精华内容
下载资源
问答
  • 刚开始接触Docker,这篇博客高手慎入,本机环境是Ubuntu16.04,创建容器也是Ubuntu16.04 1.首先创建Ubuntu 16.04容器 : docker run -i -t ubuntu:16.04 /bin/bash 这句命令其实是直接进入Ubuntu的命令行,如果不...

    刚开始接触Docker,这篇博客高手慎入,本机环境是Ubuntu16.04,创建容器也是Ubuntu16.04

    1.首先创建Ubuntu 16.04容器 : docker run -i -t ubuntu:16.04 /bin/bash 这句命令其实是直接进入Ubuntu的命令行,如果不存在Ubuntu的话Docker会自动创建容器,并已进入容器,显示如下,root@后面那一串数字字母是你当前打开的容器id(这里是我的,请退出该容器前务必记住这个id)

    2.新创建的容器存在一个问题,就是安装软件无法自动下载依赖,也就是说随便安装一个软件都要把所有依赖都一起找到并且下载下来逐个安装,这样也太麻烦了。搞了好久想到一个方法,找到本机下载源对应的文件/etc/apt/sources.list,复制一份在新的路径下并且修改为国内镜像源,我改的是清华源:

    deb http://mirrors.ustc.edu.cn/ubuntu/ xenial main restricted universe multiverse
    deb http://mirrors.ustc.edu.cn/ubuntu/ xenial-security main restricted universe multiverse
    deb http://mirrors.ustc.edu.cn/ubuntu/ xenial-updates main restricted universe multiverse
    deb http://mirrors.ustc.edu.cn/ubuntu/ xenial-proposed main restricted universe multiverse
    deb http://mirrors.ustc.edu.cn/ubuntu/ xenial-backports main restricted universe multiverse
    deb-src http://mirrors.ustc.edu.cn/ubuntu/ xenial main restricted universe multiverse
    deb-src http://mirrors.ustc.edu.cn/ubuntu/ xenial-security main restricted universe multiverse
    deb-src http://mirrors.ustc.edu.cn/ubuntu/ xenial-updates main restricted universe multiverse
    deb-src http://mirrors.ustc.edu.cn/ubuntu/ xenial-proposed main restricted universe multiverse
    deb-src http://mirrors.ustc.edu.cn/ubuntu/ xenial-backports main restricted universe multiverse

     3.新开一个本机命令行窗口将刚才写了清华源的sources.list文件复制到容器中

    4.此时容器中的原始sources.list文件已经被新文件替代,接下来就是正常的Ubuntu操作,先更新apt-get update 

    然后就可以安装自己想安装的软件了(一开始我安装wget这样的软件都无法安装,现在直接apt-get install wget)

    5.此时的容器已经可以随意安装软件了,TensorFlow环境我准备用anaconda,后续再安装吧,cuda、cudnn这些东西的安装需要先下载想用版本的deb安装包,以同样的方法放到容器中,用dpkg -i XXXX实现安装

    6.补充一点:当退出当前容器后,不要尝试通过 docker run -i -t ubuntu:16.04 /bin/bash再次进入同一容器,你会发现id肯定是变了的,每次都不一样,需要使用docker start 522b6d5e500b(之前记下的id),然后docker attach 522b6d5e500b进入之前的环境

     

    展开全文
  • ...注意以下操作在64位Ubuntu16.04或14.04下进行,不支持32位虚拟机 因为我没有NVIDIA显卡,CPU还是个不支持最新的AVX指令集的老古董,只能选TensorFlow-1.5.0版本。 1.5.1以上的二进制Ten...
        

    本文部分参考https://blog.csdn.net/u013948858/article/details/78429954

    注意以下操作在64位Ubuntu16.04或14.04下进行,不支持32位虚拟机

    因为我没有NVIDIA显卡,CPU还是个不支持最新的AVX指令集的老古董,只能选TensorFlow-1.5.0版本。
    1.5.1以上的二进制TensorFlow安装包要求CPU必须支持英特尔酷睿AVX指令集

    安装docker-ce

    wget -qO- https://get.docker.com/ | sh
    

    检查确认,后台已经开启docker服务

    sudo systemctl status docker
    
    # 屏幕输出以下内容后按q键退出
    
    ● docker.service - Docker Application Container Engine
       Loaded: loaded (/lib/systemd/system/docker.service; enabled; vendor preset: enabled)
       Active: active (running) since 三 2018-05-23 09:33:05 CST; 1min 15s ago
         Docs: https://docs.docker.com
     Main PID: 15787 (dockerd)
        Tasks: 18
       Memory: 18.9M
          CPU: 635ms
       CGroup: /system.slice/docker.service
               ├─15787 /usr/bin/dockerd -H fd://
               └─15793 docker-containerd -l unix:///var/run/docker/libcontainerd/docker-containerd.sock --metrics-interval=0 
    
    5月 23 09:33:03 ubuntu1604 dockerd[15787]: time="2018-05-23T09:33:03.358744329+08:00" level=warning msg="Your kernel does
    5月 23 09:33:03 ubuntu1604 dockerd[15787]: time="2018-05-23T09:33:03.358827602+08:00" level=warning msg="Your kernel does
    5月 23 09:33:03 ubuntu1604 dockerd[15787]: time="2018-05-23T09:33:03.358843786+08:00" level=warning msg="Your kernel does
    5月 23 09:33:03 ubuntu1604 dockerd[15787]: time="2018-05-23T09:33:03.359922021+08:00" level=info msg="Loading containers:
    5月 23 09:33:03 ubuntu1604 dockerd[15787]: time="2018-05-23T09:33:03.826352529+08:00" level=info msg="Default bridge (doc
    5月 23 09:33:05 ubuntu1604 dockerd[15787]: time="2018-05-23T09:33:05.000399734+08:00" level=info msg="Loading containers:
    5月 23 09:33:05 ubuntu1604 dockerd[15787]: time="2018-05-23T09:33:05.345414436+08:00" level=info msg="Daemon has complete
    5月 23 09:33:05 ubuntu1604 dockerd[15787]: time="2018-05-23T09:33:05.345457070+08:00" level=info msg="Docker daemon" comm
    5月 23 09:33:05 ubuntu1604 dockerd[15787]: time="2018-05-23T09:33:05.375136993+08:00" level=info msg="API listen on /var/
    5月 23 09:33:05 ubuntu1604 systemd[1]: Started Docker Application Container Engine.
    
    # Ubuntu中docker默认用户组编号为998
    cat /etc/group|grep docker
    docker:x:998:
    #也可手动修改sudo groupadd -g 998 --system docker
    

    sudo usermod -aG docker $USER然后重新cat /etc/group|grep docker可以看到当前用户名已经被添加到docker组了

    重启一次Linux,然后检查你的普通用户应该已经可以运行docker命令了

    执行:

    docker info  
    

    如果提示get ......dial unix /var/run/docker.sock权限不够,则修改/var/run/docker.sock权限

    sudo chmod a+rw /var/run/docker.sock  
    

    拉回官方的Python3.5+TensorFlow-1.5.0的镜像

    为什么选TensorFlow-1.5.0?因为我没有NVIDIA显卡,CPU还是个不支持最新的AVX指令集的老古董

    docker pull tensorflow/tensorflow:1.5.0-py3
    

    对于树莓派玩家,官方的docker仓库貌似还没有支持armhf,使用非官方的镜像,由romilly制作:

    docker pull romilly/rpi-docker-tensorflow
    # 作者romilly和samjabrahams上传的非官方镜像地址:
    # https://hub.docker.com/r/romilly/rpi-docker-tensorflow/
    # https://github.com/romilly/rpi-docker-tensorflow
    # https://github.com/samjabrahams/tensorflow-on-raspberry-pi
    
    

    两种不同的启动方式

    1. 网页模式启动
    # 启动预装了tensorflow的容器
    docker run -it -p 8888:8888 tensorflow/tensorflow:1.5.0-py3
    # 选项 -p 8888:8888表示端口映射,可通过宿主机浏览器查看这个容器
    # http://localhost:8888/
    # 第一次需要输入token和设置密码
    
    # 选项-d可以将docker放到后台运行
    
    # 树莓派用户需要选择专用镜像
    # docker run -it  -p 8888:8888 romilly/rpi-docker-tensorflow bash
    
    

    从其他终端窗口查询容器ID,或关闭容器

    docker ps
    CONTAINER ID        IMAGE                             COMMAND                  CREATED             STATUS              PORTS                              NAMES
    146e3cda6d92        tensorflow/tensorflow:1.8.0-py3   "/run_jupyter.sh -..."   15 minutes ago      Up 15 minutes       6006/tcp, 0.0.0.0:8888->8888/tcp   affectionate_snyder
        
    # docker stop 容器ID
    # docker start 容器ID
    
    1. 进入命令提示符bash
    docker run -it -v /home:/mnt tensorflow/tensorflow:1.5.1-py3 bash
    # 选项
    # -v /home:/mnt表示将宿主机/home目录加载到docker容器的/mnt位置
    # -v /mnt:/mnt表示将宿主机/mnt目录加载到docker容器的/mnt位置
    # bash代表进入容器虚拟机的命令提示符
    
    # 树莓派用户需要选择专用镜像
    # docker run -it -v /home:/mnt romilly/rpi-docker-tensorflow bash
    

    退出后这个容器将被保存到历史记录中

    docker ps -a
    # 查看CONTAINER ID
    # 根据保存的容器ID编号可以重新进入容器
    docker stop 容器ID
    docker start 容器ID
    docker attach 容器ID
    
    
    展开全文
  • TensorFlow安装

    千次阅读 2018-07-08 23:53:15
    目录 目录 前言 Ubuntu下安装TensorFlow “原生”pip安装TensorFlow Virtualenv安装TensorFlow Docker下安装TensorFlow ...Docker容器安装TensorFlow Linux子系统安装TensorFlow 测试 参考资料 前言 在...

    原文博客:Doi技术团队
    链接地址:https://blog.doiduoyi.com/authors/1584446358138
    初心:记录优秀的Doi技术团队学习经历

    前言

    在本篇文章中,我们将会介绍TensorFlow的安装,TensorFlow是Google公司在2015年11月9日开源的一个深度学习框架。

    • 官网文档地址为:https://www.tensorflow.org/
    • 官方GitHub仓库:https://github.com/tensorflow/tensorflow

    TensorFlow目前支持4种开发语言,分别是Python(包括Python2和Python3)、Java、Go、C。笔者使用的环境如下:

    • 开发语言:Python 3.6
    • 使用操作系统:Ubuntu 16.04、Windows 10
    • 硬件环境:CPU

    基于这些环境,我们来安装TensorFlow吧,笔者将会通过两种操作系统来安装,分别是Ubuntu 16.04和Windows 10。

    Ubuntu下安装TensorFlow

    在Ubuntu上我们准备两种安装方式,分别是原生pip、Virtualenv 环境 和 Docker容器,下面我们就在三个环境下安装。

    原生pip安装TensorFlow

    使用原生的pip安装时最简单的,直接安装使用一条命令就可以安装完成了。

    首先确认Python环境,Ubuntu会自带Python环境的,不用我们自己安装,使用python3 -V可以查询安装的Python环境,输出如下:

    Python 3.5.2
    

    安装TensorFlow需要使用pip命令,默认是没有安装的,所以我们需要安装pip命令:

    sudo apt-get install python3-pip python3-dev
    

    这里笔者要说一下,默认的镜像源太慢了,笔者修改成阿里镜像源了,修改方式如下:

    • 备份源列表文件:
    sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak
    
    • 编辑源列表文件:
    sudo vi /etc/apt/sources.list
    
    • 清空里面的内容,添加以下的的信息:
    deb http://mirrors.aliyun.com/ubuntu/ xenial main
    deb-src http://mirrors.aliyun.com/ubuntu/ xenial main
    
    deb http://mirrors.aliyun.com/ubuntu/ xenial-updates main
    deb-src http://mirrors.aliyun.com/ubuntu/ xenial-updates main
    
    deb http://mirrors.aliyun.com/ubuntu/ xenial universe
    deb-src http://mirrors.aliyun.com/ubuntu/ xenial universe
    deb http://mirrors.aliyun.com/ubuntu/ xenial-updates universe
    deb-src http://mirrors.aliyun.com/ubuntu/ xenial-updates universe
    
    deb http://mirrors.aliyun.com/ubuntu/ xenial-security main
    deb-src http://mirrors.aliyun.com/ubuntu/ xenial-security main
    deb http://mirrors.aliyun.com/ubuntu/ xenial-security universe
    deb-src http://mirrors.aliyun.com/ubuntu/ xenial-security universe
    
    • 最后执行更新列表命令:
    sudo apt update
    

    安装完成pip命令之后,可以使用pip3 -V查看是否已经安装成功及安装的版本,输出如下,官方要求pip的版本要不小于8.1:

    pip 8.1.1 from /usr/lib/python3/dist-packages (python 3.5)
    
    • 如果觉得版本太低,也可以升级,先要下载一个升级文件,命令如下:
    wget https://bootstrap.pypa.io/get-pip.py
    
    • 下载完成之后,可以使用这个文件安装最新的pip了:
    sudo python3 get-pip.py
    

    一切多准备完成,那就可以开始安装TensorFlow了,只要使用以下一条命令就可以:

    sudo pip3 install tensorflow
    
    • 如果使用上面安装比较慢的话,我们还可指定使用的镜像源,比如这里笔者使用的是阿里的镜像源,之后使用到pip安装的同样的操作:
    sudo pip3 install -i https://mirrors.aliyun.com/pypi/simple/ tensorflow
    

    安装完成之后,可以使用以下命令查看是否完成及安装的版本:

    pip3 list
    

    **注意:**如果在运行报以下错误,多数是电脑的CPU不支持AVX指令集:

    非法指令 (核心已转储)
    

    如何知道自己的电脑是不是支持AVX指令集呢,可以通用以下的命令查看,输出Yes就是支持,No就是不支持:

    if cat /proc/cpuinfo | grep -i avx; then echo Yes; else echo No; fi
    

    TensorFlow在1.6版本之后都会使用AVX指令集,如果读者的电脑不支持AVX指令集,就要安装低版本的,如下是安装1.5版本的:

    pip3 install tensorflow==1.5
    

    安装完成之后,可以进行测试,测试情阅读最后的测试部分。

    Virtualenv安装TensorFlow

    首先通过以下的命令来安装 pip 和 Virtualenv:

    sudo apt-get install python3-pip python3-dev python-virtualenv
    

    然后通过下面的命令来创建 Virtualenv 环境:

    virtualenv --system-site-packages -p python3 ~/tensorflow
    

    最后通过下面的命令激活 Virtualenv 环境:

    source ~/tensorflow/bin/activate
    

    这时会发现控制台已经发生了变化,变成如下状态,这表明已经进入了 Virtualenv 环境:

    (tensorflow) yeyupiaoling@tensorflow:~$
    

    接下来的操作都是在这个Virtualenv 环境下操作,比我们的pip命令也是在这里的,可以使用pip3 -V查看:

    pip 10.0.1 from /home/yeyupiaoling/tensorflow/lib/python3.5/site-packages/pip (python 3.5)
    

    我们在Virtualenv 环境里通过以下的命令即可完成安装TensorFlow:

    pip3 install tensorflow
    

    不支持AVX的请安装1.5版本:

    pip3 install tensorflow==1.5
    

    使用完成之后,可以通过以下命令退出Virtualenv 环境:

    deactivate
    

    Docker下安装TensorFlow

    要使用Docker,就要先安装Docker,以下命令就是安装Docker的命令:

    sudo apt-get install docker.io
    

    安装完成之后,可以使用docker --version查看Docker的版本,如果有显示,就证明安装成功了。

    然后我们可以通过以下的命令拉取TensorFlow的镜像,我们也可以通过dockerhub获取更多Docker镜像:

    docker pull tensorflow/tensorflow:1.8.0-py3
    

    如果电脑不支持AVX指令集的,请安装低版本的TensorFlow镜像:

    docker pull tensorflow/tensorflow:1.5.1-py3
    

    拉取完成镜像,就可以使用docker images查看已经安装的镜像:

    REPOSITORY                          TAG                 IMAGE ID            CREATED             SIZE
    tensorflow/tensorflow               1.8.0-py3           a83a3dd79ff9        2 months ago        1.33 GB
    

    使用TensorFlow的Docker镜像有个好处就是自带了jupyter notebook,启动镜像之后可以直接使用jupyter。

    sudo docker run -it -p 80:8888 tensorflow/tensorflow:1.8.0-py3
    

    然后终端会输出以下信息,要注意输出的token:

    [I 07:08:38.160 NotebookApp] Writing notebook server cookie secret to /root/.local/share/jupyter/runtime/notebook_cookie_secret
    [W 07:08:38.177 NotebookApp] WARNING: The notebook server is listening on all IP addresses and not using encryption. This is not recommended.
    [I 07:08:38.186 NotebookApp] Serving notebooks from local directory: /notebooks
    [I 07:08:38.186 NotebookApp] 0 active kernels
    [I 07:08:38.187 NotebookApp] The Jupyter Notebook is running at:
    [I 07:08:38.187 NotebookApp] http://[all ip addresses on your system]:8888/?token=ab489f0445846cb7f9d5c9613edcf7b9537cd245dbecf2a6
    [I 07:08:38.187 NotebookApp] Use Control-C to stop this server and shut down all kernels (twice to skip confirmation).
    [C 07:08:38.187 NotebookApp] 
        
        Copy/paste this URL into your browser when you connect for the first time,
        to login with a token:
            http://localhost:8888/?token=ab489f0445846cb7f9d5c9613edcf7b9537cd245dbecf2a6
    

    然后我们在浏览器上输入IP地址,如何是在本地,那就就输入localhost,得到的页面如下,输入终端输出的token和新密码就可以登录使用jupyter了:
    这里写图片描述

    得到的jupyter网页如下:
    这里写图片描述

    如果停止运行镜像了,可以使用以下的命令找到之前使用这个进行run生成的一个容器:

    sudo docker ps -a
    

    会得到以下信息,其中最重要的是CONTAINER ID:

    CONTAINER ID        IMAGE                             COMMAND                  CREATED             STATUS                      PORTS               NAMES
    44aa680ac51f        tensorflow/tensorflow:1.8.0-py3   "/run_jupyter.sh -..."   14 minutes ago      Exited (0) 21 seconds ago                       cranky_elion
    

    通过这个CONTAINER ID可以再次启动这个容器,这样就不用每次都run一个容器出来,占用磁盘容量,同时也可以保存原来的环境,可以使用以下的命令启动容器:

    sudo docker start 44aa680ac51f
    

    启动之后是在后台运行的,那么如何让容器有信息输入的同时会输出到控制台呢,可以用使用以下的命令实现:

    sudo docker attach 44aa680ac51f
    

    如果要以终端的方式进入到容器中,可以使用以下的命令:

    sudo docker exec -it 44aa680ac51f /bin/bash
    

    安装完成之后,可以进行测试,测试情阅读最后的测试部分。

    Windows下安装TensorFlow

    在Windows上,笔者同样介绍三种安装方式,分别是原生pip、Docker容器、Windows的Linux子系统。

    原生pip安装TensorFlow

    在Windows上默认是没有安装Python的,所以要先安装Python,这里笔者安装Python 3.6.5,首先到Python官网上下载对应的版本,必须是64位的Python。然后安装Python,安装过程笔者就不介绍了,主要安装完成之后,还有配置一下环境变量。在默认的安装路径为:

    C:\Python36
    

    首页我们要在环境变量的Path上添加以下l两条环境变量:

    C:\Python36
    C:\Python36\Scripts
    

    如果读者同时还安装了Python2,笔者建议修改一下Python3的文件,首先把C:\Python36\Scripts里面的pip.exe删除,避免与Python2的冲突,然后把C:\Python36python.exepythonw.exe修改成python.exepythonw3.exe。以后在使用Python3的时候,分别是使用pip3python3命令。

    现在就开始安装TensorFlow,命令如下:

    pip3 install tensorflow
    

    如果在使用pip3报以下错误:

    Fatal error in launcher: Unable to create process using '"'
    

    可以使用以下命令修复:

    python3 -m pip install --upgrade pip
    

    **注意:**如果以下错误,是因为缺少DLL动态库,可以看到最后提供下载动态库的链接:

    Traceback (most recent call last):
      File "C:\Python36\lib\site-packages\tensorflow\python\platform\self_check.py", line 47, in preload_check
        ctypes.WinDLL(build_info.msvcp_dll_name)
      File "C:\Python36\lib\ctypes\__init__.py", line 348, in __init__
        self._handle = _dlopen(self._name, mode)
    OSError: [WinError 126] 找不到指定的模块。
    
    During handling of the above exception, another exception occurred:
    
    Traceback (most recent call last):
      File "test.py", line 1, in <module>
        import tensorflow as tf
      File "C:\Python36\lib\site-packages\tensorflow\__init__.py", line 24, in <module>
        from tensorflow.python import *
      File "C:\Python36\lib\site-packages\tensorflow\python\__init__.py", line 49, in <module>
        from tensorflow.python import pywrap_tensorflow
      File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow.py", line 30, in <module>
        self_check.preload_check()
      File "C:\Python36\lib\site-packages\tensorflow\python\platform\self_check.py", line 55, in preload_check
        % build_info.msvcp_dll_name)
    ImportError: Could not find 'msvcp140.dll'. TensorFlow requires that this DLL be installed in a directory that is named in your %PATH% environment variable. You may install this DLL by downloading Visual C++ 2015 Redistributable Update 3 from this URL: https://www.microsoft.com/en-us/download/details.aspx?id=53587
    

    我们通过这个链接去下载并安装这个动态库即可:

    https://www.microsoft.com/en-us/download/details.aspx?id=53587
    

    如果在执行TensorFlow程度的是报以下错误,多数是CPU不支持AVX指令集:

    Traceback (most recent call last):
      File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 14, in swig_import_helper
        return importlib.import_module(mname)
      File "C:\Python36\lib\importlib\__init__.py", line 126, in import_module
        return _bootstrap._gcd_import(name[level:], package, level)
      File "<frozen importlib._bootstrap>", line 994, in _gcd_import
      File "<frozen importlib._bootstrap>", line 971, in _find_and_load
      File "<frozen importlib._bootstrap>", line 955, in _find_and_load_unlocked
      File "<frozen importlib._bootstrap>", line 658, in _load_unlocked
      File "<frozen importlib._bootstrap>", line 571, in module_from_spec
      File "<frozen importlib._bootstrap_external>", line 922, in create_module
      File "<frozen importlib._bootstrap>", line 219, in _call_with_frames_removed
    ImportError: DLL load failed: 动态链接库(DLL)初始化例程失败。
    
    During handling of the above exception, another exception occurred:
    
    Traceback (most recent call last):
      File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow.py", line 58, in <module>
        from tensorflow.python.pywrap_tensorflow_internal import *
      File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 17, in <module>
        _pywrap_tensorflow_internal = swig_import_helper()
      File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 16, in swig_import_helper
        return importlib.import_module('_pywrap_tensorflow_internal')
      File "C:\Python36\lib\importlib\__init__.py", line 126, in import_module
        return _bootstrap._gcd_import(name[level:], package, level)
    ModuleNotFoundError: No module named '_pywrap_tensorflow_internal'
    
    During handling of the above exception, another exception occurred:
    
    Traceback (most recent call last):
      File "test.py", line 1, in <module>
        import tensorflow as tf
      File "C:\Python36\lib\site-packages\tensorflow\__init__.py", line 24, in <module>
        from tensorflow.python import pywrap_tensorflow  # pylint: disable=unused-import
      File "C:\Python36\lib\site-packages\tensorflow\python\__init__.py", line 49, in <module>
        from tensorflow.python import pywrap_tensorflow
      File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow.py", line 74, in <module>
        raise ImportError(msg)
    ImportError: Traceback (most recent call last):
      File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 14, in swig_import_helper
        return importlib.import_module(mname)
      File "C:\Python36\lib\importlib\__init__.py", line 126, in import_module
        return _bootstrap._gcd_import(name[level:], package, level)
      File "<frozen importlib._bootstrap>", line 994, in _gcd_import
      File "<frozen importlib._bootstrap>", line 971, in _find_and_load
      File "<frozen importlib._bootstrap>", line 955, in _find_and_load_unlocked
      File "<frozen importlib._bootstrap>", line 658, in _load_unlocked
      File "<frozen importlib._bootstrap>", line 571, in module_from_spec
      File "<frozen importlib._bootstrap_external>", line 922, in create_module
      File "<frozen importlib._bootstrap>", line 219, in _call_with_frames_removed
    ImportError: DLL load failed: 动态链接库(DLL)初始化例程失败。
    
    During handling of the above exception, another exception occurred:
    
    Traceback (most recent call last):
      File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow.py", line 58, in <module>
        from tensorflow.python.pywrap_tensorflow_internal import *
      File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 17, in <module>
        _pywrap_tensorflow_internal = swig_import_helper()
      File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 16, in swig_import_helper
        return importlib.import_module('_pywrap_tensorflow_internal')
      File "C:\Python36\lib\importlib\__init__.py", line 126, in import_module
        return _bootstrap._gcd_import(name[level:], package, level)
    ModuleNotFoundError: No module named '_pywrap_tensorflow_internal'
    
    
    Failed to load the native TensorFlow runtime.
    
    See https://www.tensorflow.org/install/install_sources#common_installation_problems
    
    for some common reasons and solutions.  Include the entire stack trace
    above this error message when asking for help.
    

    那就要安装低版本的TensorFlow:

    pip3 install tensorflow==1.5
    

    Docker容器安装TensorFlow

    关于如果在Windows上安装Docker容器,可以参考笔者的《我的PaddlePaddle学习之路》笔记一——PaddlePaddle的安装》的在Windows上安装Docker容器部分,这里就不在展开介绍了。

    启动容器之后,就可以拉取TensorFlow的镜像了:

    docker pull tensorflow/tensorflow:1.8.0-py3
    

    同样可以使用docker images查看已经安装的镜像:

    REPOSITORY                          TAG                 IMAGE ID            CREATED             SIZE
    tensorflow/tensorflow               1.8.0-py3           a83a3dd79ff9        2 months ago        1.33 GB
    

    Linux子系统安装TensorFlow

    关于如果在Windows上安装Linux子系统,可以参考笔者之前的文章《Windows10安装Linux子系统Ubuntu》

    安装完成Linux子系统之后,就可以在PowerShell上输入bash命令进入到Linux子系统,在这个子系统上安装TensorFlow请参考Ubuntu使用原生pip安装TensorFlow的方法,这个笔者就不在重复介绍了。

    源码编译安装

    在这一部分,我们介绍如何在Ubuntu上使用TensorFlow的源码编译安装。

    • 克隆 TensorFlow 代码库
    git clone https://github.com/tensorflow/tensorflow
    
    • 安装 TensorFlow Python 依赖项
    sudo apt-get install python3-numpy python3-dev python3-pip python3-wheel
    
    • 安装 Bazel

    1、安装依赖库

    sudo apt-get install pkg-config zip g++ zlib1g-dev unzip python
    

    2、下载bazel-0.15.0-installer-linux-x86_64.sh文件,下载地址如下:

    https://github.com/bazelbuild/bazel/releases
    

    3、运行安装Bazel

    chmod +x bazel-0.15.0-installer-linux-x86_64.sh
    ./bazel-0.15.0-installer-linux-x86_64.sh --user
    

    4、添加到环境变量,编写vim ~/.bashrc,在最后的加上以下信息:

    export PATH="$PATH:$HOME/bin"
    
    • 进入到源码中:
    cd tensorflow
    
    • 如果想编译其他版本的TensorFlow可以切换到对应的版本,首先可以查看有哪些版本:
    git branch -a
    

    输出的版本信息:

    root@tensorflow:/home/yeyupiaoling/test/tensorflow# git branch -a
    * master
      remotes/origin/0.6.0
      remotes/origin/HEAD -> origin/master
      remotes/origin/achowdhery-patch-1
      remotes/origin/andrewharp-patch-1
      remotes/origin/martinwicke-patch-1
      remotes/origin/martinwicke-patch-2
      remotes/origin/master
      remotes/origin/r0.10
      remotes/origin/r0.11
      remotes/origin/r0.12
      remotes/origin/r0.7
      remotes/origin/r0.8
      remotes/origin/r0.9
      remotes/origin/r1.0
      remotes/origin/r1.1
      remotes/origin/r1.2
      remotes/origin/r1.3
      remotes/origin/r1.4
      remotes/origin/r1.5
      remotes/origin/r1.6
      remotes/origin/r1.7
      remotes/origin/r1.8
      remotes/origin/r1.9
      remotes/origin/release-notes-1.9-tfdbg
      remotes/origin/yifeif-patch-1
      remotes/origin/yifeif-patch-2
      remotes/origin/yifeif-patch-3
    

    比如笔者想切换到1.5版本,使用以下命令即可切换:

    git checkout origin/r1.5
    
    • 执行配置信息文件:
    ./configure
    
    • 然后会输出以下信息,这些注意是配置信息,比如我们指定Python的环境路径/usr/bin/python3.5,也可以指定是否要编译GPU版本的,具体读者可以查看笔者的配置信息,笔者多数是默认的。
    Extracting Bazel installation...
    WARNING: --batch mode is deprecated. Please instead explicitly shut down your Bazel server using the command "bazel shutdown".
    You have bazel 0.15.0 installed.
    Please specify the location of python. [Default is /usr/bin/python]: /usr/bin/python3.5
    
    
    Found possible Python library paths:
      /usr/local/lib/python3.5/dist-packages
      /usr/lib/python3/dist-packages
    Please input the desired Python library path to use.  Default is [/usr/local/lib/python3.5/dist-packages]
    
    Do you wish to build TensorFlow with jemalloc as malloc support? [Y/n]: 
    jemalloc as malloc support will be enabled for TensorFlow.
    
    Do you wish to build TensorFlow with Google Cloud Platform support? [Y/n]: n
    No Google Cloud Platform support will be enabled for TensorFlow.
    
    Do you wish to build TensorFlow with Hadoop File System support? [Y/n]: 
    Hadoop File System support will be enabled for TensorFlow.
    
    Do you wish to build TensorFlow with Amazon AWS Platform support? [Y/n]: 
    Amazon AWS Platform support will be enabled for TensorFlow.
    
    Do you wish to build TensorFlow with Apache Kafka Platform support? [Y/n]: 
    Apache Kafka Platform support will be enabled for TensorFlow.
    
    Do you wish to build TensorFlow with XLA JIT support? [y/N]: 
    No XLA JIT support will be enabled for TensorFlow.
    
    Do you wish to build TensorFlow with GDR support? [y/N]: 
    No GDR support will be enabled for TensorFlow.
    
    Do you wish to build TensorFlow with VERBS support? [y/N]: 
    No VERBS support will be enabled for TensorFlow.
    
    Do you wish to build TensorFlow with OpenCL SYCL support? [y/N]: 
    No OpenCL SYCL support will be enabled for TensorFlow.
    
    Do you wish to build TensorFlow with CUDA support? [y/N]: N
    No CUDA support will be enabled for TensorFlow.
    
    Do you wish to download a fresh release of clang? (Experimental) [y/N]: 
    Clang will not be downloaded.
    
    Do you wish to build TensorFlow with MPI support? [y/N]: 
    No MPI support will be enabled for TensorFlow.
    
    Please specify optimization flags to use during compilation when bazel option "--config=opt" is specified [Default is -march=native]: 
    
    
    Would you like to interactively configure ./WORKSPACE for Android builds? [y/N]: 
    Not configuring the WORKSPACE for Android builds.
    
    Preconfigured Bazel build configs. You can use any of the below by adding "--config=<>" to your build command. See tools/bazel.rc for more details.
    	--config=mkl         	# Build with MKL support.
    	--config=monolithic  	# Config for mostly static monolithic build.
    Configuration finished
    
    • 配置好之后,就要编译 pip 软件包:
    bazel build --config=opt //tensorflow/tools/pip_package:build_pip_package
    
    • 然后在执行这一条命令生成pip软件包:·
    bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg
    
    • 通过上一步编译获得的pip软件包,我们就可以安装这个 pip 软件包,它的路径在/tmp/tensorflow_pkg/tensorflow-1.5.1-cp35-cp35m-linux_x86_64.whl,可能读者的版本会跟笔者的不一样,根据实际的版本信息安装:
    sudo pip install /tmp/tensorflow_pkg/tensorflow-1.5.1-cp35-cp35m-linux_x86_64.whl
    

    到这里就完成了TensorFlow的编译安装,安装完成之后,可以参考文章的最后一部分进行测试环境。

    测试

    安装完成之后,我们要测试一下环境是不是已经成功安装并且可以正常使用了。

    首先编译一个测试test1.py文件:

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

    然后我们执行这个文件python3 test1.py就可以运行它了,正常情况下会输出以下内容:

    2018-07-08 15:11:05.240607: I tensorflow/core/platform/cpu_feature_guard.cc:140] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
    b'Hello, TensorFlow!'
    

    我们也可以编写一个稍微有训练效果的程序test2.py

    import tensorflow as tf
    import numpy as np
    
    # 使用 NumPy 生成假数据(phony data), 总共 100 个点.
    x_data = np.float32(np.random.rand(2, 100)) # 随机输入
    y_data = np.dot([0.100, 0.200], x_data) + 0.300
    
    # 构造一个线性模型
    # 
    b = tf.Variable(tf.zeros([1]))
    W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
    y = tf.matmul(W, x_data) + b
    
    # 最小化方差
    loss = tf.reduce_mean(tf.square(y - y_data))
    optimizer = tf.train.GradientDescentOptimizer(0.5)
    train = optimizer.minimize(loss)
    
    # 初始化变量
    init = tf.initialize_all_variables()
    
    # 启动图 (graph)
    sess = tf.Session()
    sess.run(init)
    
    # 拟合平面
    for step in range(0, 201):
        sess.run(train)
        if step % 20 == 0:
            print (step, sess.run(W), sess.run(b))
    
    # 得到最佳拟合结果 W: [[0.100  0.200]], b: [0.300]
    

    同样我们执行它python3 test1.py可以得到以下信息:

    WARNING:tensorflow:From /usr/local/lib/python3.5/dist-packages/tensorflow/python/util/tf_should_use.py:118: initialize_all_variables (from tensorflow.python.ops.variables) is deprecated and will be removed after 2017-03-02.
    Instructions for updating:
    Use `tf.global_variables_initializer` instead.
    2018-07-08 15:14:15.455774: I tensorflow/core/platform/cpu_feature_guard.cc:140] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
    0 [[0.260745 0.56325 ]] [-0.00149411]
    20 [[0.15775657 0.30871654]] [0.20844586]
    40 [[0.11969341 0.23245212]] [0.27153042]
    60 [[0.10656733 0.20975856]] [0.29113895]
    80 [[0.10215606 0.2029533 ]] [0.29723996]
    100 [[0.10069981 0.20089868]] [0.2991398]
    120 [[0.10022521 0.20027474]] [0.2997318]
    140 [[0.10007201 0.20008431]] [0.29991636]
    160 [[0.10002291 0.20002596]] [0.2999739]
    180 [[0.10000726 0.20000802]] [0.29999185]
    200 [[0.1000023  0.20000248]] [0.29999745]
    

    以上是在终端上操作的,那么使用Docker应该如何执行这些文件呢。有两种方法,一种就是以命令终端的方式进入到TensorFlow镜像中,之后的操作就跟在Ubuntu操作差不多了:

    docker run -it -v $PWD:/work tensorflow/tensorflow:1.8.0-py3 /bin/bash
    

    另一种就是挂载目录到镜像上,然后直接通过命令执行代码文件:

    docker run -it -v $PWD:/work -w /work tensorflow/tensorflow:1.8.0-py3 python3 /work/test1.py
    

    使用模型预测图片

    这里笔者使用官方提供的模型,这里官方提供的丰富的模型。这次笔者使用的是mobilenet_v1_1.0_224.tgz模型,我们下载这个模型之后解压可以以下文件:
    这里写图片描述

    我们使用到的模型文件是mobilenet_v1_1.0_224_frozen.pb,其中mobilenet_v1_1.0_224_info.txt是说明网络输入输出的字段,该文件的内容如下:

    Model: mobilenet_v1_1.0_224
    Input: input
    Output: MobilenetV1/Predictions/Reshape_1
    

    有了上面的模型,我们就来编写预测代码,全部的代码如下:

    import numpy as np
    import tensorflow as tf
    from PIL import Image
    
    # 数据预处理
    def load_image(file):
        im = Image.open(file)
        im = im.resize((224, 224), Image.ANTIALIAS)
        im = np.array(im).astype(np.float32)
        # 减去均值
        im -= 128.0
        im /= 128.0
        im = np.expand_dims(im, axis=0)
        return im
    
    def infer(image_path, pd_path):
        # 将(frozen)TensorFlow模型载入内存
        detection_graph = tf.Graph()
        with detection_graph.as_default():
            od_graph_def = tf.GraphDef()
            with tf.gfile.GFile(pd_path, 'rb') as fid:
                serialized_graph = fid.read()
                od_graph_def.ParseFromString(serialized_graph)
                tf.import_graph_def(od_graph_def, name='')
    
        with detection_graph.as_default():
            with tf.Session(graph=detection_graph) as sess:
                # 设置探测图的输入和输出张量
                image_tensor = detection_graph.get_tensor_by_name('input:0')
                detection_classes = detection_graph.get_tensor_by_name('MobilenetV1/Predictions/Reshape_1:0')
                
                # infer image
                image_np = load_image(image_path)
                # Actual detection.
                result = sess.run([detection_classes], feed_dict={image_tensor: image_np})
                result = np.squeeze(result)
                idx = np.argsort(-result)
                label = idx[0] - 1
                print("result label is :", label)
    
    if __name__ == '__main__':
        image_path = "0b77aba2-9557-11e8-a47a-c8ff285a4317.jpg"
        pd_path = 'models/mobilenet_v1_1.0_224_frozen.pb'
        infer(image_path, pd_path)
    

    其中以下这个函数是数据预处理,处理方式要跟训练的时候一样:

    # 数据预处理
    def load_image(file):
        im = Image.open(file)
        im = im.resize((224, 224), Image.ANTIALIAS)
        im = np.array(im).astype(np.float32)
        # 减去均值
        im -= 128.0
        im /= 128.0
        im = np.expand_dims(im, axis=0)
        return im
    

    以下的代码片段是把模型加载到内存中,这个模型就是我们使用的mobilenet_v1_1.0_224_frozen.pb模型。

        detection_graph = tf.Graph()
        with detection_graph.as_default():
            od_graph_def = tf.GraphDef()
            with tf.gfile.GFile(pd_path, 'rb') as fid:
                serialized_graph = fid.read()
                od_graph_def.ParseFromString(serialized_graph)
                tf.import_graph_def(od_graph_def, name='')
    

    设置模型的输出输出,这字段就是来自刚才的mobilenet_v1_1.0_224_info.txt文件中。

                image_tensor = detection_graph.get_tensor_by_name('input:0')
                detection_classes = detection_graph.get_tensor_by_name('MobilenetV1/Predictions/Reshape_1:0')
    

    以下的代码片段就是输入图片得到预测结果的,如果需要预测多张图片,可以把该代码片段放在循环中。要注意的是,输出的大小是1001,包括的第一个label是background。

                image_np = load_image(image_path)
                result = sess.run([detection_classes], feed_dict={image_tensor: image_np})
                result = np.squeeze(result)
                idx = np.argsort(-result)
                label = idx[0]
                print("result label is :", label)
    

    参考资料

    1. https://opsx.alibaba.com/mirror
    2. https://www.tensorflow.org/install/install_linux
    3. https://www.tensorflow.org/install/install_windows
    4. https://www.tensorflow.org/install/install_sources
    5. https://blog.csdn.net/u014132659/article/details/51544754
    6. http://www.tensorfly.cn/tfdoc/get_started/introduction.html
    7. https://blog.csdn.net/u010099080/article/details/53418159
    8. https://blog.csdn.net/u010397369/article/details/41045251
    9. https://github.com/tensorflow/models/tree/master/research/slim#pre-trained-models
    展开全文
  • 1.拉取镜像 网址:...该镜像是python3.5,cuda9,cudnn7,以及包含tensorflow-gpu1.12。 复制该tag拉取镜像。 2.创建容器 docker run -it --runtime=nvidia --name=liukongling-te...

    1.拉取镜像

    镜像地址:juliojj/cuda9-cudnn7-p3-tf1.12
    该镜像为cuda9,cudnn7,python3.5,tensorflow-gpu==1.12.0的环境。
    复制其tag,拉取镜像:
    在这里插入图片描述

    2.创建容器

    docker run -it --runtime=nvidia --name=liukongling-tensorflow-gpu -p 13001:8888 -p 13002:6006 -p 13003:8008 -v  /home/liukongling:/liukongling docker.io/juliojj/cuda9-cudnn7-p3-tf1.12:latest
    

    其中:name:可自己进行更换
    /home/liukongling:/liukongling:可放置自己想要的位置
    docker.io/juliojj/cuda9-cudnn7-p3-tf1.12:latest:镜像名称
    容器创建成功,并已进入

    3.模型训练

    由于tensorflow-SSD之前在win版本上运行过,因此所需的文件已有:
    在这里插入图片描述
    若不清楚,可参考:
    SSD-Tensorflow 目标检测(自定义数据集(VOC2007格式))
    SSD-Tensorflow 目标检测(VOC2007)

    根据网上的指导,创建train_ssd_network.sh如下:

    DATASET_DIR=/liukongling/SSD-Tensorflow-master/tfrecords_/
    TRAIN_DIR=/liukongling/SSD-Tensorflow-master/train_model/
    CHECKPOINT_PATH=/liukongling/SSD-Tensorflow-master/checkpoints/vgg_16.ckpt
    python3 /liukongling/SSD-Tensorflow-master/train_ssd_network.py
    train_dir=${TRAIN_DIR}
    dataset_dir=${DATASET_DIR}
    dataset_name=pascalvoc_2007
    dataset_split_name=train
    model_name=ssd_300_vgg
    checkpoint_path=${CHECKPOINT_PATH}
    checkpoint_model_scope=vgg_16
    checkpoint_exclude_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box
    trainable_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9,ssd_300_vgg/block10,ssd_300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_box,ssd_300_vgg/block10_box,ssd_300_vgg/block11_box
    save_summaries_secs=60
    save_interval_secs=600
    weight_decay=0.0005
    optimizer=adam
    learning_rate=0.001
    learning_rate_decay_factor=0.94
    batch_size=24
    gpu_memory_fraction=0.9
    

    可是运行该.sh文件一直找不到train_ssd_network.py,因此我直接在该.py中进行更改:
    在这里插入图片描述
    可根据环境参数进行修改即可
    然后,进入train_ssd_network.py的路径:
    在这里插入图片描述
    运行如上代码即可进行训练。
    PS:若想运行.sh文件,可参照SSD目标检测:tensorflow 版本调试以及出现错误的解决方法

    4.测试图片

    首先在容器中安装jupyter并配置文件,设置密码:
    
    pip install jupyter notebook #安装jupyter
    jupyter notebook --generate -config   #生成配置文件
    jupyter notebook password    #生成登录密码
    jupyter-notebook --ip 0.0.0.0 --allow-root #打开jupyter
    

    或者配置成功后,直接在浏览器输入:ip:容器端口号(比如我这里是 192.168.1.101:14001),可以进行代码运行及修改。
    进入jupyter,打开notebooks/ssd_notebook.ipynb:
    在这里插入图片描述
    在这里插入图片描述
    将以上两处改为你的文件的绝对路径即可。
    点击cell/run all进行测试,测试结果如下:
    在这里插入图片描述
    运行过程中遇到的问题:
    运行ssd_notebook.ipynb时出现
    “ModuleNotFoundError: No module named ‘nets’”
    网上提供的方法对于我的情况不适合,我的问题出现在该文件的路径问题:
    在这里插入图片描述
    打开该文件可以发现网址中的路径中出现了两次notebooks。
    解决办法:将notebooks文件夹下的ssd_notebook.ipynb直接拷贝到主目录SSD-Tensorflow-master下,然后在主目录下打开这个文件ssd_notebook.ipynb,这个时候的网址变为下图所示,再继续在这文件上执行。
    在这里插入图片描述
    详情可见:深度学习文章4:训练自己模型的SSD完整详细步骤

    展开全文
  • macOS安装TensorFlow

    千次阅读 2018-01-19 16:12:50
    macOS安装TensorFlow官网安装教程(英文)此次安装的是python下的tensorflow安装的机制或者说容器,一般有以下三种: 安装在python的虚拟环境中,即virtualenv 安装在本地python环境下 安装在Docker容器下 ...
  • su docker run --gpus all -it -v /home:/home --name='base_' 3c2 /bin/bash apt-get update apt-get install vim vi /etc/apt/sources.list ...#安装miniCONDA https://docs.conda.io/en/latest/miniconda.html#lin
  • docker 安装tensorflow

    千次阅读 2017-12-13 09:09:24
    参考: 1、https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tools/docker 2、...按照以下步骤通过Docker安装TensorFlow:1、按照Docker文档中的
  • 1.安装 nvidia-docker,详见https://github.com/NVIDIA/nvidia-docker/ 2.完成后测试cuda可用: ...3.确认可用后会看到nvidia-smi命令的结果,然后开启自己容器的之路,首先创建一个容器当虚拟机用,这里我选择...
  • Docker安装TensorFlow1.15.0

    2020-07-13 21:34:10
    Docker 安装TensorFlow1.15.0 由于一些代码仍然是基于TensorFlow1.x版本,而目前服务器TensorFlow版本2.2.0,虽然可以用: import tensorflow.compat.v1 as tf tf.disable_v2_behavior() 运行1.x版本的TensorFlow,...
  • Docker安装TensorFlow

    2020-08-14 20:09:04
    那用Docker安装tensorflow是什么效果?能支持GPU吗?(先不管这些了,先安装一下) 首先需要确认已安装了Docker,参考之前的这篇博客。 第一步:下载TF镜像 docker pull tensorflow/tensorflow 第二步:创建...
  • Docker 中快速安装tensorflow环境,并使用TensorFlow。 一、下载TensorFlow镜像 docker pull tensorflow/tensorflow 二、 创建TensorFlow容器 docker run --name corwien-tensortflow -it -p 8888:8888 -v /Users/...
  • 简评:手把手教你如何在 Mac OSX 系统安装 TensorFlow。 这个文档说明了如何在 Mac OS X 上安装 TensorFlow。 注意:从 1.2 版本开始,在 Mac OS X 上 TensorFlow 不再支持 GPU。 确定如何安装 TensorFlow ...
  • 在 Mac OS X 上安装 TensorFlow这个文档说明了如何在 Mac OS X 上安装 TensorFlow。注意:从 1.2 版本开始,在 Mac OS X 上 TensorFlow 不再支持 GPU。确定如何安装 TensorFlow你可以选择一种方式安装 TensorFlow,...
  • mac 安装tensorflow

    千次阅读 2016-06-27 19:58:22
    mac 安装tensorflow安装pip$ sudo easy_install pip # 如果还没有安装 pip 安装virtualenv 创建一个隔离的容器sudo pip install --upgrade virtualenv 接下来, 建立一个全新的 virtualenv 环境. 为了将环境建在 ~/...
  • 二进制安装TensorFlow

    2020-05-24 11:14:09
    TensorFlow下载与安装 TensorFlow Python API 依赖 Python 2.7 版本. 在 Linux 和 Mac 下最简单的安装方式, 是使用 pip 安装. 如果在安装过程中遇到错误, 请查阅 常见问题. 为了简化安装步骤, 建议使用 virtualenv, ...
  • 使用Docker安装Tensorflow

    2020-05-15 14:03:16
    使用Docker安装Tensorflow 对程序员来说在配置环境上花费大量时间,着实没有太大意义。遇到这篇文章以前您可能一个tensorflow环境配半天,各种错误出现,其他环境也一样。但是Docker为我们提供了解决方案,而且相比...
  • 基于docker安装tensorflow

    千次阅读 2018-08-10 21:44:13
    最近在自学机器学习,大热的Tensorflow自然不能错过,所以首先解决安装问题,为了不影响本地环境,所以本文基于Docker来安装Tensorflow,我的环境是Ubuntu16.04。       安装Docker Docker分为CE和EE,...
  • 本指南将介绍如何在 Windows 上安装 TensorFlow。虽然这些说明可能也适用于其他 Windows 版本,但我们只在满足以下要求的计算机上验证过这些说明(而且我们只支持在此类计算机上按这些说明操作):64 位、x86 台式机...
  • 基于 VirtualEnv 的安装我们推荐使用 virtualenv 创建一个隔离的容器, 来安装 TensorFlow. 这是可选的, 但是这样做能使排查安装问题变得更容易.首先, 安装所有必备工具:# 在 Linux 上: $ sudo apt-get install ...
  • 1. 下载docker工具并安装(会要求你申请或者登陆账号,才能下载) ... 2. 安装完了,把docker切换到linux状态,切换完成如下图:  3. 拉取tensorflow: ...docker pull tensorflow/tensorflow ...
  • 前言 按照以下步骤通过 Docker 安装 TensorFlow: 按照 Docker 文档中的说明在计算机上安装 Docker。 (可选)创建一个名为 docker 的 Linux 组,以支持启动...要安装支持 GPU 的 TensorFlow 版本,您必须先安装 ...
  • 在 Ubuntu 上安装 TensorFlow 本指南将介绍如何在 Ubuntu 上安装 TensorFlow。虽然这些说明可能也适用于其他 Linux 版本,但我们只在满足以下要求的计算机上验证过这些说明(而且我们只支持在此类计算机上按这些...
  • Docker 中快速安装tensorflow环境,并使用TensorFlow。 一、下载TensorFlow镜像 docker pull tensorflow/tensorflow 二、 创建TensorFlow容器 docker run --name corwien-tensortflow -it -p 8888:8888 -v /Us...
  • Centos系统基于Docker安装tensorflow

    千次阅读 2017-11-22 10:36:01
    要基于Docker安装tensorflow,当然首先要安装Docker了,下面先说安装Docker的步骤1. 首先卸载电脑上可能存在的老的版本,如果没有安装过可以不执行$ sudo yum remove docker \ docker-common \ docker-selinux \ ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 8,687
精华内容 3,474
关键字:

容器安装tensorflow