介绍
一个开源的机器学习软件库, TensorFlow用于训练神经网络. 以 stateful dataflow graphs的形式表达,图表中的每个节点代表了神经网络在多维数组中执行的操作。
在本教程中,您将安装TensorFlow在Python虚拟环境中使用virtualenv。这种方法将TensorFlow安装隔离,并使事情快速运行.一旦完成安装,您将通过进口Tensorflow来验证您的安装,以确保您没有错误。
前提条件
在您开始本教程之前,您将需要以下内容:
- 一个 Ubuntu 20.04 服务器,至少具有 4 GB 的 RAM,通过遵循 Ubuntu 20.04 初始服务器设置指南,包括一个 sudo 非根用户和防火墙
- Python 3.8 或更高版本和
virtualenv安装。
步骤一:创建一个编程环境
在此步骤中,我们将创建一个虚拟环境,以便在不损害我们其他编程项目的情况下安装 TensorFlow。
首先,创建一个项目目录,我们将其称为tf-demo,用于演示目的,但选择一个对您有意义的目录名称:
1mkdir ~/tf-demo
导航到您新创建的tf-demo目录:
1cd ~/tf-demo
然后创建一个名为tensorflow-dev的新虚拟环境,例如运行以下命令来创建环境:
1python3 -m venv tensorflow-dev
这将创建一个新的tensorflow-dev目录,该目录将包含您在启用此环境时安装的所有包,还包括pip和Python的独立版本。
现在启用您的虚拟环境:
1source tensorflow-dev/bin/activate
一旦激活,您的终端提示将反映您处于虚拟环境:
1(tensorflow-dev)username@hostname:~/tf-demo $
在此时刻,您可以在虚拟环境中安装TensorFlow。
第2步:安装TensorFlow
在安装 TensorFlow 时,我们希望确保我们正在安装并升级到 PyPi中可用的最新版本。
因此,我们将使用以下命令语法与pip:
1pip install --upgrade tensorflow
一旦您按下ENTER,TensorFlow 将安装,您应该收到输出,表明安装和任何依赖的包都成功了。
1[secondary_label Output]
2...
3Successfully installed absl-py-0.7.1 astor-0.7.1 gast-0.2.2 grpcio-1.19.0 h5py-2.9.0 keras-applications-1.0.7 keras-preprocessing-1.0.9 markdown-3.0.1 mock-2.0.0 numpy-1.16.2 pbr-5.1.3 protobuf-3.7.0 setuptools-40.8.0 tensorboard-1.13.1 tensorflow-1.13.1 tensorflow-estimator-1.13.0 termcolor-1.1.0 werkzeug-0.15.0 wheel-0.33.1
4...
5
6Successfully installed bleach-1.5.0 enum34-1.1.6 html5lib-0.9999999 markdown-2.6.9 numpy-1.13.3 protobuf-3.5.0.post1 setuptools-38.2.3 six-1.11.0 tensorflow-1.4.0 tensorflow-tensorboard-0.4.0rc3 werkzeug-0.12.2 wheel-0.30.0
<$>[注] 您可以使用以下命令随时禁用虚拟环境:
1deactivate
若要稍后重新激活环境,请导航到项目目录并运行源 tensorflow-dev/bin/activate
现在你已经安装了TensorFlow,让我们确保TensorFlow安装工作。
步骤3 - 验证安装
为了验证 TensorFlow 的安装,我们将确保我们可以导入 TensorFlow 包。
1python
以下提示将出现在您的终端上:
1>>>
这是Python解释器的提示,它表明它已经为您准备好开始输入一些Python陈述。
首先,键入此行以导入 TensorFlow 包,并将其作为本地变量 tf 提供。
1import tensorflow as tf
只要您没有收到任何错误,您就已经成功安装了 TensorFlow。如果您收到错误,您应该确保您的服务器足够强大来处理 TensorFlow。
结论
在本教程中,您已在Python虚拟环境中安装了TensorFlow,并通过导入验证了TensorFlow的功能。
TensorFlow 的 程序员指南为 TensorFlow 开发提供了有用的资源和参考信息,您还可以探索 Kaggle,这是一个用于实际应用机器学习概念的竞争环境,这将使您与其他机器学习、数据科学和统计爱好者相比。