操作系统 | windows/ubuntu |
---|---|
虚拟环境 | miniconda |
tensorflow版本 | tensorflow / tensorflow-gpu |
ps: 由于我的电脑显卡GTX750/1G配置较低,运算能力只有2.1,tensorflow要求GPU的运算能力至少是3.5,所以安装的CPU版。之前也有尝试安装GPU版,但是无法启用GPU,在室友的电脑上GTX1050Ti/2G完美运行。失败提示的是"ignore device 0(GPU xxx)…",成功启用会提示"create device …"。如果你的显卡配置较高建议安装GPU版,你会看到,方法是一样的。
-
根据自己的系统下载最新的miniconda,添加conda源,按照提示安装即可。
-
创建虚拟环境
以下操作均在命令行中执行,windows打开anaconda prompt, ubuntu下打开终端。
输入conda create -n DL python=3.6
会创建一个名字叫DL,已安装python3.6的虚拟环境。 -
安装tensorflow
首先激活已经创建的虚拟环境,ubuntu输入source activate DL
, windows输入activate DL
CPU版:conda install tensorflow
,它会自动关联需要用到的包,见下图。
GPU版:conda install tensorflow-gpu
,gpu版的需要使用CUDA和cudnn,没关系,我们不需要从官网下载他们,然后很繁琐的安装再添加环境变量,网上的教程几乎都是这样。其实,conda也会自动检测,然后关联安装,这也是我选择miniconda的主要原因。看图
以上的tensorflow版本都是系统自动给的,如果不是你想要的可以在后面指定版本如:conda isntall tensorflow=1.2
,注意,tensorflow的版本要与操作系统和python版本兼容,如果你指定的版本不兼容的的话,会提示找不到这个版本。你可以使用conda search tensorflow
或conda info tensorflow
查看版本和兼容信息。 -
测试是否安装成功
在虚拟环境下运行python test_tf.py
# 编写 test_tf.py
import tensorflow as tf
import os
# 消除不支持SSE/AVX的警告
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# 新建一个 graph.
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
# 新建session with log_device_placement并设置为True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# 运行这个 op.
print(sess.run(c))
会输出(gpu版是gpu:0)
…
b: /job:localhost/replica:0/task:0/cpu:0
a: /job:localhost/replica:0/task:0/cpu:0
MatMul: /job:localhost/replica:0/task:0/cpu:0
…