后面是b’Hello, TensorFlow!’，可以算是能用了。

D:\PythonAnaconda\python.exe G:/mission/PythonLearning/MachineLearning/Tensorflow_Hello/hello.py
D:\PythonAnaconda\lib\site-packages\h5py__init__.py:34: FutureWarning: Conversion of the second argument of issubdtype from float to np.floating is deprecated. In future, it will be treated as np.float64 == np.dtype(float).type.
from ._conv import register_converters as _register_converters
2018-05-24 10:39:53.995925: I T:\src\github\tensorflow\tensorflow\core\platform\cpu_feature_guard.cc:140] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
2018-05-24 10:39:55.138147: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:1356] Found device 0 with properties:
name: GeForce GTX 960M major: 5 minor: 0 memoryClockRate(GHz): 1.176
pciBusID: 0000:01:00.0
totalMemory: 2.00GiB freeMemory: 1.65GiB
2018-05-24 10:39:55.138613: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:1435] Adding visible gpu devices: 0
2018-05-24 10:42:20.869521: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:923] Device interconnect StreamExecutor with strength 1 edge matrix:
2018-05-24 10:42:20.869770: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:929] 0
2018-05-24 10:42:20.869930: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:942] 0: N
2018-05-24 10:42:20.870262: I T:\src\github\tensorflow\tensorflow\core\common_runtime\gpu\gpu_device.cc:1053] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 1419 MB memory) -> physical GPU (device: 0, name: GeForce GTX 960M, pci bus id: 0000:01:00.0, compute capability: 5.0)
b’Hello, TensorFlow!’

Process finished with exit code 0

TensorFlow入门

可以参考我的github，一起学习Tensorflow_Hello