Как установить tenorflow на ubuntu 18.04 2021

Создание виртуальной среды

Ubuntu / Mac (Python без Анаконды)

$ virtualenv --system-site-packages -p python3 tf_2

Приведенная выше команда создаст виртуальную среду, Понимание команды,

• создаст виртуальную среду.
• позволяет проекты в виртуальной средедоступ к глобальным сайт-пакетам. Настройка по умолчанию не разрешает этот доступ (раньше использовался для этой настройки по умолчанию, но теперь устарел.)
• используется для установки интерпретатора Python для, Этот аргумент можно пропустить, еслибыл установлен с Python3. По умолчанию это интерпретатор python для виртуальной среды. Другой вариант для установки Python3.x в качестве интерпретатора, Это дает больше контроля.
• это имя виртуальной среды, которую мы создали. Это создает физический каталог в месте расположения виртуальных сред. этоКаталог 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,

$ conda create -n tf_2

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

Понимание команды,

• может использоваться для создания виртуальных сред, установки пакетов, вывода списка установленных пакетов в среде и т. д. Короче,выполняет операции, которыеа такжеделает Тем не мение,не заменяеттак как некоторые пакеты доступны нано не на,
• используется для создания виртуальной среды.
• это аргумент, специфичный для,используется для названия виртуальной среды. Значението есть имя среды, здесь,
• Дополнительные полезные аргументы: аналогичнов,может быть использован.

Шаг 2. Активируйте виртуальную среду.

Активируйте виртуальную среду.

Ubuntu / Mac (Python без Анаконды)

$ source tf_2/bin/activate

Конда на Ubuntu / Mac (Python от Анаконды)

$ conda activate tf_2

После активации терминал изменится на этот,

Шаг 3. Установите TensorFlow 2.0.

Следующие инструкции одинаковы для обеих опций Python.

Перед началом установки TensorFlow мы обновим,

(tf_2) $ pip install --upgrade pip

Теперь установите TensorFlow.

(tf_2) $ pip install --upgrade tensorflow==2.0.0-beta1

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

Выберите подходящую версию TensorFlow изhttps://www.tensorflow.org/install/pip,

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.

• -Preview TF 2.0 Beta build только для процессора (рекомендуемые).
• -Preview TF 2.0 Бета-версия сПоддержка GPU,
• -Последний стабильный выпуск только для процессора,
• — Последний стабильный выпуск сПоддержка GPU,
• — Предварительный просмотр ночной сборки только для процессора.
• -Предыдущий ночной билд сПоддержка GPU,

Шаг 4. Проверьте установку.

Чтобы быстро проверить установку через терминал, используйте

(tf_2) $ python -c "import tensorflow as tf; x = `2`.``; print('tensorflow version', tf.__version__); print('hello, {}'.format(tf.matmul(x, x)))"

Вывод будет (игнорируя системные сообщения),

tensorflow version 2.0.0-beta1hello, `4`.``

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.

Package location

A few installation mechanisms require the URL of the TensorFlow Python package.
The value you specify depends on your Python version.

Version	URL
Linux
Python 3.7 GPU support	https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-2.7.0-cp37-cp37m-manylinux2010_x86_64.whl
Python 3.7 CPU-only	https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow_cpu-2.7.0-cp37-cp37m-manylinux2010_x86_64.whl
Python 3.8 GPU support	https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-2.7.0-cp38-cp38-manylinux2010_x86_64.whl
Python 3.8 CPU-only	https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow_cpu-2.7.0-cp38-cp38-manylinux2010_x86_64.whl
Python 3.9 GPU support	https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-2.7.0-cp39-cp39-manylinux2010_x86_64.whl
Python 3.9 CPU-only	https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow_cpu-2.7.0-cp39-cp39-manylinux2010_x86_64.whl
macOS (CPU-only)
Python 3.7	https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-2.7.0-cp37-cp37m-macosx_10_11_x86_64.whl
Python 3.8	https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-2.7.0-cp38-cp38-macosx_10_11_x86_64.whl
Python 3.9	https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-2.7.0-cp39-cp39-macosx_10_11_x86_64.whl
Windows
Python 3.7 GPU support	https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-2.7.0-cp36-cp36m-win_amd64.whl
Python 3.7 CPU-only	https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_cpu-2.7.0-cp36-cp36m-win_amd64.whl
Python 3.7 GPU support	https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-2.7.0-cp37-cp37m-win_amd64.whl
Python 3.7 CPU-only	https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_cpu-2.7.0-cp37-cp37m-win_amd64.whl
Python 3.8 GPU support	https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-2.7.0-cp38-cp38-win_amd64.whl
Python 3.8 CPU-only	https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_cpu-2.7.0-cp38-cp38-win_amd64.whl
Python 3.9 GPU support	https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-2.7.0-cp39-cp39-win_amd64.whl
Python 3.9 CPU-only	https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_cpu-2.7.0-cp39-cp39-win_amd64.whl

2: Проверка установки TensorFlow

Чтобы проверить установку TensorFlow, попробуйте запустить в TensorFlow простую программу в качестве пользователя без прав root. В качестве примера можно использовать простую программу «Hello, world». Вместо того чтобы создавать файл Python, создайте эту программу с помощью интерактивной консоли Python.

Запустите интерпретатор Python:

В терминале появится:

Это командная строка интерпретатора Python, она указывает на то, что вы можете начать вводить команды Python.

Сначала введите эту строку, чтобы импортировать пакет TensorFlow и сделать его доступным в качестве локальной переменной tf. Нажмите Enter, введя строку:

Затем добавьте эту строку, чтобы отобразить сообщение «Hello, world!».

Откройте новую сессию TensorFlow и присвойте ее переменной sess:

Примечание: В зависимости от среды вы можете увидеть такой вывод:

Это говорит о том, что у вас есть набор команд, который можно оптимизировать для повышения производительности TensorFlow. Если вы видите это предупреждение, вы можете спокойно проигнорировать его и продолжить работу.

Чтобы отобразить результат запуска сессии TensorFlow, которую вы создали в предыдущих строках кода, введите следующую строку.

В Python 3 sess.run() возвращает байтовую строку, которая будет отображаться как b’Hello, world! ‘ если вы запустите просто print(sess.run(hello)). Чтобы вернуть «Hello, world!» в виде строки, добавьте метод decode().

В консоли появится:

Это значит, что все работает правильно. Теперь можно попробовать выполнить какую-нибудь более сложную задачу с помощью TensorFlow.

Закройте консоль Python (нажмите CTRL+D или введите quit()).

placeholder

Если мы хотим ввести данные в Graph, мы должны использовать механизм, названный placeholder. Заполнители связаны внутри некоторых выражений. Типичный placeholder выглядит так:

placeholder(dtype, shape=None, name=None)

placeholder позволяют нам не предоставлять данные заранее для операций и графов вычислений, а данные могут быть добавлены во время выполнения из внешних источников.

Давайте посмотрим на пример. Мы попробуем умножить два целых числа способом TensorFlow, здесь мы будем использовать placeholder:

import tensorflow as tf
# Declare placeholders, Notice we didn't pass any values here
x = tf.placeholder(tf.float32, name="x")
y = tf.placeholder(tf.float32, name="y")
z = tf.multiply(x, y, name="z")
# Start the session to see the result, and pass values from the feed
with tf.Session() as session:
    print(session.run(z, feed_dict={x: 2.6, y: 2.0}))

Запустим программу и посмотрим, что у нас получится:

Линейная регрессия

Линейная регрессия – широко используемый алгоритм в области машинного обучения. Этот алгоритм основан на двух важных концепциях машинного обучения: функции Cost и Gradient Descent.

Итак, давайте поработаем этот алгоритм с TensorFlow:

import tensorflow as tf
import numpy as np

# Declare some imporant constants
test_data_size = 2000
iterations = 10000
learn_rate = 0.005
 
# Generate Test Values
def generate_test_values():
    train_x = []
    train_y = []
 
    for _ in range(test_data_size):
        x1 = np.random.rand()
        x2 = np.random.rand()
        x3 = np.random.rand()
        y_f = 2 * x1 + 3 * x2 + 7 * x3 + 4
        train_x.append()
        train_y.append(y_f)
 
    return np.array(train_x), np.transpose()

# Create place holders for various values
x = tf.placeholder(tf.float32, , name="x")
W = tf.Variable(tf.zeros(), name="W")
b = tf.Variable(tf.zeros(), name="b")
y = tf.placeholder(tf.float32, )
 
model = tf.add(tf.matmul(x, W), b)
# Compute cost function
cost = tf.reduce_mean(tf.square(y - model))
# Training Model
train = tf.train.GradientDescentOptimizer(learn_rate).minimize(cost)
 
train_dataset, train_values = generate_test_values()
 
init = tf.global_variables_initializer()
 
with tf.Session() as session:
    session.run(init)
 
    for _ in range(iterations):
 
        session.run(train, feed_dict={
            x: train_dataset,
            y: train_values
        })
 
    print( "cost = {}".format(session.run(cost, feed_dict={
        x: train_dataset,
        y: train_values
    })))
 
    print( "W = {}".format(session.run(W)))
    print( "b = {}".format(session.run(b)))

Запустим программу. Выходные параметры W и b должны быть такими же, как те, которые определены в функции generate_test_values:

В-четвертых, установите Tensorflow

Определить версию

Так как предыдущий шаг мы выбрали для установкиcnDNN 7.6.0 и подходятCUDA 10.1, так из этогоМы можем сказать, что самая высокая версия может быть установленаTensorflow 1.13.0。

2. Установите пункт

Вы можете выбрать, устанавливать ли pip или pip3 в соответствии с реальной ситуацией. В этой статье в качестве примера используется pip3.

На данный момент pip3 был успешно установлен.

4. Проверьте на нормальную работу

Следующие два теста могут быть скопированы и выполнены непосредственно в терминале.

Тест 1:

Тест 2:

Если нет ошибок в двух вышеуказанных возвращенных содержимом, установка Tensorflow прошла успешно.

Переменные

Переменные являются важной частью любого фреймворка, поскольку без переменных невозможно программировать, они используются для хранения и обновления значений. В TensorFlow переменные очень полезны

В качестве констант мы должны вызвать конструктор для инициализации переменной, начальное значение может быть передано в качестве аргумента. Создать переменную легко, и это можно сделать следующим образом:

В TensorFlow переменные очень полезны. В качестве констант мы должны вызвать конструктор для инициализации переменной, начальное значение может быть передано в качестве аргумента. Создать переменную легко, и это можно сделать следующим образом:

myVariable = tf.Variable(tf.zeros(), name="myVariable")

Если мы хотим, чтобы переменная использовалась только для вычислений, мы можем использовать ее следующим образом:

k = tf.Variable(tf.add(a, b), trainable=False)

Переменные можно легко добавить в вычислительный граф, вызвав конструктор.

Step 2 — Setting up a virtual environment

Virtual environment lets you have a separate space on your desktop or laptop for building Python projects, ensuring that each of your projects can have its own set of dependencies, and that won’t affect any of your other projects. And the good thing is that you can set up as many Python programming environments as you would like. If you already have Ubuntu installed on your machine, then you can skip this step.

While there are many ways to create a virtual environment in Python, we will be using venv mode here, which comes in-built with Python 3. So, let’s install it by using the following command –

$ sudo apt install -y python3-venv

After installing this, you will be able to create VE easily. So, now we’ll create a new directory to put our Python projects in –

$ mkdir environments$ cd environments

Once you are in the directory you have just created, you can create a virtual environment by typing the following –

$ python3 -m venv my_env

You can view the items created by the new directory by using the following command –

$ ls my_env

To use this environment, you first need to activate it by using the following command –

$ source my_env/bin/activate

Now your command prompt will be prefixed with the name of your environment you just created; in this case, it is called my_env.

2. Create a Programming Environment to Install TensorFlow

In this step, we will create a VE to install TensorFlow 2.0 without affecting our other Python projects. You can create this in your home directory or you can use the directory you just have created. You can create a new project directory by using this command –

$ mkdir ~/tf_newproject

Now navigate to your new directory by using this command –

$ cd ~/tf_newproject

Create a new VE. For example- tensorflow-np.

$ python3 -m venv tensorflow-np

This creates a new tensorflow-np directory which will contain all of the packages that you install while this environment is activated. It also includes pip. Now activate this new virtual environment –

$ source tensorflow-np/bin/activate

Once this virtual environment is activated, your command prompt will show that you are in the virtual environment.

3. Installing TensorFlow 2.0

While installing TensorFlow, we want to make sure we are installing the newest version available. Therefore, we will use the following command to install the TensorFlow –

$ pip install tensorflow

Once you press ENTER, Tensorflow will install. To update TensorFlow to the latest version, add –upgrade to the above commands.

$ pip install --upgrade pip$ pip install --upgrade tensorflow

To verify if TensorFlow is installed successfully, use the command given below:

python -c 'import tensorflow as tf; print(tf.__version__)'

Also, you can use the following commands in the Jupyter notebook –

import tensorflow as tfprint(tf.__version__)

Also, you can run the following commands –

Once you are done with your project, deactivate the environment by using the following command –

$ deactivate

3: Распознавание изображений с помощью TensorFlow

Теперь проверьте функции распознавания изображений TensorFlow.

Чтобы классифицировать изображение, вам нужно подготовить модель. Затем вам нужно написать код для использования этой модели.

TensorFlow предлагает репозиторий моделей и примеров, где можно найти код и тренированные модели для распознавания изображений.

С помощью Git клонируйте репозиторий models с GitHub в каталог проекта:

После того как Git проверит репозиторий, вы увидите такой вывод:

Перейдите в каталог models/tutorials/image/imagenet:

Этот каталог содержит файл classify_image.py, который использует TensorFlow для распознавания изображений. Эта программа загружает подготовленную модель с tensorflow.org при ее первом запуске. Для загрузки этой модели требуется 200 МБ свободного места на диске.

В этом примере попробуйте классифицировать предварительно загруженное изображение панды. Выполните эту команду для запуска программы классификатора изображений:

Вы увидите такой вывод:

Так TensorFlow классифицирует изображения.

Если вы хотите использовать другое изображение, добавьте аргумент –image_file в команду python3 classify_image.py. В аргументе нужно указать абсолютный путь к файлу изображения.

1: Установка TensorFlow

Сейчас нужно создать виртуальную среду и установить в ней TensorFlow .

Для начала нужно создать каталог проекта. Здесь мы условно назовем его tf-demo:

Перейдите в новый каталог:

Создайте новую виртуальную среду tensorflow-dev. Для этого введите следующую команду:

Это создаст новый каталог tensorflow-dev, в котором будут храниться все пакеты, установленные в эту среду. Также здесь вы найдете pip и индивидуальную версию Python.

Включите виртуальную среду:

После активации вы увидите в терминале:

Теперь вы можете установить TensorFlow в свою среду.

Запустите следующую команду, чтобы установить TensorFlow и обновиться до последней версии, доступной в PyPi:

TensorFlow установится. Вы должны получить вывод, который указывает, что установка пакета вместе со всеми зависимостями прошла успешно.

Примечание: Чтобы отключить виртуальную среду, введите:

Чтобы снова включить виртуальную среду, перейдите в каталог проекта и введите:

Блоки тензорной обработки (TPU)

TPU – это программируемый ускоритель искусственного интеллекта, предназначенный для обеспечения высокой производительности арифметических операций с низкой точностью. Он нацелен на использование или запуск моделей, а не на их обучение. Как было объявлено Google, они используют TPU в своих центрах обработки данных более года и обнаружили, что они обеспечивают на порядок лучше оптимизированную производительность на ватт для машинного обучения.

TPU второго поколения обеспечивают производительность до 180 терафлопс, а при объединении в кластеры по 64 TPU – до 11,5 петафлопс.

Код распознавания MNIST на Keras

Код на Keras для описания нейронной сети очень короткий и понятный. Напишу его двумя способами.

Вариант 1

from keras.models import Sequential
from keras.layers import Dense 
from keras.utils import plot_model

model = Sequential()
model.add(Dense(300, activation = "relu", use_bias = True, input_shape = (784,), name ='Dense_300'))
model.add(Dense(10, activation = "softmax", use_bias = True, name ='Dense_10'))
model.summary()
plot_model(model, to_file='model.png')

Параметр слоя use_bias = True говорит о том, что в слое надо

Вариант 2

Если использовать функциональное программирование Keras, то можно строить более сложные архитектуры нейронных сетей. В данном случае смысла в этом нет. Это лишь демонстрация возможностей Keras. По-умолчанию, use_bias для слоя установлен в True, поэтому указывать его нет необходимости.

from keras.models import Model
from keras.layers import Input

visible = Input(shape=(784,), name ='Input_784')
hidden = Dense(300, activation = 'relu', name ='Dense_300')(visible)
output = Dense(10, activation = 'softmax', name ='Dense_10')(hidden)
model_1 = Model(inputs=visible, outputs=output)

model_1.summary()
plot_model(model_1, to_file='model_1.png')

Как видно для обеих вариантов получено количество весов 238 510, как и получили ранее. Если use_bias установить в False для слоя в 300 нейронов, то количество параметров уменьшиться на 300 за счет отключения нейрона смещения.

Компилируем модель:

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=)

Подгружаем данные MNIST:

from keras.datasets import mnist
from keras import utils

(x_train, y_train), (x_test, y_test) = mnist.load_data()

Делаем нормализацию и переводим y_train в one hot encoding (OHE) представление.

x_train = x_train.astype('float32')
x_train /= 255
x_train = x_train.reshape(-1, 784)

x_test = x_test.astype('float32')
x_test /= 255
x_test = x_test.reshape(-1, 784)

y_train_ohe = utils.to_categorical(y_train, 10)
y_test_ohe = utils.to_categorical(y_test, 10)

print(y_train, y_train_ohe)

5 

Обучаем модель:

model.fit(x_train, y_train_ohe, batch_size=128, epochs=10, verbose=1, validation_split=0.2)

И получаем точность обучения на проверочной выборке:

accuracy = model.evaluate(x_test, y_test_ohe)
print("Loss:", accuracy)
print("Accuracy:", accuracy)

10000/10000  - 0s 40us/step
Loss: 0.6367657449245453
Accuracy: 0.8272

Пример TensorFlow 2.0

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

import matplotlib.pyplot as pltimport tensorflow as tflayers = tf.keras.layersimport numpy as npprint(tf.__version__)

Убедитесь, чтовыходы 2.х. Если версия старше, проверьте установку или виртуальную среду.

Скачатьfashion_mnistданные изоткрыть наборы данных и предварительно обработать его.

mnist = tf.keras.datasets.fashion_mnist(x_train, y_train), (x_test, y_test) = mnist.load_data()x_train, x_test = x_train / 255.0, x_test / 255.0

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

class_names = ['T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat', 'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle boot']plt.figure(figsize=(10,10))for i in range(25): plt.subplot(5,5,i+1) plt.xticks([]) plt.yticks([]) plt.grid(False) plt.imshow(x_train, cmap=plt.cm.binary) plt.xlabel(class_names])plt.show()

Теперь мы будем строить модельпослойный,

model = tf.keras.Sequential()model.add(layers.Flatten())model.add(layers.Dense(64, activation='relu'))model.add(layers.Dense(64, activation='relu'))model.add(layers.Dense(10, activation='softmax'))model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=)model.fit(x_train, y_train, epochs=5)

Обратите внимание, что эта модель предназначена только для демонстрации и, следовательно, обучена всего за пять эпох. Теперь мы проверим точность модели на тестовых данных

Теперь мы проверим точность модели на тестовых данных.

model.evaluate(x_test, y_test)

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

def plot_image(i, predictions_array, true_label, img): predictions_array, true_label, img = predictions_array, true_label, img plt.grid(False) plt.xticks([]) plt.yticks([]) plt.imshow(img, cmap=plt.cm.binary) predicted_label = np.argmax(predictions_array)if predicted_label == true_label: color = 'blue'else: color = 'red' plt.xlabel("{} {:2.0f}% ({})".format(class_names, 100*np.max(predictions_array), class_names), color=color)def plot_value_array(i, predictions_array, true_label): predictions_array, true_label = predictions_array, true_label plt.grid(False) plt.xticks([]) plt.yticks([]) thisplot = plt.bar(range(10), predictions_array, color="#777777") plt.ylim()  predicted_label = np.argmax(predictions_array) thisplot.set_color('red') thisplot.set_color('blue')

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

predictions = model.predict(x_test)i = 0plt.figure(figsize=(6,3))plt.subplot(1,2,1)plot_image(i, predictions, y_test, x_test)plt.subplot(1,2,2)plot_value_array(i, predictions, y_test)plt.show()

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

predicted_label = class_names)]print('Actual label:', class_names]) print('Predicted label:', predicted_label)

Шаг 5. Деактивировать виртуальную среду

Перед закрытием мы отключим виртуальную среду.

Дляиспользование,

(tf_2) $ deactivate

Дляиспользование,

(tf_2) $ conda deactivate

Репозиторий GitHub с примером MNIST на TensorFlow 2.0Вот,

Вывод

• TensorFlow 2.0 предоставляет простые в использовании возможности keras API, например, послойное моделирование.
• Мы узнали об установке TensorFlow 2.0.
• Мы прошли настоящий пример классификации данных MNIST с TF 2.0.

2020, TensorFlow 2.2 NVIDIA GPU (CUDA)/CPU, Keras, & Python 3.7 in Linux Ubuntu

2020, TensorFlow 2.2 NVIDIA GPU (CUDA)/CPU, Keras, & Python 3.7 in Linux Ubuntu

TensorFlow — это бесплатная платформа с открытым исходным кодом для машинного обучения, созданная Google. Он используется рядом организаций, включая Twitter, PayPal, Intel, Lenovo и Airbus.

TensorFlow можно установить в масштабе всей системы, в виртуальной среде Python, в виде контейнера Docker или с помощью Anaconda. В целях обучения лучше всего устанавливать TensorFlow в виртуальной среде Python. Таким образом, вы можете иметь несколько разных изолированных сред Python на одном компьютере и устанавливать определенную версию модуля для каждого проекта, не беспокоясь о том, что это повлияет на другие ваши проекты.

Из этого туториала Вы узнаете, как установить TensorFlow в Ubuntu 18.04.

Установка TensorFlow на Ubuntu 18.04

В следующих разделах приведены пошаговые инструкции по установке TensorFlow в виртуальной среде Python в Ubuntu 18.04.

1. Установка Python 3 и venv

Ubuntu 18.04 поставляется с Python 3.6 по умолчанию. Вы можете убедиться, что Python 3 установлен в вашей системе, набрав:

Вывод должен выглядеть так:

Если вы хотите использовать Python 3.7, проверьте это руководство.

Начиная с Python 3.6, рекомендуемый способ создания виртуальной среды — использовать модуль . Чтобы установить пакет , который предоставляет модуль выполните следующую команду:

После установки модуля мы готовы создать виртуальную среду для нашего проекта TensorFlow.

2. Создание виртуальной среды

Начните с перехода в каталог, где вы хотите хранить виртуальные среды Python 3. Это может быть ваш домашний каталог или любой другой каталог, где у вашего пользователя есть права на чтение и запись.

Создайте новый каталог для проекта TensorFlow и перейдите в него:

Оказавшись внутри каталога, выполните следующую команду, чтобы создать виртуальную среду:

Приведенная выше команда создает каталог с именем , который содержит копию двоичного Python, менеджера пакетов Pip, стандартной библиотеки Python и других вспомогательных файлов. Вы можете использовать любое имя для виртуальной среды.

Чтобы начать использовать эту виртуальную среду, вам нужно активировать ее, запустив скрипт :

После активации каталог bin виртуальной среды будет добавлен в начало . Кроме того, приглашение вашей оболочки изменится и будет отображать имя виртуальной среды, которую вы используете в данный момент. В данном случае это .

Обновите pip до последней версии, чтобы избежать проблем при установке пакетов:

3. Установка TensorFlow

Теперь, когда виртуальная среда активирована, пришло время установить пакет TensorFlow.

В виртуальной среде вы можете использовать команду вместо и вместо .

Для проверки установки используйте следующую команду, которая напечатает версию TensorFlow:

На момент написания этой статьи последняя стабильная версия TensorFlow была 1.13.1.

Ваша версия TensorFlow может отличаться от версии, показанной здесь.

Как только вы закончите свою работу, деактивируйте среду, набрав и вы вернетесь к своей обычной оболочке.

Вывод

В этом уроке мы показали, как установить TensorFlow Ubuntu 18.04.

питон убунту

Если вы хотите загрузить изображение с вашего Xbox One и использовать его как изображение геймера, это можно сделать. Вы также можете использовать USB-накопитель для загрузки изображения и установить его в качестве игрового игрока Xbox One.

Узнайте больше о Gatekeeper и о том, как использовать его для установки самых безопасных приложений на ваш Mac.

Узнайте, как настроить и установить принтер HP Officejet 6500A Plus «все в одном».