【Tensorflow2.0】Tensorflow2.x的安装教程

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年任会支持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.

牛andmore牛

110424人浏览 · 2019-10-21 22:44:43

牛andmore牛 · 2019-10-21 22:44:43 发布

文章目录

Anaconda 可以使tensorflow的安装变的简单

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。
2022年10月24日更新
最近tensorflow2更新到了2.10版本，这里更新一下安装方法。
pip 安装方法参见：https://github.com/tensorflow/tensorflow/issues/57679
conda 安装方法：

conda create -n tf python=3.9
conda install cudatoolkit=11.3 cudnn=8.4 -c conda-forge
conda install -c nvidia cuda-nvcc
#conda install -c nvidia cuda-nvcc_linux-64
conda install tensorflow-gpu=2.10 -c conda-forge

从 conda-forge 安装的cudatoolkit 缺少 ptxas, 我们必须从nvidia channel安装cuda-nvcc
以上便完成安装，测试代码有：

import tensorflow as tf 
print('tf.version:',tf.__version__)
print('list devices')
print(tf.config.list_physical_devices())
print("test lstm:")
a = tf.random.normal([1,6,3])
l = tf.keras.layers.LSTM(9)
o = l(a)
print("test cnn")
b = tf.random.normal([1,9,9,3])
c = tf.keras.layers.Conv2D(10,3)
d=c(b)

执行结果：
在这里插入图片描述
所以一个可行的安装是：
cudatoolkit=11.3.1,cudnn=8.4.1.50,cuda-nvcc=11.8.89,and python=3.9
同样的操作cudatoolkit=11.2是不成功的；对于cuda-nvcc，可以解决报错：
Couldn’t get ptxas version string: INTERNAL: Couldn’t invoke ptxas --version
在这里插入图片描述
本次更新完成。

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.

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）

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

2022年6月26日更新

#新版本的tf把tf.test.is_gpu_available()换成如下命令
tf.config.list_physical_devices('GPU')

在这里插入图片描述

方法二：

import tensorflow as tf 
with tf.device('/GPU:0'):
    a = tf.constant(3)

在这里插入图片描述

方法三：

#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

在这里插入图片描述

建意3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

吴恩达的课程cousera上会有一系列课程，会在2019年逐步完成TensorFlow: From Basics to Mastery
udacity 上的课基于Tensorflow的深度学习Intro to TensorFlow for Deep Learning 这个也要可以上外网
Cousera伦顿帝国理工学院的tensorflow2 入门,这们课是2020年1月左右发布的
Cousera上伦顿帝国理工学院的tensorflow2深入课程,这们课是2020年3月左右发布的
简单粗暴 TensorFlow 2,这是tensorflow官方指定的中国的教程，还是不错的。

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

华为云开发者联盟

为开发者提供学习成长、分享交流、生态实践、资源工具等服务，帮助开发者快速成长。

更多推荐