在 Ubuntu 上安装 TensorFlow

这篇指南描述了如何在 Ubuntu 上安装 TensorFlow。这些实例也可能在其他 Linux 版本生效,但我们只在 Ubuntu 14.04 及更高的版本上测试过。

确定 TensorFlow 版本

如下之中选择一种来安装:

  • 只支持 CPU 的 TensorFlow。如果你的系统不支持 NVIDIA® GPU, 你必须安装这个版本。这个版本的 TensorFlow 通常安装起来比较简单(一般 5 到 10分钟),所以即使你拥有 NVIDIA GPU,我们也推荐首先安装这个版本。
  • 支持 GPU 的 TensorFlow. TensorFlow 在 GPU 上通常比在 CPU 上的执行的更快。所以如果你有符合如下要求的 NVIDIA® GPU 并且需要注重性能,可以随后安装这个版本。

GPU support TensorFlow 的 NVIDIA 需求

需要事先安装如下 NVIDIA 软件。

  • CUDA® Toolkit 8.0. 详见 NVIDIA's documentation。确保按照文档中描述的将 Cuda 相关路径加入到 LD_LIBRARY_PATH 环境变量中。
  • CUDA Toolkit 8.0 相关的 NVIDIA 驱动。
  • cuDNN v5.1。详见 NVIDIA's documentation。确保创建了 CUDA_HOME 环境变量。
  • CUDA Compute Capability 3.0 或更高的 GPU 芯片。支持的 GPU 芯片详见 NVIDIA documentation
  • libcupti-dev 库, 该库提供了高级的性能支持,按如下命令安装:

    $ sudo apt-get install libcupti-dev
    

如果含有上述库但版本较老,先升级。如果不能升级,操作如下:

  • 从源码安装 TensorFlow
  • 安装或升级至少如下版本:
    • CUDA toolkit 7.0 或更高
    • cuDNN v3 或更高
    • CUDA Compute Capability 3.0 或更高的 GPU 芯片。

确定如何安装 TensorFlow

有如下选择:

推荐 virtualenv 安装 (略过四种方法的说明,自行查找)

virtualenv 安装

步骤如下:

  1. 安装 pip 及 virtualenv:

    $ sudo apt-get install python-pip python-dev python-virtualenv 
  2. 建立 virtualenv 环境:

    $ virtualenv --system-site-packages targetDirectory 

    targetDirectory 指明了 virtualenv 的位置。

  3. 激活 virtualenv 环境:

    $ source ~/tensorflow/bin/activate # bash, sh, ksh, or zsh
    $ source ~/tensorflow/bin/activate.csh  # csh or tcsh 

    如上操作会将提示符更改为如下:

     (tensorflow)$ 
  4. 如下命令中选取一个安装 TensorFlow:

    (tensorflow)$ pip install --upgrade tensorflow      # for Python 2.7
    (tensorflow)$ pip3 install --upgrade tensorflow     # for Python 3.n
    (tensorflow)$ pip install --upgrade tensorflow-gpu  # for Python 2.7 and GPU
    (tensorflow)$ pip3 install --upgrade tensorflow-gpu # for Python 3.n and GPU
    上述命令成功则跳过步骤5,否则执行步骤5。

  5. (可选) 如果步骤4失败 (通常因为 pip 版本小于 8.1):

    (tensorflow)$ pip install --upgrade TF_PYTHON_URL   # Python 2.7
    (tensorflow)$ pip3 install --upgrade TF_PYTHON_URL  # Python 3.N 

    TF_PYTHON_URL 指定了 python tensorflow 的包的地址。TF_PYTHON_URL 依赖于操作系统、Python 版本、GPU 支持,从 这里 找到合适的URL。如,安装 TensorFlow for Linux, Python 2.7、CPU-only,使用如下命令:

    (tensorflow)$ pip3 install --upgrade \
    https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.1.0-cp34-cp34m-linux_x86_64.whl

如果遇到安装问题,详见 常见安装问题.

下一步

安装完毕之后: 验证安装结果

注意,每次使用 TensorFlow 前需要先激活 virtualenv 环境,使用如下命令:

$ source ~/tensorflow/bin/activate      # bash, sh, ksh, or zsh 
$ source ~/tensorflow/bin/activate.csh  # csh or tcsh

激活之后可从当前 shell 执行命令,此时提示符变成如下:

(tensorflow)$ 

使用完毕 TensorFlow 可用 deactivate 命令退出当前 virtualenv 环境:

(tensorflow)$ deactivate 

此时提示符将会返回到默认提示符 (在 PS1 环境变量中定义)。

卸载 TensorFlow

卸载 TensorFlow,删除相关目录即可:

$ rm -r targetDirectory 

原生 pip 安装

注意: setup.py 的 REQUIRED_PACKAGES 部分 列出了 pip 将会安装或者升级的 TensorFlow 包。

前提:Python 及 Pip

Python 已经在 Ubuntu 中自动安装了。花谢时间确定(python -v)你的操作系统中含有如下 Python 版本中的一个:

  • Python 2.7
  • Python 3.3+

Pip 或 pip3 通常已经在 Ubuntu 中安装。花些时间确定(pip -Vpip3 -V)已经安装。强烈建议使用 8.1 或更高的版本。如果 8.1 或更高的版本没有安装,使用如下命令安装或升级到最新 pip 版本:

$ sudo apt-get install python-pip python-dev

安装 TensorFlow

假定已经安装了如上必要软件,如下步骤安装 TensorFlow:

  1. 如下命令之一安装:

    $ pip install tensorflow      # Python 2.7; CPU support (no GPU support)
    $ pip3 install tensorflow     # Python 3.n; CPU support (no GPU support)
    $ pip install tensorflow-gpu  # Python 2.7;  GPU support
    $ pip3 install tensorflow-gpu # Python 3.n; GPU support 

    如上命令执行完毕,可验证安装结果.

  2. (可选) 如果步骤1失败,使用如下命令安装:

    $ sudo pip  install --upgrade TF_PYTHON_URL   # Python 2.7
    $ sudo pip3 install --upgrade TF_PYTHON_URL   # Python 3.N 

    TF_PYTHON_URL 指定了 python tensorflow 的包的地址。TF_PYTHON_URL 依赖于操作系统、Python 版本、GPU 支持,从 这里 找到合适的URL。 例如,安装 TensorFlow for Linux, Python 3.4、CPU-only,使用如下命令:

    $ sudo pip3 install --upgrade \
    https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.1.0-cp34-cp34m-linux_x86_64.whl
    

    该步骤失败查询 常见安装问题.

下一步

安装完毕之后: 验证安装结果

卸载 TensorFlow

如下命令卸载:

$ sudo pip uninstall tensorflow  # for Python 2.7
$ sudo pip3 uninstall tensorflow # for Python 3.n

Docker 安装

如下步骤通过 Docker 安装 TensorFlow:

  1. 按描述在你的机器上安装 Docker Docker documentation.
  2. 可选,建立名为docker的用户组以便不通过 sudo 来登陆 container, Docker documentation. (如果省略该步骤,每次启动 Docker 都需要使用 sudo。)
  3. 为安装支持 GPU 的 TensorFlow 版本,需要首先 安装 nvidia-docker
  4. 启动含有 TensorFlow binary images. 之一的 Docker 容器。

本章节的其余部分描述了如何启动一个 Docker 容器。

CPU-only

使用如下命令启动一个 CPU-only Docker 容器:

$ docker run -it -p hostPort:containerPort TensorFlowCPUImage

其中:

  • -p hostPort:containerPort 可选。 如果计划从 shell 执行 TensorFlow 程序,忽略该选项。 如果计划作为Jupyter notebooks执行 TensorFlow 程序,设定 hostPortcontainerPort 均为 8888。如果计划在容器中启动 TensorBoard, 添加第二个 -p 参数, 设定 hostPortcontainerPort 均为 6006.
  • TensorFlowCPUImage 是必须的. 它指定了使用的容器,如下选项中选取一个:

    • gcr.io/tensorflow/tensorflow, TensorFlow CPU 镜像。
    • gcr.io/tensorflow/tensorflow:latest-devel, 最新的 TensorFlow CPU 镜像外加源代码。
    • gcr.io/tensorflow/tensorflow:version,指定版本(如1.0.1)。
    • gcr.io/tensorflow/tensorflow:version-devel,指定版本外加源代码。

    gcr.io 是 Google 的容器仓库。注意一些镜像同样可从 dockerhub获取。

例如,如下命令在一个容器中启动最新的 TensorFlow CPU 镜像,你可以在 shell 中执行 TensorFlow 程序:

$ docker run -it gcr.io/tensorflow/tensorflow bash

如下命令同样在一个容器中启动最新的 TensorFlow CPU 镜像。 但是在该容器中,你可以在Jupyter notebook中执行 TensorFlow 程序:

$ docker run -it -p 8888:8888 gcr.io/tensorflow/tensorflow

Docker 会在你第一次启动 TensorFlow 镜像时下载它。

GPU support

安装支持 GPU 的 TensorFlow 之前,确保你的系统满足 NVIDIA software requirements。To launch a Docker container 通过如下命令,启动一个支持 GPU 的 TensorFlow 的 Docker 容器

$ nvidia-docker run -it -p hostPort:containerPort TensorFlowGPUImage

其中:

  • -p hostPort:containerPort 可选。 如果计划从 shell 执行 TensorFlow 程序,忽略该选项。 如果计划作为Jupyter notebooks执行 TensorFlow 程序,设定 hostPortcontainerPort 均为 8888
  • TensorFlowCPUImage 是必须的. 它指定了使用的容器,如下选项中选取一个:
    • gcr.io/tensorflow/tensorflow:latest-gpu,最新 TensorFlow GPU 镜像。
    • gcr.io/tensorflow/tensorflow:latest-devel-gpu,最新 TensorFlow GPU 镜像外加源代码。
    • gcr.io/tensorflow/tensorflow:version-gpu,指定版本的 TensorFlow GPU 镜像。
    • gcr.io/tensorflow/tensorflow:version-devel-gpu,指定版本的 TensorFlow GPU 镜像外加源代码。

我们推荐安装一个最新版。如下命令可以在 Docker 容器中启动一个最新版本 TensorFlow GPU 镜像, 你可以在其 shell 中执行TensorFlow 程序:

$ nvidia-docker run -it gcr.io/tensorflow/tensorflow:latest-gpu bash

如下命令同样在一个容器中启动最新的 TensorFlow GPU 镜像。 但是在该容器中,你可以在Jupyter notebook中执行 TensorFlow 程序:

$ nvidia-docker run -it -p 8888:8888 gcr.io/tensorflow/tensorflow:latest-gpu

如下命令启动一个老版本的 TensorFlow:

$ nvidia-docker run -it -p 8888:8888 gcr.io/tensorflow/tensorflow:0.12.1-gpu

Docker 会在你第一次启动 TensorFlow 镜像时下载它。详情 TensorFlow docker readme.

下一步

安装完毕之后: 验证安装结果

Anaconda 安装

按照如下步骤在 Anaconda 环境中安装 TensorFlow:

  1. 按说明下载并安装 Anaconda: Anaconda download site

  2. 建立一个 conda 环境,命名为 tensorflow,以便运行某个 Python 版本:

    $ conda create -n tensorflow
  3. 激活 anaconda 环境:

    $ source activate tensorflow
    (tensorflow)$  # 你的提示符应变化 
  4. 在你的 conda 环境中安装 TensorFlow:

    (tensorflow)$ pip install --ignore-installed --upgrade TF_PYTHON_URL

    其中 TF_PYTHON_URLTensorFlow Python 包地址. 比如:如下命令可以为 Python 3.4 安装 CPU-only 版本的 TensorFlow:

    (tensorflow)$ pip install --ignore-installed --upgrade \
    https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.1.0-cp34-cp34m-linux_x86_64.whl

验证安装结果

按如下操作验证 TensorFlow 安装结果:

  1. 确保准备环境完备
  2. 执行一个简短的 TensorFlow 程序

准备环境

If you installed on native pip, virtualenv, or Anaconda, then do the following: 如果通过原生 pip、virtualenv、Anaconda 安装,做如下操作:

  1. 启动一个 terminal
  2. 如果通过 virtualenv 或 Anaconda 安装,激活容器
  3. 如果你安装了 TensorFlow 源码,定位到不含源码的任一目录中

如果通过 Docker 安装,启动一个可以通过 bash 操作的 Docker 容器:

$ docker run -it gcr.io/tensorflow/tensorflow bash

执行一个简短的 TensorFlow 程序

在 shell 中调用 Python:

$ python

在 Python 交互式环境中输入如下命令:

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

如果系统输出如下,则安装成功:

Hello, TensorFlow!

如果你新接触 TensorFlow,参考初识 TensorFlow进行下一步学习。

如果系统输出错误信息而非欢迎信息,查看常见安装问题

常见安装问题

我们依靠 Stack Overflow 来编写 TensorFlow 安装问题及解决方案的文档。 如下表格包含了 Stack Overflow 上比较常见的安装问题的连接。 如果你遇到了不在列表中的新的错误信息或者其他安装问题,请在 Stack Overflow 上搜索。 如果搜索不到,请在 Stack Overflow 上提出一个新的问题,并打上 tensorflow 的标签。

Stack Overflow Link Error Message
36159194
ImportError: libcudart.so.Version: cannot open shared object file:
  No such file or directory
41991101
ImportError: libcudnn.Version: cannot open shared object file:
  No such file or directory
36371137 and here
libprotobuf ERROR google/protobuf/src/google/protobuf/io/coded_stream.cc:207] A
  protocol message was rejected because it was too big (more than 67108864 bytes).
  To increase the limit (or to disable these warnings), see
  CodedInputStream::SetTotalBytesLimit() in google/protobuf/io/coded_stream.h.
35252888
Error importing tensorflow. Unless you are using bazel, you should
  not try to import tensorflow from its source directory; please exit the
  tensorflow source tree, and relaunch your python interpreter from
  there.
33623453
IOError: [Errno 2] No such file or directory:
  '/tmp/pip-o6Tpui-build/setup.py'
42006320
ImportError: Traceback (most recent call last):
  File ".../tensorflow/core/framework/graph_pb2.py", line 6, in 
  from google.protobuf import descriptor as _descriptor
  ImportError: cannot import name 'descriptor'
35190574
SSLError: [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify
  failed
42009190
  Installing collected packages: setuptools, protobuf, wheel, numpy, tensorflow
  Found existing installation: setuptools 1.1.6
  Uninstalling setuptools-1.1.6:
  Exception:
  ...
  [Errno 1] Operation not permitted:
  '/tmp/pip-a1DXRT-uninstall/.../lib/python/_markerlib' 
36933958
  ...
  Installing collected packages: setuptools, protobuf, wheel, numpy, tensorflow
  Found existing installation: setuptools 1.1.6
  Uninstalling setuptools-1.1.6:
  Exception:
  ...
  [Errno 1] Operation not permitted:
  '/tmp/pip-a1DXRT-uninstall/System/Library/Frameworks/Python.framework/
   Versions/2.7/Extras/lib/python/_markerlib'

TensorFlow Python 包地址(TF_PYTHON_URL

一些安装方法需要 TensorFlow Python 包,它的地址依赖于几个方面:

  • 操作系统
  • Python 版本
  • CPU-only 还是 GPU support

Python 2.7

CPU only:

https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.1.0-cp27-none-linux_x86_64.whl

GPU support:

https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.1.0-cp27-none-linux_x86_64.whl

注意 GPU 支持需要满足 NVIDIA 硬件需求以及在 GPU support TensorFlow 的 NVIDIA 需求 中描述的软件。

Python 3.4

CPU only:

https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.1.0-cp34-cp34m-linux_x86_64.whl

GPU support:

https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.1.0-cp34-cp34m-linux_x86_64.whl

注意 GPU 支持需要满足 NVIDIA 硬件需求以及在 GPU support TensorFlow 的 NVIDIA 需求 中描述的软件。

Python 3.5

CPU only:

https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.1.0-cp35-cp35m-linux_x86_64.whl

GPU support:

https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.1.0-cp35-cp35m-linux_x86_64.whl

注意 GPU 支持需要满足 NVIDIA 硬件需求以及在 GPU support TensorFlow 的 NVIDIA 需求 中描述的软件。

Python 3.6

CPU only:

https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.1.0-cp36-cp36m-linux_x86_64.whl

GPU support:

https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.1.0-cp36-cp36m-linux_x86_64.whl

注意 GPU 支持需要满足 NVIDIA 硬件需求以及在 GPU support TensorFlow 的 NVIDIA 需求 中描述的软件。

Protobuf pip 包 3.1

如果没有遇到和 protobuf pip 包相关的问题,你可以跳过这个部分。

注意: 如果你的 TensorFlow 运行缓慢,你可能遇到了一个 protobuf pip 包相关的问题。

TensorFlow pip 包依赖于 protobuf pip 包 3.1。 从 PyPI 下载的 protobuf 是 proto 序列化/反序列化的纯 Python 实现的库, 其速度比 C++ 实现慢10-50倍。Protobuf 支持二进制扩展,速度更快,基于 C++。 但该扩展无法在纯Python实现的 pip 包中获取。我们制作了包含该二进制扩展的protobuf pip 包。 如下命令可安装该自定义的 protobuf pip 包:

  • for Python 2.7:

    $ pip install --upgrade \
    https://storage.googleapis.com/tensorflow/linux/cpu/protobuf-3.1.0-cp27-none-linux_x86_64.whl
  • for Python 3.5:

    $ pip3 install --upgrade \
    https://storage.googleapis.com/tensorflow/linux/cpu/protobuf-3.1.0-cp35-none-linux_x86_64.whl

安装这个 protobuf 包会覆盖已经存在的 protobuf 包。 注意该二进制 pip 包已经支持大于 64MB 的问题,修复了如下问题:

[libprotobuf ERROR google/protobuf/src/google/protobuf/io/coded_stream.cc:207]
Protocol message 被拒绝,因为太大(大于 67108864 字节)。
为增大限制或禁用报警,
在 google/protobuf/io/coded_stream.h 中查看 CodedInputStream::SetTotalBytesLimit()

results matching ""

    No results matching ""