TensorFlow 安装总结

TensorFlow 简介：

并行计算框架安装：

安装Cuda

Linux

1. 由于GPU版本计算速度更快，所以优先考虑安装GPU版本。我们要查看我们的电脑是否支持GPU版本的硬件。

   这里有两个问题：

   首先，你的电脑需要配置有NVIDIA的显卡

   其次，你的显卡需要在CUDA支持名单里 GPUSUPPORT

2. 确认了你的GPU在NVIDIA CUDA技术支持名单里之后就可以安装驱动了。

   我们可以直接从NVIDIA官方网站找到CUDA下载链接

   根据自己的操作系统版本下载合适的安装包。

   另外要注意CUDA并不是版本越高越好，一般情况下CUDA发布版本要低于市面上相关机器学习框架的应用版本，也就是说你下载了一个过高的版本可能无法使用，具体如何选择CUDA版本，下文会有介绍。

安装显卡驱动和 Cuda：
指定到对应的文件所在位置：
# cd /usr/tmp/tensorflow-gpu
（这是我的文件所在的路径）

cd到驱动所在目录：

# sh ./NVIDIA-Linux-x86_64-375.66.run
# sh cuda_8.0.61_375.26_linux.run

修改配置文件：

# vi ~/.bashrc
（vi 命令为在terminal终端中进入文本编辑的方法，有的是vim，有界面还可以gedit ~/.bashrc方法进入）
按Insert键，进入插入模式：

#gpu driver 

export CUDA_HOME=/usr/local/cuda-8.0 

exportPATH=/usr/local/cuda-8.0/bin:$PATH 

exportLD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH 

exportLD_LIBRARY_PATH="/usr/local/cuda-8.0/lib:${LD_LIBRARY_PATH}"

按 Esc 键， 并输入
# wq
表示写入并退出。

修改之后需要激活所修改的配置文件：

# source ~/.bashrc
然后重启服务器
# reboot
接下来就可以通过查看显卡信息测试驱动是否安装成功：

# nvidia-smi

有显示，说明显卡驱动安装成功，继续闯关！

测试CUDA是否安装成功：
# cd /usr/local/cuda/samples/
如果安装成功了的话，上面这个文件夹是可以进去的
# make（这步运行时间比较长，不要以为存在问题）
# ./bin/x86_64/linux/release/deviceQuery

#./bin/x86_64/linux/release/bandwidthTest
显示 Result = PASS 则测试通过
安装CUDNN
指定到对应的文件所在位置：
# cd /usr/tmp/tensorflow-gpu
（这是我的文件所在的路径）

$ tar -zxvf cudnn-8.0-linux-x64-v6.0.tgz

$ cd cuda

$ cp include/* /usr/local/cuda-8.0/inlcude/

$ cp lib64/lib* /usr/local/cuda-8.0/lib64/

注意驱动和cuda的安装顺序，先安装驱动的话，安装cuda时x-configtion选择N

Mac OS和Raspbian

Windows

安装cuDNN

安装cuDNN也很简单，首先从 官方网站 下载cuDNN，这里需要注册NVIDIA账户。

Linux

安装cudnn:
$ tar -xvzf cudnn-8.0-linux-x64-v6.0.tgz
$ cp -P cuda/include/cudnn.h /usr/local/cuda-8.0/include
$ cp -P cuda/lib64/libcudnn* /usr/local/cuda-8.0/lib64
$ chmod a+r /usr/local/cuda-8.0/include/cudnn.h /usr/local/cuda-8.0/lib64/libcudnn*

Windows

TensorFlow安装

Linux 从源码构建

Ubuntumac OS

sudo apt install python-dev python-pip  # or python3-dev python3-pip

安装 TensorFlow pip 软件包依赖项（如果使用虚拟环境，请省略 --user 参数）：

pip install -U --user pip six numpy wheel mock
pip install -U --user keras_applications==1.0.5 --no-deps
pip install -U --user keras_preprocessing==1.0.3 --no-deps

这些依赖项列在 REQUIRED_PACKAGES 下的 setup.py 文件中。

安装 Bazel

安装 Bazel，它是用于编译 TensorFlow 的构建工具。

将 Bazel 可执行文件的位置添加到 PATH 环境变量中。

安装支持 GPU 的版本（可选，仅限 Linux）

没有针对 macOS 的 GPU 支持版本。

要安装在 GPU 上运行 TensorFlow 所需的驱动程序和其他软件，请参阅 GPU 支持指南。

注意：您可以轻松地设置 TensorFlow 的某个支持 GPU 的 Docker 映像。

下载 TensorFlow 源代码

使用 Git 克隆 TensorFlow 代码库：

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

代码库默认为 master 开发分支。您也可以检出要构建的版本分支：

git checkout branch_name  # r1.9, r1.10, etc.

要测试源代码树的副本，请对 r1.12 及更早版本运行以下测试（这可能需要一段时间）：

bazel test -c opt -- //tensorflow/... -//tensorflow/compiler/... -//tensorflow/contrib/lite/...

对于 r1.12 之后的版本（如 master），请运行以下命令：

bazel test -c opt -- //tensorflow/... -//tensorflow/compiler/... -//tensorflow/lite/...

要点：如果您在使用最新的开发分支时遇到构建问题，请尝试已知可用的版本分支。

配置构建

通过在 TensorFlow 源代码树的根目录下运行以下命令来配置系统构建：

./configure

此脚本会提示您指定 TensorFlow 依赖项的位置，并要求指定其他构建配置选项（例如，编译器标记）。以下代码展示了 ./configure 的示例运行会话（您的会话可能会有所不同）：

查看示例配置会话

配置选项

对于 GPU 支持，请指定 CUDA 和 cuDNN 的版本。如果您的系统安装了多个 CUDA 或 cuDNN 版本，请明确设置版本而不是依赖于默认版本。./configure 会创建指向系统 CUDA 库的符号链接，因此，如果您更新 CUDA 库路径，则必须在构建之前再次运行此配置步骤。

对于编译优化标记，默认值 (-march=native) 会优化针对计算机的 CPU 类型生成的代码。但是，如果要针对不同类型的 CPU 构建 TensorFlow，请考虑指定一个更加具体的优化标记。要查看相关示例，请参阅 GCC 手册。

您可以将一些预先配置好的构建配置添加到 bazel build 命令中，例如：

• --config=mkl - 支持 Intel® MKL-DNN。
• --config=monolithic - 此配置适用于基本保持静态的单体构建。

注意：从 TensorFlow 1.6 开始，二进制文件使用 AVX 指令，这些指令可能无法在旧版 CPU 上运行。

构建 pip 软件包

Bazel 构建

仅支持 CPU

使用 bazel 构建仅支持 CPU 的 TensorFlow 软件包构建器：

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

GPU 支持

要构建支持 GPU 的 TensorFlow 软件包构建器，请运行以下命令：

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

Bazel 构建选项

从源代码构建 TensorFlow 可能会消耗大量内存。如果系统内存有限，请使用以下命令限制 Bazel 的内存消耗量：--local_resources 2048,.5,1.0。

官方 TensorFlow 软件包是使用 GCC 4 构建的，并使用旧版 ABI。对于 GCC 5 及更高版本，为了使您的构建与旧版 ABI 兼容，请使用 --cxxopt="-D_GLIBCXX_USE_CXX11_ABI=0"。兼容 ABI 可确保针对官方 TensorFlow pip 软件包构建的自定义操作继续支持使用 GCC 5 构建的软件包。

构建软件包

bazel build 命令会创建一个名为 build_pip_package 的可执行文件，此文件是用于构建 pip 软件包的程序。例如，以下命令会在 /tmp/tensorflow_pkg 目录中构建 .whl 软件包：

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

尽管可以在同一个源代码树下构建 CUDA 和非 CUDA 配置，但建议您在同一个源代码树中的这两种配置之间切换时运行 bazel clean。

安装软件包

生成的 .whl 文件的文件名取决于 TensorFlow 版本和您的平台。例如，使用 pip install 安装软件包：

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

成功：TensorFlow 现已安装完毕。

Docker Linux 构建

借助 TensorFlow 的 Docker 开发映像，您可以轻松设置环境，以从源代码构建 Linux 软件包。这些映像已包含构建 TensorFlow 所需的源代码和依赖项。要了解安装说明和可用映像标记的列表，请参阅 TensorFlow Docker 指南。

Windows 从源码构建

安装适用于 Windows 的 Python 3.5.x 或 Python 3.6.x 64 位版本。选择 pip 作为可选功能，并将其添加到 %PATH% 环境变量中。

安装 TensorFlow pip 软件包依赖项：

pip3 install six numpy wheel
pip3 install keras_applications==1.0.5 --no-deps
pip3 install keras_preprocessing==1.0.3 --no-deps

这些依赖项列在 REQUIRED_PACKAGES 下的 setup.py 文件中。

安装 Bazel

安装 Bazel，它是用于编译 TensorFlow 的构建工具。

将 Bazel 可执行文件的位置添加到 %PATH% 环境变量中。

安装 MSYS2

为构建 TensorFlow 所需的 bin 工具安装 MSYS2。如果 MSYS2 已安装到 C:\msys64 下，请将 C:\msys64\usr\bin添加到 %PATH% 环境变量中。然后，使用 cmd.exe 运行以下命令：

pacman -S git patch unzip

安装 Visual C++ 生成工具 2015

安装 Visual C++ 生成工具 2015。此软件包随附在 Visual Studio 2015 中，但可以单独安装：

1. 转到 Visual Studio 下载页面，
2. 选择“可再发行组件和生成工具”，
3. 下载并安装：
   • Microsoft Visual C++ 2015 Redistributable 更新 3
   • Microsoft 生成工具 2015 更新 3

注意：TensorFlow 针对 Visual Studio 2015 更新 3 进行了测试。

安装 GPU 支持（可选）

要安装在 GPU 上运行 TensorFlow 所需的驱动程序和其他软件，请参阅 Windows GPU 支持指南。

下载 TensorFlow 源代码

使用 Git 克隆 TensorFlow 代码库（git 随 MSYS2 一起安装）：

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

代码库默认为 master 开发分支。您也可以检出要构建的版本分支：

git checkout branch_name  # r1.9, r1.10, etc.

要点：如果您在使用最新的开发分支时遇到构建问题，请尝试已知可用的版本分支。

配置构建

通过在 TensorFlow 源代码树的根目录下运行以下命令来配置系统构建：

python ./configure.py

此脚本会提示您指定 TensorFlow 依赖项的位置，并要求指定其他构建配置选项（例如，编译器标记）。以下代码展示了 python ./configure.py 的示例运行会话（您的会话可能会有所不同）：

查看示例配置会话

配置选项

对于 GPU 支持，请指定 CUDA 和 cuDNN 的版本。如果您的系统安装了多个 CUDA 或 cuDNN 版本，请明确设置版本而不是依赖于默认版本。./configure.py 会创建指向系统 CUDA 库的符号链接，因此，如果您更新 CUDA 库路径，则必须在构建之前再次运行此配置步骤。

注意：从 TensorFlow 1.6 开始，二进制文件使用 AVX 指令，这些指令可能无法在旧版 CPU 上运行。

构建 pip 软件包

Bazel 构建

仅支持 CPU

使用 bazel 构建仅支持 CPU 的 TensorFlow 软件包构建器：

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

GPU 支持

要构建支持 GPU 的 TensorFlow 软件包构建器，请运行以下命令：

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

Bazel 构建选项

从源代码构建 TensorFlow 可能会消耗大量内存。如果系统内存有限，请使用以下命令限制 Bazel 的内存消耗量：--local_resources 2048,.5,1.0。

如果构建支持 GPU 的 TensorFlow，请添加 --copt=-nvcc_options=disable-warnings 以禁止显示 nvcc 警告消息。

构建软件包

bazel build 命令会创建一个名为 build_pip_package 的可执行文件，此文件是用于构建 pip 软件包的程序。例如，以下命令会在 C:/tmp/tensorflow_pkg 目录中构建 .whl 软件包：

bazel-bin\tensorflow\tools\pip_package\build_pip_package C:/tmp/tensorflow_pkg

尽管可以在同一个源代码树下构建 CUDA 和非 CUDA 配置，但建议您在同一个源代码树中的这两种配置之间切换时运行 bazel clean。

安装软件包

生成的 .whl 文件的文件名取决于 TensorFlow 版本和您的平台。例如，使用 pip3 install 安装软件包：

pip3 install C:/tmp/tensorflow_pkg/tensorflow-version-cp36-cp36m-win_amd64.whl

成功：TensorFlow 现已安装完毕。

使用 MSYS shell 构建

也可以使用 MSYS shell 构建 TensorFlow。做出下面列出的更改，然后按照之前的 Windows 原生命令行 (cmd.exe) 说明进行操作。

停用 MSYS 路径转换

MSYS 会自动将类似 Unix 路径的参数转换为 Windows 路径，此转换不适用于 bazel。（标签 //foo/bar:bin 被视为 Unix 绝对路径，因为它以斜杠开头。）

export MSYS_NO_PATHCONV=1
export MSYS2_ARG_CONV_EXCL="*"

设置 PATH

将 Bazel 和 Python 安装目录添加到 $PATH 环境变量中。如果 Bazel 安装到了 C:\tools\bazel.exe，并且 Python 安装到了 C:\Python36\python.exe，请使用以下命令设置 PATH：

# Use Unix-style with ':' as separator
export PATH="/c/tools:$PATH"
export PATH="/c/Python36:$PATH"

要启用 GPU 支持，请将 CUDA 和 cuDNN bin 目录添加到 $PATH 中：

export PATH="/c/Program Files/NVIDIA GPU Computing Toolkit/CUDA/v9.0/bin:$PATH"export PATH="/c/Program Files/NVIDIA GPU Computing Toolkit/CUDA/v9.0/extras/CUPTI/libx64:$PATH"export PATH="/c/tools/cuda/bin:$PATH"

使用Python自带的pip包管理工具安装

重点TensorFlow-GPU 与CUDA 及cudnn 版本参照表