精华内容
下载资源
问答
  • Tensorflow2.0】Tensorflow2.x的安装教程

    万次阅读 多人点赞 2019-03-07 19:04:08
    昨天tensorflow 开发者大会刚开完,会上发布了关于 TensorFlow 2.0TensorFlow Lite,TensorFlow.js,Swift for TensorFlow,TFX 等产品生态体系的最新更新和首次发布的内容,2019年任会支持tensorflow1.x,但是我们...

    Anaconda 可以使tensorflow的安装变的简单

    昨天tensorflow 开发者大会刚开完,会上发布了关于 TensorFlow 2.0,TensorFlow Lite,TensorFlow.js,Swift for TensorFlow,TFX 等产品生态体系的最新更新和首次发布的内容,2019年仍会支持tensorflow1.x,但是我们相信,版本的升级会带来易用性和使用性能的提升,特别是tensorflow1.x 开发api的混乱,有slim、tf.layers, tf.contrib 后期版本有tf.keras ,还有读数据方式,都特别麻烦,所以本文章基于linux系统提供安装方法(Windows系统安装anaconda以后也可以使用该教程)。

    插播:很荣幸本文于2020年11月5日被Tensorflow官方社区收录,欢迎去社区逛逛

    1. 首先安装anaconda

    这个直接官网去下载就可以了,可以是安装anaconda 或miniconda,我选择miniconda,这样不会把大量用不到的python包都安装了,而是根据需求,后期自己安装。
    下载miniconda ,基本一路回车安装完成就可以,然后配置下载源来使⽤国内镜像加速下载:
    (时代在变化,社会在发展,anaconda不再有国内的加速镜像,所以以下添加清华源的命令就不要执行了!!,用默认的官方源也是可以使用的,更改于2019年7月2日 )清华源又可以用了

    #优先命名用清华conda 镜像
    conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
    conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
    conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
    conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/fastai/
    conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
    conda config --append channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
    
    # 搜索时显示通道地址
    conda config --set show_channel_urls yes
    

    2. 创建一个环境

    用来安装tensorflow2.0以及相关的python packages.

    #加上cudatoolkit and cudnn这样不论你的机器原来装的是否合适,都可以用tensorflow2.0gpu版本
    conda create -n tf2 python=3.6 
    

    3. 激活创建的环境

    安装tensorflow2.0

    #激活环境
    source activate tf2
    #对于GPU版的安装,为保证不论原始linux环境是什么样的都可以安装,如果原系充已经符合,以下命令不用执行
    conda install cudatoolkit=10 cudnn=7.6 #目前tf2.0不支持cuda10.1(对应cudnn7.6),官网要求cuda=10,cudnn>7.4
    #对于CPU版本,上边这行命令是不需要执行的
    #接下来安装tensorflow 有多种情形
    conda install tensorflow #安装tensorflow cpu稳定版本
    conda install tensorflow-gpu#安装ensorflow gpu稳定版本
    #使用这前可以使用 conda serach tensorflo 或conda search tensorflow-gpu来查询都有那些版本
    #可以初装指定版本 conda install tensorflow=1.5 tensorflow 1.5版本
    #如果安装错了可以使用conda uninstall tensorflow卸载后再重新安装
    #接下来是要安装是新的tensorflow版本,conda环境使用pip同样生效
    pip install tf-nightly #cpu 版本
    pip install tf-nightly-gpu#GPU版本
    #本人网上查了具体的版本
    pip install tf-nightly-2.0-preview#Install tf 2.0 preview CPU version
    pip install tf-nightly-gpu-2.0-preview#Install tf 2.0 preview GPU version
    

    关于conda安装cuda和cudnn,当nvidia发布新的cuda和cudnn版本时,conda还无法安装较新版本,只有旧版本。此时的解决方法是:

    conda search cudatoolkit -c conda-forge
    conda search cudnn -c conda-forge
    #选择conda-forge 来搜索,会获得较新版本的cuda和cudnn
    

    在这里插入图片描述
    对于cudnn同理。

    以下于2019年7月2日更新部分,最近tensorflow2.0的由alpha到了beat版本,所以更新一下最新的安装方法(基础环境的搭建不变)

    pip install --upgrade pip
    pip install --upgrade tensorflow==2.0.0-beta1 #只是CPU版本
    pip install --upgrade tensorflow-gpu==2.0.0-beta1#GPU 版本的
    #关于测试安装是否成功的测试,与原来是一样的
    #会输出2.0.0-beta1
    

    于2019年8月24日再更,今早tensorflow再次更新:

    pip install tensorflow==2.0.0rc0 # cpu version
    pip install tensorflow-gpu==2.0.0rc0  #gpu version
    #最近有了更新rc1版本更新,日期没有记
    pip install tensorflow==2.0.0rc1 # cpu version
    pip install tensorflow-gpu==2.0.0rc1  #gpu version
    #tensorflow rc2版本更新于2019年9月25日,感觉正式版很快就要来了
    #安装方法同上,更新内容参见https://github.com/tensorflow/tensorflow/releases/tag/v2.0.0-rc2
    #卸载旧版
    pip uninstall tensorflow-gpu
    pip install tensorflow-gpu==2.0.0rc2
    

    rc的release candidate的意思,基本上是最后的可用于生产的版本,但仍然是测试。感觉有好多特性都有更新,具体的更新内容参见github上官方文档
    以上就完成了tensorflow2.0的安装
    2019年10月1日更新:tensorflow2.0版本正式发布,安装方法:

    pip install --upgrade pip
    pip install tensorflow-gpu==2.0.0
    

    2019年10月25日更新,从今天开始,conda支持安装tensorflow2.0,有点小舒服。

    conda search tensorflow #搜cpu版
    conda search tensorflow-gpu#搜GPU版
    #大家可以按需安装
    conda install tensorflow-gpu=2.0.0 #各种必备包自动安装,
    

    用conda 安装最好,可以判断所有安装包的版本间的兼容性,如果能安装那么肯定是兼容的。
    官网cuda和cudnn要求如下:
    在这里插入图片描述
    linux上驱动要大于410.x,cuda版本只能是10,cudnn版本要大于7.4.

    2020年1月10日再更,tensorflow2.1正式发布,有几点更新:

    • pip默认安装GPU版本,也就是说pip install tensorflow 与pip install tensorflow-gpu相同
    • tensorflow2.1 支持 cuda 10.1和cudnn 7.6,也就是说在以后可以在同一个环境中同时安装tensorflow(2.1),pytorch(1.3.1),mxnet(1.5.1),因为这三深度学习库都支持cuda 10.1.
      在这里插入图片描述
      具体安装方法:
    conda create -n dl python=3.6
    conda activate dl
    conda install cudatoolkit=10.1 cudnn=7.6
    pip install tensorflow-gpu #安装tensorflow
    pip install torch===1.3.1 torchvision===0.4.2 -f https://download.pytorch.org/whl/torch_stable.html
    pip install mxnet-cu101 #三个深度学习库都初装成功
    pip install jupyterlab pandas matplotlib pydot scikit-learn seaborn scikit-image opencv-contrib-python
    

    发现个问题,用pip安装的tensorflow2.1需要一个 libnvinfer.so的文件,这个是tensorrt的东西,不装tensorrt会报错:
    在这里插入图片描述
    按照官方教程安装一下就可以,我是用的tar包安装的,版本tensorrt6.其中
    export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:<TensorRT-${version}/lib> 这个命令写到当前用户.bashrc中就可以,然后source一下(如果用deb包安装可以省去改变环境变量这个工作)。
    再次进入dl环境,所有pip 安装的内容都不用加sudo.
    到此,使用这三个深度学习库都是没有什么问题的。

    import tensorflow as tf
    import torch
    import mxnet as mx
    from mxnet.runtime import feature_list
    
    print(mx.test_utils.list_gpus())
    print(feature_list())
    #会输出:[✔ CUDA, ✔ CUDNN, ✔ NCCL, ✔ CUDA_RTC, ✖ TENSORRT, ✔ CPU_SSE, ✔ CPU_SSE2, ✔ CPU_SSE3, ✔ CPU_SSE4_1, ✔ CPU_SSE4_2, ✖ CPU_SSE4A, ✔ CPU_AVX, ✖ CPU_AVX2, ✔ OPENMP, ✖ SSE, ✔ F16C, ✖ JEMALLOC, ✔ BLAS_OPEN, ✖ BLAS_ATLAS, ✖ BLAS_MKL, ✖ BLAS_APPLE, ✔ LAPACK, ✔ MKLDNN, ✔ OPENCV, ✖ CAFFE, ✖ PROFILER, ✔ DIST_KVSTORE, ✖ CXX14, ✖ INT64_TENSOR_SIZE, ✔ SIGNAL_HANDLER, ✖ DEBUG, ✖ TVM_OP]
    print(torch.cuda.is_available())
    print(torch.backends.cudnn.version())
    print(tf.test.is_gpu_available())
    

    在这里插入图片描述
    可以看到,三个深度学习库都 可以使用GPU,标红的地方有一个是我们提前安装的包。

    #在tensorflow2.1验证是否有gpu进,系统提示deprecated
    tf.test.is_gpu_available()#不用了
    tf.test.is_built_with_cuda()#是否支持NVIdia GPU
    tf.test.is_built_with_rocm()#是否支持AMD的显卡
    tf.test.is_built_with_gpu()#NVIDIA或AMD是否有一家的支持
    

    在这里插入图片描述
    另外,安装tensorrt需要pycuda,所以还要安装有几个额外包,这样在conda环境中才可以用pip安装pycuda.

    conda install -c nvidia nvcc_linux-64=10.1
    conda install  -c conda-forge cudatoolkit-dev=10.1
    

    执行这两个命令才可以安装pycuda

    pip install pycuda
    

    如果cudatoolkit是从Nvidia官网下载后按照这里所述方式安装的,上边这两条命令是不需要的。
    再次补充
    最近遇到一些其它问题,安装cuda10没报错但是tensorflow不能使用,这是因为系统显卡驱动太低,不匹配比较新的cuda10,唯一需要做的就是更新显卡驱动。每个版本的cuda都有显卡驱动的最低要求,如下表(参考官网说明):
    在这里插入图片描述
    可以看到,cuda10的最低版本的要求是410.48。查看原系统的显卡驱动的方法是在shell中输入: nvidia-smi(原系统安装有cuda toolkit才会有该命令)
    在这里插入图片描述
    本人电脑上当前版本是384.98,最高可安装cuda版本是9.0,而cuda9最高支持到tensorflow1.12。
    cuda版本与tensorflow版本对应关系如下表(参考官网说明):
    在这里插入图片描述
    显卡驱动安装或更新以及cuda toolkitt和cudnn的系统完装方法参见博客
    2020年5月7日更新
    今天,tensorflow2.2正式版发布,更新内容参见github,另外,Keras官网改版了,界面全新,更加接近tf2,可以快乐的学习了。
    tensorflow2.2安装方法:

    conda create -n dl python=3.7
    conda activate dl
    conda install cudatoolkit=10.1 cudnn=7.6.5
    #tensorflow的安装也方便没啥警告
    pip install tensorflow-gpu -i https://pypi.douban.com/simple
    #到目前(2020年5月7日)最新的pytorch gpu版本也可以安装
    pip install torch==1.5.0+cu101 torchvision==0.6.0+cu101 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.douban.com/simple
    

    2021年5月25日更新
    随着tf2.x版本的逐渐更新发布,安装方法整体思路可以参考上文,最主要的是显卡驱动的更新,配套cuda版本的更新,cudnn的更新,python版本的要求(这个建议不要选择最新的,除非从源码安装),按照本文的内容,不难找到相关版本要求及安装方法,因此,在没有大的改动时,本文将暂时保持稳定。未来有大的变动时,会进行更新。

    4. 测试是否安装成功

    有两种方法

    • 方法一:
    import tensorflow as tf 
    print(tf.__version__)
    #输出'2.0.0-alpha0'
    print(tf.test.is_gpu_available())
    #会输出True,则证明安装成功
    
    • 方法二:
    #输入python,进入python环境
    import tensorflow as tf
    #查看tensorflow版本
    print(tf.__version__)
    #输出'2.0.0-alpha0'
    #测试GPU能否调用,先查看显卡使用情况
    import os 
    os.system("nvidia-smi")
    #调用显卡
    @tf.function
    def f():
    	pass
    f()
    #这时会打印好多日志,我电脑上还有warning,感觉不影响
    #再次查询显卡
    os.system("nvidia-smi")
    可以对比两次使用情况
    

    建意两种测试方法都试一下,有时第一种方法成功,真正建模型进行训练时确会报错,所在最好都试一下。
    好了,测试使用的过程也完成了,小伙伴们可以玩起来呀
    这里顺便提一下用来tensorflow 学习的资源

    引用文章
    1 https://docs.anaconda.com/anaconda/user-guide/tasks/tensorflow/
    2 https://medium.com/tensorflow/test-drive-tensorflow-2-0-alpha-b6dd1e522b01 需要科学上网
    3 https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
    4 https://www.tensorflow.org/install/source#install_python_and_the_tensorflow_package_dependencies

    展开全文
  • TensorFlow 2.0 教程

    万次阅读 多人点赞 2019-03-16 21:30:39
    最全TensorFlow2.0教程-持续更新 Tensorflow 2.0 教程持续更新: TensorFlow 2.0 教程- Keras 快速入门 TensorFlow 2.0 教程-keras 函数api TensorFlow 2.0 教程-使用keras训练模型 TensorFlow 2.0 教程-用...

    最全 TensorFlow2.0 教程-持续更新

    原文地址:https://blog.csdn.net/qq_31456593/article/details/88606284

    最新tensorflow2教程和相关资源,请关注微信公众号:DoitNLP, 后面我会在DoitNLP上,持续更新深度学习、NLP、Tensorflow的相关教程和前沿资讯,它将成为我们一起学习tensorflow2的大本营

    本教程主要由tensorflow2.0官方教程的个人学习复现笔记整理而来,并借鉴了一些keras构造神经网络的方法,中文讲解,方便喜欢阅读中文教程的朋友,tensorflow官方教程:https://www.tensorflow.org

    Tensorflow2.0 教程持续更新:

    TensorFlow 2.0 教程- Keras 快速入门
    TensorFlow 2.0 教程-keras 函数api
    TensorFlow 2.0 教程-使用keras训练模型
    TensorFlow 2.0 教程-用keras构建自己的网络层
    TensorFlow 2.0 教程-keras模型保存和序列化
    TensorFlow 2.0 教程-eager模式
    TensorFlow 2.0 教程-Variables
    TensorFlow 2.0 教程–AutoGraph

    TensorFlow 2.0 深度学习实践

    TensorFlow2.0 教程-图像分类
    TensorFlow2.0 教程-文本分类
    TensorFlow2.0 教程-过拟合和欠拟合
    TensorFlow2.0教程-结构化数据分类
    TensorFlow2.0教程-回归
    TensorFlow2.0教程-保持和读取模型

    TensorFlow 2.0 基础网络结构

    TensorFlow2教程-基础MLP网络
    TensorFlow2教程-mlp及深度学习常见技巧合
    TensorFlow2教程-基础CNN网络
    TensorFlow2教程-CNN变体网络
    TensorFlow2教程-文本卷积
    TensorFlow2教程-使用预训练CNN模型
    TensorFlow2教程-LSTM和GRU
    TensorFlow2教程-自编码器
    TensorFlow2教程-卷积自编码器
    TensorFlow2教程-词嵌入
    TensorFlow2教程-DCGAN
    TensorFlow2教程-使用Estimator构建Boosted trees
    TensorFlow2教程-RNN文本分类
    TensorFlow2教程-Transformer

    TensorFlow 2.0 eager模式

    TensorFlow2.0教程-张量极其操作
    TensorFlow2.0教程-自定义层
    TensorFlow2.0教程-自动求导
    TensorFlow2.0教程-使用低级api训练(非tf.keras)
    TensorFlow2.0教程-自定义训练实战(非tf.keras)
    TensorFlow2教程-TF fuction和AutoGraph

    TensorFlow 2.0 安装

    TensorFlow2 教程-Ubuntu安装TensorFlow 2.0
    TensorFlow2教程-Windows安装tensorflow2.0

    代码实现:

    完整tensorflow2.0教程代码请看tensorflow2.0:中文教程tensorflow2_tutorials_chinese(欢迎star)

    更多TensorFlow2.0 入门教程请持续关注本博客:https://blog.csdn.net/qq_31456593/article/details/88606284
    本博客每周都会更新最新的tensorflow2的教程

    关键词:TensorFlow 2.0 入门 教程 代码 实践

    展开全文
  • Tensorflow 2.0

    2021-01-10 04:06:24
    <div><p>Given that <a href="https://hackernoon.com/tensorflow-is-dead-long-live-tensorflow-49d3e975cf04">Tensorflow 2.0 is adopting Keras-style interfaces, will this provide an opportunity to use ...
  • Tensorflow 2.0 !!!! 在tensorflow的学习中,MNIST 是一个入门级的计算机视觉数据集,当我们开始学习编程时,第一件事往往是学习打印Hello World 。在机器学习入门的领域里,我们会用MNIST 数据集来实验各种模型。...

    Tensorflow 2.0   !!!!

    1 .利用TensorFlow代码下载MNIS丁
    TensorFlow 提供了一个库, 可以直接用来自动下载与安装MNIST , 见如下代码:
    代码5-1 MNIST数据集(此下为旧版本(tf 1.X)的代码,可能不适用,解决办法2是根据旧版代码进行解决,方法1为新版tf2.0的代码,自行选择
     

    from tensorflow.examples.tutorials.mnist import input_data
    mnist = input_data.read_data_sets ( ” MNIST_data/ ”, one_hot=True)


    运行上面的代码,会自动下载数据集并将文件解压到当前代码所在同级自录下的
    MNIST data 文件夹下。
    Q注意:代码中的one hot=True ,表示将样本标签转化为one hot 编码。
    举例来解释one_hot 编码: 假如一共10 类。0 的one_hot 为1000000000,1 的one_hot
    为0100000000 , 2 的one hot 为0010000000 , 3 的one hot 为0001000000 ..…·依
    此类推。只有一个位为1 , 1 所在的位置就代表着第几类。

    报错(此报错可以使用解决方法2,但建议使用方法1中的新版本代码,自行抉择)

    ModuleNotFoundError: No module named 'tensorflow.examples.tutorials'
    

    解决办法1

     tensorflow2.0的数据集集成到keras高级接口之中,使用如下代码一般都能下载

     

    import tensorflow as tf
    tf.__version__
    
    
    mint=tf.keras.datasets.mnist
    (x_,y_),(x_1,y_1)=mint.load_data()
    
    
    import matplotlib.pyplot as plt
    plt.imshow(x_[0], cmap="binary")
    plt.show()


    解决办法2

    先检查tensorflow中是否含有tutorials,本文主要针对没有tutorials文件报错的解决,请看清解决的问题!!!

     

    1.在自己编译器运行的python环境的...\Python3\Lib\site-packages,该目录下有文件夹tensorflow, tensorflow_core, ensorflow_estimator。。。(可能你的电脑安装了多个python环境,如果找错位置,依旧没有复制到运行的python环境中,无法运行,找对自己的环境位置)

     

     

    2.进入tensorflow_core\examples文件夹,如果文件夹下只有saved_model这个文件,则是没有tutorials。

     

     

    3.进入github的tensorflow主页下载缺失的文件 网址为:https://github.com/tensorflow/tensorflow

    或者我微云上的文件:https://share.weiyun.com/5Hm7kxy

     

    整个下载下来,

     

    4.然后在下载文件的路径tensorflow-master\tensorflow\examples\这里找到了tutorials文件夹,把tutorials整个文件夹拷贝到上文中提到的...\Python3\Lib\site-packages\tensorflow_core\examples\

     

    5.恭喜你成功运行

    识别手写数字代码如下

    # -*- coding: utf-8 -*-
    """
    Created on Thu Nov 21 16:38:15 2019
    
    @author: Cable-Ching
    """
    from tensorflow.examples.tutorials.mnist import input_data
    mnist = input_data.read_data_sets("MNIST_data", one_hot=True)
    print ( ' 输入数据:', mnist.train.images)
    print ( ' 输入数据打shape :', mnist.train.images.shape)
    import pylab
    im = mnist.train.images[1]
    im = im.reshape(-1 ,28)
    pylab.imshow(im)
    pylab.show()
    

                                                                                                                                                           祝好!码奋

                                                                                                                                                      可以关注微信公众号  :   码奋

                                                                                                                                                      email: maafenn@gmail.com

                                                                                                                                                          

    展开全文
  • Tensorflow2.0

    2019-07-02 09:05:48
    tf2.0安装及使用 TensorFlow 2.0 教程
    展开全文
  • TensorFlow 2.0

    2019-03-27 15:49:06
    我们知道Google在年前就已经宣布Tensorflow 2.0的消息,并且在最近Tensorflow 2.0 alpha版本已经release出来。Tensorflow 2.0提供了一系列比较有用功能来简化模型的创建、训练以及推理。这里我就我认为比较有用的...
  • 树莓派4B安装tensorflow2.0

    万次阅读 2020-08-04 15:55:53
    我就拿我下载的举例子吧:我下载的是这个版本的:tensorflow-2.0.0-cp37-none-linux_armv7l.whl 1、把下载的这个tensorflow-2.0.0-cp37-none-linux_armv7l.whl文件放进树莓派里边,cd到你拖进的那一目录下(我是拖到...
  • TensorFlow2.0笔记23〗TensorFlow2.0学习笔记总结!

    万次阅读 多人点赞 2019-10-02 20:38:15
    Tensorflow2.0全套课程学习笔记! tensorflow2.0笔记1:tensorflow2.0介绍以及安装!(2019-10-1 tensorflow2.0正式版发布) tensorflow2.0笔记2:Numpy—实现线性回归问题! tensorflow2.0笔记3:手写数字问题初...
  • TF2.0 Tensorflow 2.0笔记本
  • TensorFlow-2.0和深度学习 TensorFlow 2.0和深度学习培训
  • tensorflow2.0-unet tensorflow2.0,resnet,unet 配置环境 点安装-r require.txt 然后运行demo.py即可 可以查看说明.txt

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 22,333
精华内容 8,933
关键字:

tensorflow2.0