Как установить tensorflow в pycharm windows

Обновлено: 06.07.2024

В этом уроке мы объясним, как установить TensorFlow с Anaconda . Вы узнаете, как использовать TensorFlow с Jupyter. Jupyter — зритель ноутбука.

Версии TensorFlow

TensorFlow поддерживает вычисления для нескольких процессоров и графических процессоров. Это означает, что вычисления могут быть распределены по устройствам для повышения скорости обучения. С распараллеливанием вам не нужно ждать недели, чтобы получить результаты алгоритмов обучения.

Для пользователя Windows TensorFlow предоставляет две версии:

Только TensorFlow с поддержкой ЦП : если ваш компьютер не работает на графическом процессоре NVIDIA, вы можете установить только эту версию
TensorFlow с поддержкой GPU : для более быстрых вычислений вы можете использовать эту версию TensorFlow. Эта версия имеет смысл, только если вам нужны сильные вычислительные возможности.

Во время этого урока достаточно базовой версии TensorFlow.

Примечание. TensorFlow не поддерживает GPU в MacOS.

Вот как это сделать

Установить Анаконду
Создайте файл .yml для установки Tensorflow и зависимостей
Запустите Jupyter Notebook

Установить Анаконду
Создайте файл .yml для установки зависимостей
Используйте pip для добавления TensorFlow
Запустите Jupyter Notebook

Чтобы запустить Tensorflow с Jupyter, вам нужно создать среду в Anaconda. Это означает, что вы будете устанавливать Ipython, Jupyter и TensorFlow в соответствующую папку на нашей машине. Помимо этого, вы добавите одну важную библиотеку для науки о данных: «Панды». Библиотека Pandas помогает манипулировать фреймом данных.

Установить Анаконду

Загрузите Anaconda версии 4.3.1 (для Python 3.6) для соответствующей системы.

Anaconda поможет вам управлять всеми библиотеками, необходимыми для Python или R. Обратитесь к этому руководству, чтобы установить Anaconda

Создайте файл .yml для установки Tensorflow и зависимостей

Это включает в себя

Найдите путь Анаконды
Установите рабочий каталог Anaconda
Создайте файл yml (для пользователя MacOS TensorFlow установлен здесь)
Отредактируйте файл yml
Скомпилируйте файл yml
Активировать Анаконду
Установите TensorFlow (только для пользователей Windows)

Шаг 1) Найдите Анаконду

Первый шаг, который вам нужно сделать, это найти путь Анаконды. Вы создадите новую среду conda, которая включает в себя необходимые библиотеки, которые вы будете использовать в учебниках по TensorFlow.

Windows

Если вы пользователь Windows, вы можете использовать Anaconda Prompt и набрать:

Нам интересно знать имя папки, в которой установлена Anaconda, потому что мы хотим создать нашу новую среду внутри этого пути. Например, на рисунке выше Anaconda установлена в папке Admin. Для вас это может то же самое, то есть Admin или имя пользователя.

Далее мы установим рабочий каталог от c: \ до Anaconda3.

MacOS

для пользователя MacOS вы можете использовать Терминал и набрать:

Вам нужно будет создать новую папку внутри Anaconda , которая будет содержит IPython , Jupyter и TensorFlow . Быстрый способ установить библиотеки и программное обеспечение — написать файл yml.

Шаг 2) Установите рабочий каталог

Вам нужно указать рабочий каталог, в котором вы хотите создать файл yml. Как уже было сказано, он будет расположен внутри Анаконды.

Для пользователей MacOS:

Терминал устанавливает рабочий каталог по умолчанию для Users / USERNAME . Как видно на рисунке ниже, путь к anaconda3 и рабочему каталогу идентичны. В MacOS последняя папка отображается перед $. Терминал установит все библиотеки в этом рабочем каталоге.

Если путь в текстовом редакторе не совпадает с рабочим каталогом, вы можете изменить его, написав cd PATH в Терминале. PATH — это путь, который вы вставили в текстовый редактор. Не забудьте обернуть PATH ‘PATH’. Это действие изменит рабочий каталог на PATH.

Откройте свой терминал и введите:

Для пользователя Windows (убедитесь, что папка перед Anaconda3):

или путь «где анаконда» команда дает вам

Шаг 3) Создайте файл yml

Вы можете создать файл yml внутри нового рабочего каталога. Файл установит зависимости, необходимые для запуска TensorFlow. Скопируйте и вставьте этот код в Терминал.

Для пользователей MacOS:

Новый файл с именем hello-tf.yml должен появиться внутри anaconda3

Для пользователя Windows:

Должен появиться новый файл с именем hello-tf.yml

Шаг 4) Отредактируйте файл yml

Для пользователей MacOS:

Вы готовы редактировать файл yml. Вы можете вставить следующий код в Терминал для редактирования файла. Пользователь MacOS может использовать vim для редактирования файла yml.

Пока что ваш терминал выглядит так

Вы входите в режим редактирования . Внутри этого режима вы можете после нажатия esc:

Нажмите i для редактирования
Нажмите w, чтобы сохранить
Нажмите q! выйти

Введите следующий код в режиме редактирования и нажмите esc, а затем: w

Примечание: файл регистр и предназначен для чувствительных. 2 пробела требуются после каждого намерения.

Как установить среду TensorFlow под Pycharm в среде Windows

Предисловие:

В последнее время из-за необходимости использовать TensorFlow для работы могу только дополнять актуальные знания. Изначально блоггер планировал играть на Ubantu, но по некоторым причинам отказался от этой идеи и перешел на Pycharm, чтобы играть. Следующее - хорошее руководство по установке, которое я видел в процессе сбора информации, поделитесь им.

1. Установите Anaconda

Выберите соответствующую Anaconda для установки. Щелкните здесь, чтобы увидеть адрес загрузки, чтобы загрузить соответствующую системную версию Anaconda. Текущая версия официального сайта - Anaconda 4.3.1 для python3.6. Автор установил версию 4.3.0.

аналогична установке обычного программного обеспечения, просто выберите значение по умолчанию.Обратите внимание на то, чтобы добавить python3.6 в переменную окружения.

Затем устанавливается Anaconda. Мы можем использовать следующую команду, чтобы проверить, какие пакеты установлены Anaconda.
Выполнить меню "Пуск" -> Anaconda3—> Подсказка Anaconda:

Вы можете видеть, что установлены часто используемые пакеты, такие как numpy и sympy.

2. Установите Tensorflow.

В настоящее время TensorFlow поддерживает только версию Python 3.5 под Windows.

(1) Откройте приглашение Anaconda и введите образ хранилища Tsinghua, чтобы обновление было быстрее:

(2) Также используйте Anaconda в Anaconda Prompt для создания среды python3.5, имя среды - tensorflow, введите следующую команду:

Запустите меню «Пуск» -> Anaconda3 -> Anaconda Navigator, щелкните «Среды» слева, вы увидите, что среда tenorflow создана.

(3) Запустите среду tenorflow в Anaconda Prompt:

Примечание: если не используется тензорный поток, закройте среду тензорного потока, команда: деактивировать

(4) Установите версию TensorFlow для процессора.

Таким образом устанавливается версия процессора tensorflow.

(5) Тестовый тензорный поток
Запустите среду tenorflow в Anaconda Prompt и войдите в среду python.

Код теста следующий:

3. Прочие вопросы

Возможно, нас здесь не устраивает. Мы терпели неудачу при импорте tenorflow в ipython и Spyder, которые поставляются с Anaconda, подскажитеNo module named ‘tensorflow’, Как показано ниже, это потому, что мы не открывали их в среде tensorflow.

Чтобы иметь возможность использовать тензорный поток в ipython и Spyder, нам необходимо установить эти два плагина в среде тензорного потока.

Откройте Anaconda Navigator, выберите «Не установлено», найдите ipython и Spyder и установите их. Автор уже установил их здесь, поэтому они не отображаются на этой странице.

переключитесь на установленный, вы увидите, что оба они установлены, фактически, вы можете установить их в соответствии с вашими потребностями. На следующем рисунке показан установленный Spyder:

После установки подключаемого модуля нам нужно его протестировать.

Запустите среду tensorflow в Anaconda Prompt и запустите ipython, импорт tenorflow успешно завершен:

Аналогичным образом запустите среду tenorflow в Anaconda Prompt и запустите Spyder. Через некоторое время будет запущена IDE Spyder. Импорт тензорного потока также выполнен успешно:

Примечание. Вы должны запустить Spyder в среде тензорного потока, чтобы импортировать тензорный поток, не переходите в меню «Пуск», чтобы запустить Spyder, где его нельзя запустить, например:

4. Используйте тензорный поток в pycharm

Я привык использовать PyCharm для разработки, конфигурация следующая:
После создания нового проекта
File-Setting – Project Interpreter выберите интерпретатор Python в тензорном потоке,
Например, местонахождение моего переводчика:

После развертывания вы можете запустить HelloWorld

Преимущество этого метода: нет необходимости каждый раз открывать и закрывать среду.

（activate
tensorflow 、deactivate tensorflow）

Благодаря этому Deep Learning станет более популярным в различных областях исследований и промышленности.

TensorFlow 2 имеет встроенный API Keras. Keras - чрезвычайно популярный высокоуровневый API для построения и обучения моделей глубокого обучения. Прежде чем идти вперед, важно знать,

Я рекомендую прочитать [1] а также [2] узнать больше информации о преимуществах TensorFlow 2.0. Таким образом, TF 2.0 обеспечил простоту реализации наряду с огромной вычислительной эффективностью и совместимостью с любой платформой, такой как Android, iOS и встроенными системами, такими как Raspberry Pi и Edge TPU.

Достижение этого было трудным прежде и требовало затрат времени на поиск альтернативных путей. Так как TensorFlow 2 привел их всех, необходимо перейти на него раньше, чем позже.

Для этого здесь мы изучим установку и настройку TensorFlow 2.0.

Вариант 1: Python 3.4+ через Анаконду

Anaconda с Jupyter предоставляет более простой подход для установки Python и работы над ним.

Похожий на pip с Анакондой мы имеем conda для создания виртуальных сред и установки пакетов.

Вариант 2: Python (без Анаконды)

а. Установите Python 3.4+

Проверьте ваши текущие версии.

У меня разные Python на моем Mac (Python 3.6 на Anaconda) и Ubuntu (Python 3.7). Вывод, который я вижу на них,

Либо Python внутри Анаконды, либо иначе будет работать.

Если ваша версияне3.4+, установите его следующим образом.

б. Установить virtualenv

virtualenv требуется для создания виртуальной среды. Его требования объяснены в следующем разделе.

Mac OS

Ubuntu

Заметка: pip (вместо того pip3 ) также иногда используется. Если не уверены между двумя, используйте pip3 , Вы не ошибетесь с pip3 , Если вы хотите знать, можете ли вы использовать pip , запустите следующее

В моей системе версии одинаковы для обоих pip а также pip3 , Поэтому я могу использовать любой из них.

Далее мы рассмотрим шаги установки с обоими.

Почему мы хотим виртуальную среду?

Виртуальная среда - это изолированная среда для проектов Python. Внутри виртуальной среды у нас может быть совершенно независимый набор пакетов (зависимостей) и настроек, которые не будут конфликтовать ни с чем в другой виртуальной среде или с локальной средой Python по умолчанию.

Это означает, что мы можем хранить разные версии одного и того же пакета, например, мы можем использовать scikit-learn 0.1 для одного проекта и scikit-learn 0.22 для другого проекта в той же системе, но в разных виртуальных средах.

Создание виртуальной среды

Ubuntu / Mac (Python без Анаконды)

Приведенная выше команда создаст виртуальную среду tf_2 , Понимание команды,

virtualenv создаст виртуальную среду.
--system-site-packages позволяет проекты в виртуальной среде tf_2 доступ к глобальным сайт-пакетам. Настройка по умолчанию не разрешает этот доступ ( --no-site-packages раньше использовался для этой настройки по умолчанию, но теперь устарел.)
-p python3 используется для установки интерпретатора Python для tf_2 , Этот аргумент можно пропустить, если virtualenv был установлен с Python3. По умолчанию это интерпретатор python для виртуальной среды. Другой вариант для установки Python3.x в качестве интерпретатора $ virtualenv --system-site-packages --python=python3.7 tf_2 , Это дает больше контроля.
tf_2 это имя виртуальной среды, которую мы создали. Это создает физический каталог в месте расположения виртуальных сред. это /tf_2 Каталог содержит копию компилятора Python и все пакеты, которые мы установим позже.

Конда на Ubuntu / Mac (Python от Анаконды)

Если вы используете Conda, вы можете создать виртуальную среду как,

Приведенная выше команда также создаст виртуальную среду tf_2 , В отличие от ранее, нам не требуется устанавливать другой пакет для создания виртуальной среды. Встроенный conda Команда обеспечивает это.

conda может использоваться для создания виртуальных сред, установки пакетов, вывода списка установленных пакетов в среде и т. д. Короче, conda выполняет операции, которые pip а также virtualenv делает Тем не мение, conda не заменяет pip так как некоторые пакеты доступны на pip но не на conda ,
create используется для создания виртуальной среды.
-n это аргумент, специфичный для create , -n используется для названия виртуальной среды. Значение n то есть имя среды, здесь tf_2 ,
Дополнительные полезные аргументы: аналогично --system-site-packages в virtualenv , --use-local может быть использован.

Активируйте виртуальную среду.

Ubuntu / Mac (Python без Анаконды)

Конда на Ubuntu / Mac (Python от Анаконды)

После активации терминал изменится на этот (tf_2) $ ,

Следующие инструкции одинаковы для обеих опций Python.

Перед началом установки TensorFlow мы обновим pip ,

Теперь установите TensorFlow.

tensorflow Приведенный выше аргумент устанавливает версию 2.0.0-бета1 только для процессора.

На момент написания этой статьи у нас был тензор потока 2.0.0-бета1. Это рекомендуется. Мы можем изменить аргумент на один из следующих, основываясь на нашем требовании.

tensorflow==2.0.0-beta1 -Preview TF 2.0 Beta build только для процессора (рекомендуемые).
tensorflow-gpu==2.0.0-beta1 -Preview TF 2.0 Бета-версия сПоддержка GPU,
tensorflow -Последний стабильный выпуск только для процессора,
tensorflow-gpu - Последний стабильный выпуск сПоддержка GPU,
tf-nightly - Предварительный просмотр ночной сборки только для процессора.
tf-nightly-gpu -Предыдущий ночной билд сПоддержка GPU,

Примечание: мы будем использовать pip install и для Конды. TensorFlow не доступен с conda ,

Чтобы быстро проверить установку через терминал, используйте

Обратите внимание на вывод версии TensorFlow. Если это не та версия, которую вы установили (в данном случае 2.0.0-бета1), значит, что-то пошло не так. Скорее всего, ранее был установлен TensorFlow и / или текущая установка не удалась.

Пример TensorFlow 2.0

Мы будем тестировать и изучать TensorFlow 2.0 с MNIST (fashion_mnist)Пример классификации изображений.

Убедитесь, что tf.__version__ выходы 2.х. Если версия старше, проверьте установку или виртуальную среду.

Чтобы ознакомиться с данными, мы приведем несколько примеров из них.

Теперь мы будем строить модельпослойный,

Обратите внимание, что эта модель предназначена только для демонстрации и, следовательно, обучена всего за пять эпох.

Теперь мы проверим точность модели на тестовых данных.

Мы представим одно из предсказаний. Мы будем использовать некоторые UDF из [3].

Мы найдем прогноз, то есть вероятность каждого изображения, принадлежащего каждому из 10 классов, для тестовых изображений.

Как мы можем видеть на графике выше, вероятность предсказания «ботинка лодыжки» самая высокая. Для дальнейшего подтверждения мы выводим прогнозируемую метку как,

Tensorflow это бесплатная библиотека с открытым исходным кодом, которая широко используется в машинном обучении. С ростом мощностей компьюетров искусственный интелект стал применяться все чаще и чаще, отвоевывая ниши у классических алгоритмов. Не прошло это и мимо multimedia. Распознавание изображений, восстановление старых видео, раскраска черно-белых фото, работа со звуком лишь малая часть того, где нейросети нашли широкое применение. Поэтому давайте рассмотрим способы установки библиотеки Tensorflow с поддержкой gpu. Именно графический ускоритель раскрывает весь потенциал этой популярной библиотеки. В этой статье мы будем устанавливать Tensorflow для Python.

Стандартная установка

Подготовка

Необходимо наличие NVidia gpu и нужно установить библиотеки CUDA, без них Tensorflow Не сможет задействовать всю мощь графического ускорителя. В статье как установить cuda максимально подробно описан это процесс.

Установка

Ставить будем пакет tensorflow-gpu. Но для начала проверим какие версии доступны:

Доступно много версий осталось выбрать нужную. Для этого руководствуемся двумя последними колонками в табличке (как узнать версию CUDA и cuDNN подробно здесь):

После того, как по cuDNN и CUDA найдена необходимая версия Tensorflow, ставим ее:

После утсановки даем команду

и среди установленных пакетов должны быть

И сразу же проверяем:

Видно, что tensorflow импортировался успешно и была загружена NVIDIA CUDA Runtime Library (libcudart.so.11.0).

Кастомные wheels сборки (custom builds)

Устанавливается очень просто:

Сборка из исходников

Если вам не подошли первый и второй методы установки, то нужно собирать Tensowflow из исходников. При этом способе открываются следующие возможности:

Вы можете выкинуть все лишнее из сборки и оставить, только то, что вам нужно.
Можно провести тонкую оптимизацию и собрать Tensorflow под конкретный компьютер, чтобы добиться максимального быстродействия.

Перед тем, как приступить к непосредсвенной сборке Tensowflow из исходников нужно установить в систему девелоперские библиотеки. Для Tensorflow нужно установить не так много библиотек, но тем не менее я рекомендую ставить с запасом. Например список библиотек для установки можно взять из следующей статьи:

Там есть списки библиотек для Ubuntu и CentOS.

Устанавливаем необходимые пакеты для Python:

Чтобы перейти к следующему этапу сборки нам снова понадобится вот эта таблица. По этой таблице нужно определить версию Tensorflow в зависимости от, установлненых CUDA и cuDNN. Зная версию Tensorflow находится версия сборщика Bazel (утилита для сборки проекта из исходников).
Скачиваем Bazel нужной версии:

Внимание, если у вас Linux CentOS и установлена утилита ccache, то рекомендую убрать ее (потом можно поставить опять).
Далее клонируем репо с исхожниками Tensorflow и выбираем нужную версию:

Запускаем конфигуратор сборки. Скрипт конфигурации в интерактивном режиме спросит о путях к компилятору и библиотекам, а так же спросит о том какие компоненты включить или исключить из сборки:

Запускаем компиляцию и сборку пакета Tensorflow из исходников:

Если компьютер не очень мощный то процесс сборки занимает несколько часов.

Собираем Python пакет и тут же устанавливаем его:

Пример

Свежеустановленный Tensorflow необходимо проверить на правильность установки. Для этого скачиваем пример для тестирования. Распаковываем и запускаем:

Утилита nvidia-smi показывает, что запущенные Python процесс работает на видеокарте:

По output в консоли видно, что Tensorflow определил видеокарту и загрузил необходимые библиотеки.

Читайте также: