TensorFlow 入门指南

介绍

让我们帮你从头开始安装并运行 TensorFlow 吧!

但在开始之前,先来看看一个最简单的使用 TensorFlow Python API 的示例代码,这样你就会对我们接下来要做的事情有所了解。

这是一个 Python 小程序,该程序生成一个二维数组并使之填充到一条线中。

import tensorflow as tf

import numpy as np

# Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3

x_data = np.random.rand(100).astype(np.float32)

y_data = x_data * 0.1 + 0.3

# Try to find values for W and b that compute y_data = W * x_data + b

# (We know that W should be 0.1 and b 0.3, but TensorFlow will

# figure that out for us.)

W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))

b = tf.Variable(tf.zeros([1]))

y = W * x_data + b

# Minimize the mean squared errors.

loss = tf.reduce_mean(tf.square(y - y_data))

optimizer = tf.train.GradientDescentOptimizer(0.5)

train = optimizer.minimize(loss)

# Before starting, initialize the variables. We will 'run' this first.

init = tf.global_variables_initializer()

# Launch the graph.

sess = tf.Session()

sess.run(init)

# Fit the line.

for step in range(201):

sess.run(train)

if step % 20 == 0:

print(step, sess.run(W), sess.run(b))

# Learns best fit is W: [0.1], b: [0.3]

这段代码的第一部分构建了数据流图。 TensorFlow 只有在会话创建以及run方法被调用了以后才会真正运行计算任务。

为进一步激起你的兴趣, 我们建议你看看一个经典的机器学习问题在TensorFlow看起来是什么样子的。在神经网络的世界里,最“经典”的经典问题是MNIST手写体数字的识别。我们在这里提供两个介绍,一个是为机器学习的新手看的,另一个则是为专业人员看的。如果你已经在其他的软件包里训练过几十个MNIST模型,请阅读红色部分。如果你从来没有听说过MNIST,那就一定要阅读蓝色部分。如果你在中间的某个位置,我们建议简略阅读蓝色部分,然后再阅读红色部分。

MNIST for machine learning beginners tutorialDeep MNIST for machine learning experts tutorial

如果你确认你已经学习并安装了 TensorFlow ,那么你可以跳过这些步骤。但你仍需要了解 MNIST -- 我们的例子中也使用到了 MNIST ,这是我们专门针对 TensorFlow 特性而精心设计的。

下载并安装

你可以使用官方提供的二进制包或者从 github 源码中安装 TensorFlow。

TensorFlow Python API 支持 Python 2.7 和 Python 3.3+.

GPU 版本与 Cuda Toolkit 8.0 和 cuDNN v5 搭配最佳。其他版本也支持 (Cuda toolkit >= 7.0 and cuDNN >= v3) ,但只能通过源码的方式安装。详情请看 Cuda installation 。如果你的系统是 Mac OS X,请看 Setup GPU for Mac.

概述

我们支持多种方式安装 TensorFlow:

Pip install: 在你的机器中安装 TensorFlow,可能需要升级已安装的 Python 包。可能会影响已有的 Python 程序的执行。

Virtualenv install: 将 TensorFlow 安装到其独立的目录,不会影响任何已有的 Python 程序。

Anaconda install: 在运行有 Anaconda Python 分发版的独立环境中安装 TensorFlow。不会影响你机器中已有的 Python 程序。

Docker install: 使用一个独立的 Docker 容器运行 TensorFlow,该容器与其他程序是隔离的。

Installing from sources: 通过 pip 链构建 TensorFlow ,并使用 pip 进行安装

如果你熟悉 Pip、Virtualenv、Anaconda 或者是 Docker 的话,那么只需遵循指示就可以轻松满足你的需求。pip 和 Docker 映像的名称在相关安装章节中已经列出。

如果你安装过程中发生错误,可以从 常见问题 获得一些解决方案。

Pip 安装

Pip 是一个包管理系统,用于安装和管理使用 Python 编写的软件包。我们在 Linux、Mac OS X 以及 Windows 下提供 TensorFlow 的 pip 包。对于 Windows 系统,可以阅读 Pip installation on Windows.

在 pip 安装的过程中将会安装并升级很多的包,这些包都在 REQUIRED_PACKAGES section of setup.py 这里列表出来了。

安装 pip (或者是 pip3 for python3)

# Ubuntu/Linux 64-bit

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

# Mac OS X

$ sudo easy_install pip

$ sudo easy_install --upgrade six

我们同时也上传了二进制文件到 Pypi,你可以通过 pip 简单的在 Windows、Linux 和 Mac 上安装。注意你需要 pip 的版本至少为 8.1 ,这样才能在 Linux 下使用:

$ pip install tensorflow

为了安装对 GPU 的支持,需要:

$ pip install tensorflow-gpu

如果上述命令无法在你的系统中正常执行,请看看下面的指引:

安装 TensorFlow:

# Python 2

$ sudo pip install --upgrade $TF_BINARY_URL

# Python 3

$ sudo pip3 install --upgrade $TF_BINARY_URL

注意: 如果你从 0.7.1 以前的 TensorFlow 升级过来,你需要先使用 pip uninstall 卸载 TensorFlow 和 protobuf ,确保安装了更新的 protobuf 依赖。

现在可以 测试安装是否正确。

在 Windows 下安装 Pip

TensorFlow 在 Windows 下只支持 64 位的 Python 3.5 。我们已经在以下的 Python 分发中测试过该 pip 包:

Python 3.5 from Anaconda

Python 3.5 from python.org.

注意: TensorFlow 需要 MSVCP140.DLL, 这个文件可能在你的系统中不存在。当你 import tensorflow as tf, 时看到了错误信息 No module named "_pywrap_tensorflow" 那么说明 DLL 加载失败,检查 MSVCP140.DLL 文件是否在你的 %PATH% 环境变量对应的路径中存在,如果不存在,你需要安装 Visual C++ 2015 redistributable (x64 版本).

这两个分发版都包含了 pip。为了安装纯 CPU 版本的 TensorFlow,请输入如下命令:

C:\> pip install --upgrade https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-0.12.0-cp35-cp35m-win_amd64.whl

为了安装 GPU 版本的 TensorFlow ,请在命令行中输入以下命令:

C:\> pip install --upgrade https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-0.12.0-cp35-cp35m-win_amd64.whl

然后就可以 测试安装是否正确。

你也可以 使用 Virtualenv 或者 Anaconda 环境 来管理 Windows 下的 TensorFlow 安装。

Virtualenv 安装

Virtualenv 是一个用来保持不同 Python 项目在独立的位置有独立的依赖的工具。使用 Virtualenv 来安装 TensorFlow 并不会覆盖已有 TensorFlow 需要的 Python 包。

在 Virtualenv 下的安装步骤如下:

安装 pip 和 Virtualenv.

创建一个 Virtualenv 环境.

激活 Virtualenv 环境并安装 TensorFlow

安装结束后你需要在每次使用 TensorFlow 时激活 Virtualenv 环境

安装 pip 和 Virtualenv:

# Ubuntu/Linux 64-bit

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

# Mac OS X

$ sudo easy_install pip

$ sudo pip install --upgrade virtualenv

创建一个 Virtualenv 环境到 ~/tensorflow 目录:

$ virtualenv --system-site-packages ~/tensorflow

激活环境:

$ source ~/tensorflow/bin/activate # If using bash

$ source ~/tensorflow/bin/activate.csh # If using csh

(tensorflow)$ # Your prompt should change

现在安装 TensorFLow 作为一个常规的 pip 安装,首先选择正确的安装路径:

# Ubuntu/Linux 64-bit, CPU only, Python 2.7

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.0-cp27-none-linux_x86_64.whl

# Ubuntu/Linux 64-bit, GPU enabled, Python 2.7

# Requires CUDA toolkit 8.0 and CuDNN v5. For other versions, see "Installing from sources" below.

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-0.12.0-cp27-none-linux_x86_64.whl

# Mac OS X, CPU only, Python 2.7:

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-0.12.0-py2-none-any.whl

# Mac OS X, GPU enabled, Python 2.7:

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/gpu/tensorflow_gpu-0.12.0-py2-none-any.whl

# Ubuntu/Linux 64-bit, CPU only, Python 3.4

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.0-cp34-cp34m-linux_x86_64.whl

# Ubuntu/Linux 64-bit, GPU enabled, Python 3.4

# Requires CUDA toolkit 8.0 and CuDNN v5. For other versions, see "Installing from sources" below.

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-0.12.0-cp34-cp34m-linux_x86_64.whl

# Ubuntu/Linux 64-bit, CPU only, Python 3.5

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.0-cp35-cp35m-linux_x86_64.whl

# Ubuntu/Linux 64-bit, GPU enabled, Python 3.5

# Requires CUDA toolkit 8.0 and CuDNN v5. For other versions, see "Installing from sources" below.

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-0.12.0-cp35-cp35m-linux_x86_64.whl

# Mac OS X, CPU only, Python 3.4 or 3.5:

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-0.12.0-py3-none-any.whl

# Mac OS X, GPU enabled, Python 3.4 or 3.5:

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/gpu/tensorflow_gpu-0.12.0-py3-none-any.whl

最后安装 TensorFlow:

# Python 2

(tensorflow)$ pip install --upgrade $TF_BINARY_URL

# Python 3

(tensorflow)$ pip3 install --upgrade $TF_BINARY_URL

一旦 Virtualenv 环境被激活就可以 测试安装是否正确

当你使用完 TensorFlow ,请停用 Virtualenv 环境。

(tensorflow)$ deactivate

$ # Your prompt should change back

再次使用 TensorFlow 时需要再次激活 Virtualenv :

$ source ~/tensorflow/bin/activate # If using bash.

$ source ~/tensorflow/bin/activate.csh # If using csh.

(tensorflow)$ # Your prompt should change.

# Run Python programs that use TensorFlow.

...

# When you are done using TensorFlow, deactivate the environment.

(tensorflow)$ deactivate

Anaconda 安装

Anaconda 是一个 Python 的分发版,包含大量标准的数学和科学计算包。Anaconda 使用一个名为 "conda" 的包管理器,有其类似 Virtualenv 的独立的 环境系统 。

和 Virtualenv 一样,conda 环境为不同的 Python 项目保留独立的路径和各自的依赖。使用 Anaconda 环境去安装 TensorFlow 不会覆盖已有版本的 Python 包。

安装 Anaconda.

创建一个 conda 环境

激活 conda 环境并安装 TensorFlow 到其环境中

安装完毕后需要在每次想用 TensorFlow 时激活 conda 环境

也可以现在 ipython 和其他包到 conda 环境中

安装 Anaconda:

请参考 Anaconda download site 中的说明进行安装。

创建一个 conda 环境,名为 tensorflow:

# Python 2.7

$ conda create -n tensorflow python=2.7

# Python 3.4

$ conda create -n tensorflow python=3.4

# Python 3.5

$ conda create -n tensorflow python=3.5

激活环境,然后使用 conda 或者 pip 来安装 TensorFlow 。

使用 conda

社区维护的 conda 包可从 conda-forge 上获取。

这时候只有支持 GPU 的 TensorFlow 版本可以使用,要求使用 Python 2 或者 Python 3 的 conda 环境。

$ source activate tensorflow

(tensorflow)$ # Your prompt should change

# Linux/Mac OS X, Python 2.7/3.4/3.5, CPU only:

(tensorflow)$ conda install -c conda-forge tensorflow

使用 pip

如果你使用 pip ,请确保使用 --ignore-installed 参数来阻止 easy_install 的错误。

$ source activate tensorflow

(tensorflow)$ # Your prompt should change

现在可以按正常的 Pip 方式安装 TensorFlow ,首先选择正确的路径进行安装:

# Ubuntu/Linux 64-bit, CPU only, Python 2.7

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.0-cp27-none-linux_x86_64.whl

# Ubuntu/Linux 64-bit, GPU enabled, Python 2.7

# Requires CUDA toolkit 8.0 and CuDNN v5. For other versions, see "Installing from sources" below.

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-0.12.0-cp27-none-linux_x86_64.whl

# Mac OS X, CPU only, Python 2.7:

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-0.12.0-py2-none-any.whl

# Mac OS X, GPU enabled, Python 2.7:

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/gpu/tensorflow_gpu-0.12.0-py2-none-any.whl

# Ubuntu/Linux 64-bit, CPU only, Python 3.4

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.0-cp34-cp34m-linux_x86_64.whl

# Ubuntu/Linux 64-bit, GPU enabled, Python 3.4

# Requires CUDA toolkit 8.0 and CuDNN v5. For other versions, see "Installing from sources" below.

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-0.12.0-cp34-cp34m-linux_x86_64.whl

# Ubuntu/Linux 64-bit, CPU only, Python 3.5

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.0-cp35-cp35m-linux_x86_64.whl

# Ubuntu/Linux 64-bit, GPU enabled, Python 3.5

# Requires CUDA toolkit 8.0 and CuDNN v5. For other versions, see "Installing from sources" below.

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-0.12.0-cp35-cp35m-linux_x86_64.whl

# Mac OS X, CPU only, Python 3.4 or 3.5:

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-0.12.0-py3-none-any.whl

# Mac OS X, GPU enabled, Python 3.4 or 3.5:

(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/gpu/tensorflow_gpu-0.12.0-py3-none-any.whl

最后安装 TensorFlow:

# Python 2

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

# Python 3

(tensorflow)$ pip3 install --ignore-installed --upgrade $TF_BINARY_URL

使用方法

当 conda 环境被成功激活,你可以 测试安装是否成功。

当你用完 TensorFlow ,请停用环境。

(tensorflow)$ source deactivate

$ # Your prompt should change back

为了在之后使用 TensorFlow ,你需要重新激活 conda 环境。

$ source activate tensorflow

(tensorflow)$ # Your prompt should change.

# Run Python programs that use TensorFlow.

...

# When you are done using TensorFlow, deactivate the environment.

(tensorflow)$ source deactivate

安装 IPython

为了使用 TensorFlow 和 IPython,需要在 TensorFlow 环境中安装 IPython:

$ source activate tensorflow

(tensorflow)$ conda install ipython

同样的,其他例如 pandas 这样的 Python 包也需要安装进 TensorFlow 环境中,因为这也是 TensorFlow 所需的包。

Docker 安装

Docker 是一个用来构建自容器版本 Linux 操作系统的平台。当你希望通过 Docker 来运行 TensorFlow 时,它可以实现安装的完全隔离,不会对系统现有的包产生任何影响。

我们提供了4个Docker镜像:

gcr.io/tensorflow/tensorflow: TensorFlow CPU 二进制镜像.

gcr.io/tensorflow/tensorflow:latest-devel: CPU 二进制镜像+ 源码.

gcr.io/tensorflow/tensorflow:latest-gpu: TensorFlow GPU 二进制镜像.

gcr.io/tensorflow/tensorflow:latest-devel-gpu: GPU B二进制镜像+ 源码.

我们也会使用一个发布版本号来来代替latest标签 (例如 0.12.0-gpu).

使用Docker安装的方式如下:

在你的机器上安装Docker。

创建一个 Docker group 来允许不使用sudo命令启动容器。

使用TensorFlow镜像启动一个Docker容器。镜像会在第一次启动的时候 自动下载。

参考安装Docker中相关的指令来在你的机器上安装Docker。

在安装完Docker之后,用下列命令来启动一个带有TensorFlow二进制镜像的Docker容器。

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

选项 -p 8888:8888是用来将Docker容器的内部端口发布到主机上的,在这种情况下请确保Jupyter笔记本的连接是有效的。

端口映射的格式是 hostPort:containerPort。你可以指定任何有效的端口号给主机,但在容器端口选项必须使用8888。

如果你使用一个带GPU支持的容器,需要添加些必须的标识用来将GPU设备暴露到容器中。

为支持NVidia GPU安装最新的NVidia驱动和nvidia-docker。 运行如下

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

如果你使用默认设置运行nvidia-docker时出现问题,我们在仓库中带有一个包含有这些标识的脚本,因此命令行会看起来像

$ path/to/repo/tensorflow/tools/docker/docker_run_gpu.sh -p 8888:8888 gcr.io/tensorflow/tensorflow:latest-gpu

更多的细节参考 TensorFlow docker 自述.

你现在可以在Docker容器中测试你的安装了

测试TensorFlow安装

(可选,Linux)启用GPU支持

如果你安装了TensorFlow GPU的版本,你还必须安装 Cuda Toolkit 8.0 和 cuDNN v5。 请参考 Cuda 安装.

您还需要设置LD_LIBRARY_PATH和CUDA_HOME环境变量。 可以考虑将下面的命令添加到~/.bash_profile。假设你的CUDA安装在 /usr/local/cuda:

export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/cuda/extras/CUPTI/lib64"

export CUDA_HOME=/usr/local/cuda

从命令行运行TensorFlow

如果发生错误请参考常见问题。

打开一个终端,输入以下内容:

$ python

...

>>> import tensorflow as tf

>>> hello = tf.constant('Hello, TensorFlow!')

>>> sess = tf.Session()

>>> print(sess.run(hello))

Hello, TensorFlow!

>>> a = tf.constant(10)

>>> b = tf.constant(32)

>>> print(sess.run(a + b))

42

>>>

运行一个TensorFlow 演示模型

所有的TensorFlow包,包括演示用的模型,都被安装在Python的库里。Python 库的确切存放位置取决于你的系统,但通常是以下中的一个:

/usr/local/lib/python2.7/dist-packages/tensorflow

/usr/local/lib/python2.7/site-packages/tensorflow

你可以使用如下的命令来找出响应目录(请确认你使用的是安装 TensorFlow 的那个 Python,例如如果你用 Python 3 安装的,那么应该使用 python3 而不是 python):

$ python -c 'import os; import inspect; import tensorflow; print(os.path.dirname(inspect.getfile(tensorflow)))'

这个简单的演示模型用来对来自 MNIST 数据集的数字手写体进行分类,该数据集位于子目录 models/image/mnist/convolutional.py. 你可以用命令行来执行,如下所示:

# Using 'python -m' to find the program in the python search path:

$ python -m tensorflow.models.image.mnist.convolutional

Extracting data/train-images-idx3-ubyte.gz

Extracting data/train-labels-idx1-ubyte.gz

Extracting data/t10k-images-idx3-ubyte.gz

Extracting data/t10k-labels-idx1-ubyte.gz

...etc...

# You can alternatively pass the path to the model program file to the python

# interpreter (make sure to use the python distribution you installed

# TensorFlow to, for example, .../python3.X/... for Python 3).

$ python /usr/local/lib/python2.7/dist-packages/tensorflow/models/image/mnist/convolutional.py

...

从源码安装

当选择从源码安装时,你将会构建一个 pip 轮,然后使用 pip 进行安装。因此需要先安装 pip ,安装过程前面已经介绍过。

为了在 Windows 上使用源码构建 TensorFlow,我们可以使用还在实验阶段的 Bazel on Windows 或者是 TensorFlow CMake build。

克隆 TensorFlow 仓库

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

注意这个指令是获取 tensorflow 源码最新更新的代码。如果你想安装一个指定的分支(例如发行分支)那么请用 -b 参数指定分支名称,以及 --recurse-submodules 参数指定 r0.8 来获取 TensorFlow 依赖的 protobuf 版本。

准备Linux环境

安装Bazel

按照这里的说明来安装bazel的依赖。 然后下载适合你系统的最新稳定版的bazel安装程序并按照如下方式来安装:

$ chmod +x PATH_TO_INSTALL.SH

$ ./PATH_TO_INSTALL.SH --user

记得要用你下载安装包的路径来替换掉PATH_TO_INSTALL.SH。

最后,按照该脚本中的指令将bazel放到你的二进制文件的路径。

安装其他的依赖

# For Python 2.7:

$ sudo apt-get install python-numpy python-dev python-wheel

# For Python 3.x:

$ sudo apt-get install python3-numpy python3-dev python3-wheel

可选:安装CUDA(GPUs on Linux)

为了构建和运行带有GPU支持的TensorFlow,NVIDIA's Cuda 工具包(>= 7.0)和cuDNN (>= v3)都需要被安装。

TensorFlow GPU支持功能要求显卡带有NVidia计算能力 (>= 3.0). 支持的卡包括以下但不限于:

NVidia Titan

NVidia Titan X

NVidia K20

NVidia K40

确认下你的显卡的NVIDIA计算能力

https://developer.nvidia.com/cuda-gpus

下载并安装CUDA工具包

https://developer.nvidia.com/cuda-downloads

如果使用我们的二进制发布请安装8.0版本。

安装工具包到如下路径/usr/local/cuda.

下载并安装cuDNN

https://developer.nvidia.com/cudnn

下载cuDNN v5。

解压并复制cudnn文件到工具包目录。假设工具包安装在/usr/local/cuda,运行下面的命令(按你下载的cuDNN版本来编辑):

tar xvzf cudnn-8.0-linux-x64-v5.1-ga.tgz

sudo cp -P cuda/include/cudnn.h /usr/local/cuda/include

sudo cp -P cuda/lib64/libcudnn* /usr/local/cuda/lib64

sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

安装其他的依赖

$ sudo apt-get install libcupti-dev

Mac OS X环境准备

我们建议使用homebrew来安装bazel的依赖,并且使用easy_install或是pip来安装Python的相关依赖。

依赖

按照这里的指令来为bazel安装依赖。然后你可以使用homebrew安装bazel:

$ brew install bazel

你可以使用easy_install 或 pip来安装python的依赖。使用easy_install, 命令如下

$ sudo easy_install -U six

$ sudo easy_install -U numpy

$ sudo easy_install wheel

我们也建议用ipython来增强python shell,你可以使用下面的命令安装它:

$ sudo easy_install ipython

可选:为Mac设置GPU

如果你打算构建GPU的支持,你将需要确保已经通过homebrew安装了GNU coreutils:

$ brew install coreutils

Next you will need to make sure you have a recent CUDA Toolkit installed by either downloading the package for your version of OSX directly from NVIDIA or

https://www.tensorflow.org/versions/r0.12/get_started/index.html

原文发布于微信公众号 - 竹清助手(zhuqing_help)

原文发表时间:2017-02-12

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI研习社

Github 项目推荐 | 用 Pytorch 实现的 WaveNet-Vocoder

本库是用 Pytorch 实现的 WaveNet-Vocoder。 ? 安装需求: cuda 8.0 python 3.6 virtualenv 推荐使用内存大...

5717
来自专栏磨磨谈

预估ceph的迁移数据量

我们在进行 ceph 的 osd 的增加和减少的维护的时候,会碰到迁移数据,但是我们平时会怎么去回答关于迁移数据量的问题,一般来说,都是说很多,或者说根据环境来...

1312
来自专栏瓜大三哥

串口通信控制器的Verilog HDL实现(四) 接收模块的Verilog HDL 实现

但凡涉及到双方通信的系统,接收机的复杂度往往都是高于发送机的,对于串口通信系统也如此。在接收系统中,起始状态和数据都需要依靠接收端检测得到,为了避免毛刺影响,...

2365
来自专栏AI科技评论

开发 | GitHub项目推荐 : 用于对机器学习模型进行对抗性攻击、防御和基准测试的Python库

此资料库包含CleverHans的源代码,CleverHans是一个Python库,用于将机器学习系统中的漏洞与对抗性示例进行对比。 您可以在随附的博客上了解有...

1312
来自专栏专知

Python网络爬虫与信息抽取笔记06 爬虫实战2

1632
来自专栏AI科技大本营的专栏

快速构建深度学习图像数据集,微软Bing和Google哪个更好用?

译者 | Serene 编辑 | 明明 【AI 科技大本营导读】在本文中,作者将利用微软的 Bing Image Search API 来建立深度学习图像数据集...

5046
来自专栏散尽浮华

基于Nginx+Keepalived的LB服务监控(邮件报警)

IDC两台机器上部署了Nginx+Keepalived主从模式的LB代理负载层,现在需要对LB进行每日巡检和服务监控,利用SendEmail邮件监控。

1893
来自专栏AI研习社

GitHub项目推荐 | 用于对机器学习模型进行对抗性攻击、防御和基准测试的Python库:CleverHans 3.0.0

项目地址:https://github.com/tensorflow/cleverhans

4536
来自专栏Deep learning进阶路

caffe随记(九)---利用FCN和已有的model进行图像语义分割

1、下载caffemodel 本例中我们使用的是pascalcontext-fcn32的模型,这个下载链接在它的文件夹里有,就是url那个文件 下载  pas...

3920
来自专栏机器之心

资源 | AMD 开源高性能机器智能库MIOpen,可加速卷积神经网络

选自GitHub 机器之心编译 参与:蒋思源 AMD 最近宣布新的深度学习加速库 MIOpen 1.0 现已发布,该深度学习库支持加速卷积神经网络,并且构建和运...

3748

扫码关注云+社区

领取腾讯云代金券