浅入浅出TensorFlow 2—零基础安装

上篇，Amusi带着大家学习了浅入浅出TensorFlow 1 — 初识TensorFlow，今天继续给大家介绍linolzhang大佬的TensorFlow系列课程，带大家零基础安装。

Ps：现在TensorFlow最新发布的版本是TF1.8.0版本，最新版本的功能最强大，但不一定最适用于大家。比如不同项目依赖的TF版本可能不一样，而且最大的问题是最新版本的TF只支持CUDA9.0，所以建议安装适合自己环境的TF。一定要注意安装版本问题，下面以TF1.4.0版本为例。

正文

对一个框架的熟悉过程是从安装开始，今天就带大家熟悉这里面的第一道坎 -安装。

TensorFlow 安装方式总结为：

pip安装

Docker安装

Make源码编译

一. Pip安装步骤：

1）安装 Pip

Pip是目前使用最多的Python包管理工具。通常Linux和Mac是自带Python环境的（2.X版本，附带pip），如果系统没有安装Python环境，或者你需要使用Python3，可以参考下面的安装步骤：

不同的平台下的安装方式有所区别，常用的平台安装命令：

● Ubuntu 64-bit

有时会提醒pip升级，处理方法如下：

● CentOS, Fedora, RHEL

● MAC OS

mac 自带 python2.7 和 pip，如果没有的话，可以通过 下面的方式快速安装：

需要安装3.X版本的话，推荐用home-brew安装：

● Window

a）下载Python安装包 .exe（3.5.3版本）

地址：https://www.python.org/downloads/windows/

Download Windows x86-64 executable installer

b）双击自定义安装 需要修改默认安装位置，配置环境变量 - 选择 "Add Python 3.5 to PATH" 选项。

c）高级选项，选择安装位置，勾选 install for all users

2）安装 CUDA

在Ubuntu下安装 CUDA 和 cudnn过程（其他版本类似）：

a）安装 NVIDIA驱动

官网下载地址：http://www.nvidia.com/Download/index.aspx?lang=en-us

执行命令安装：

查询安装结果：

b）安装 CUDA

官网下载地址：https://developer.nvidia.com/cuda-downloads

执行下载的 CUDA安装包（.Run文件）进行安装：

按空格 读完声明文件，Accept 接受安装，除了 驱动（已装完）选 no 之外，其他均选择默认。

c）添加 CUDA 系统路径

添加环境变量，可以加到 profile里，也可以加到 bashrc，在最后加入：

修改 profile 文件，在末尾处添加（不要有空格)

通过命令查看CUDA安装是否成功？

d）安装 cudnn

官网下载地址：https://developer.nvidia.com/cudnn

解压， Copy到对应 CUDA 目录，并建立软链接。

3）安装 TensorFlow

根据你所选择的Python版本，下载对应的TensorFlow描述文件，进行安装：

https://storage.googleapis.com/tensorflow/

这是个XML文件，搜索1.4.0版本（截止到目前最新版本）对应的whl文件：

操作系统对应.Whl文件

@Linux

CPU版本

-- linux/cpu/tensorflow-1.4.0rc0-cp27-none-linux_x86_64.whl

# 33|34|35|36 替换下面的cp33-cp33

-- linux/cpu/tensorflow-1.4.0rc0-cp33-cp33m-linux_x86_64.whl

GPU版本

-- linux/gpu/tensorflow_gpu-1.4.0rc2-cp27-none-linux_x86_64.whl

# 33|34|35|36

-- linux/gpu/tensorflow_gpu-1.4.0rc2-cp33-cp33m-linux_x86_64.whl

DebianCPU版本（only）

-- linux/cpu/debian/jessie/tensorflow-1.4.0rc1-cp27-none-linux_x86_64.whl

云版本Cloudml

CPU版本

-- linux/cpu/cloudml/tensorflow-1.4.0rc0-cp27-none-linux_x86_64.whl

GPU版本（最高版本是1.4.0）

-- linux/gpu/cloudml/avx2_fma/tensorflow_gpu-1.4.0-cp27-none-linux_x86_64.whl

@Mac

CPU版本

-- mac/cpu/tensorflow-1.4.0rc2-py2-none-any.whl

-- mac/cpu/tensorflow-1.4.0rc2-py3-none-any.whl

GPU version稳定的release（rc0）

-- mac/gpu/tensorflow_gpu-1.4.0rc0-py2-none-any.whl

-- mac/gpu/tensorflow_gpu-1.4.0rc0-py3-none-any.whl

@Windows目前仅支持Python 3.5（好像Python3.6也支持了）

CPU版本

-- windows/cpu/tensorflow-1.4.0rc2-cp35-cp35m-win_amd64.whl

GPU版本

-- windows/gpu/tensorflow_gpu-1.4.0rc2-cp35-cp35m-win_amd64.whl

通过URL将对应的 whl 文件下载到本地， 比如作者采用 Py3.5（ubuntu14对应版本），Linux下对应的CPU版本：

也可以根据自己需要，直接配置URL在线 whl 进行安装：

需要注意：可能会遇到安装失败的情况，是网络问题，需要多试几次！

二. Docker安装：

在云上部署的情况下常用Docker安装，关于Docker安装作者并不推荐，Docker的学习成本相对较高。

三. Make源码编译：

1.下载源码

2. 安装Bazel

可以参考官网安装方法：https://bazel.build/versions/master/docs/install.html

3. 安装tensorflow依赖库

4. 配置tensorflow，需要你指定相应文件的安装目录

cd进tensorflow源文件。sudo ./configure

5. 使用Bazel编译构建

四. 测试安装：

安装完成，下面要测试安装是否成功，命令行环境测试（注意python 和 python3的语法稍有不同）：

当出现预料中的 Hello World！ 时，恭喜你，TensorFlow 环境安装成功了，折腾了那边久终于松了一口气，满满的成就感吧。

CentOS下如果出现错误提示： ImportError: /lib64/libc.so.6: version `GLIBC_2.14' not found

Failed to load the native TensorFlow runtime.

不用担心，这是你的GLIB版本过低（操作系统版本有点老），解决方法如下：

1. 到http://ftp.gnu.org/gnu/glibc/

下载 glibc-2.14.tar.gz 以及 对应插件 glibc-ports-2.14.tar.gz

注：安装 glib2.17以上版本不需要 ports 插件，步骤一样。

2. 编译安装

3. 替换文件，建立软连接

注：2.17以上版本不需要下面操作，install已经完成了替换。

libstdc++ 版本问题：

对应 libstdc++ 报错，处理方式与上面一致，安装新版本gcc即可，具体方式可以配置YUM源，也可以下载文件编译安装，或者下载库替换，这里不再介绍。

五. 配置集成环境：

配置集成环境是大多数情况下开发大型软件必做的一步，很多人都不喜欢用命令行，可以理解，在Linux下我们推荐Eclipse，Windows下推荐VS。

Eclipse配置：

1）配置 java环境

下载并安装 jdk1.8， 配置环境，打开～/.bashrc，加入一行：

2）安装 Eclipse

3）在 Eclipse 中安装pydev插件

Help -> Install New Software... 在弹出的对话框中，点Add 按钮。 Name选择http://pydev.org/updates

4）配置 pydev 解释器

在Eclipse菜单栏，点击Windows ->Preferences。

选择左侧列表 PyDev->Interpreter - Python，进入配置。

VS2015 配置：

Windows下的IDE 推荐2015，因为免费又好用，VS2015集成了Python开发环境，具体配置和使用方法这里就不讲了，自己试一下。

OK，还等什么，新建一个Project，开始你的旅程吧。