Anaconda配置Python新版本tensorflow库(CPU、GPU通用)的方法

简介: Anaconda配置Python新版本tensorflow库(CPU、GPU通用)的方法

  本文介绍在Anaconda环境中,下载并配置Python中机器学习、深度学习常用的新版tensorflow库的方法。

  在之前的两篇文章基于Python TensorFlow Estimator的深度学习回归与分类代码——DNNRegressorhttps://blog.csdn.net/zhebushibiaoshifu/article/details/114001720)与基于Python TensorFlow Keras的深度学习回归代码——keras.Sequential深度神经网络https://blog.csdn.net/zhebushibiaoshifu/article/details/114016531)中,我们介绍了利用Python中的tensorflow库,实现机器学习深度学习的具体思路与代码实现;然而,当初并没有具体介绍tensorflow库的配置方法。因此,在这篇文章中,我们就介绍一下在Anaconda环境中,配置tensorflow库的详细方法;此外,这里需要注意,在最新的tensorflow库(版本大于1.5)中,已经同时支持CPUGPU训练,不需要再区分是配置CPU版本的库还是GPU版本的库了。

  首先,和Anaconda环境配置其他库一样,我们需要打开Anaconda Prompt软件;如下图所示。

  随后,将会弹出如下所示的终端窗口。

  接下来,我们即可开始tensorflow库的配置。由于我这里希望将tensorflow库配置到另一个已有的Anaconda虚拟环境中(这个虚拟环境的名称为py36tfPython版本是3.6的),而不是当前这个默认的base环境,因此需要按照文章Anaconda中Python虚拟环境的创建、使用与删除https://blog.csdn.net/zhebushibiaoshifu/article/details/128334614)中提到的方法,首先进入这个名称为py36tf的虚拟环境中,如下图所示。

  如果大家需要在默认的环境中配置tensorflow库,直接执行接下来的操作即可;如果大家希望新建一个环境来配置tensorflow库,那么参考上文提及的文章Anaconda中Python虚拟环境的创建、使用与删除https://blog.csdn.net/zhebushibiaoshifu/article/details/128334614),创建并进入一个新的虚拟环境,再继续执行接下来的操作即可。

  接下来,继续输入如下的代码,即可立即开始配置tensorflow库。

pip install --upgrade tensorflow

  运行上述代码后,可以看到将立即开始tensorflow库的配置,如下图所示。其中,由于我这里Python版本是3.6的,而不是最新的Python版本,因此从下图可以看到tensorflow库版本也并不是最新的,而是2.6.2版本的——当然对我而言,这也就足够了。如果大家希望用最新版本的tensorflow库,需要注意同时使用最新的Python版本。

  此外,这里有必要提一句——如果我用如下所示的代码进行tensorflow库的配置,配置得到的tensorflow库则是1.X版本的,而不是上面我们刚刚得到的是2.X版本,始终无法获取最新版本的tensorflow库;且之后无论怎么更新tensorflow库,都会出现报错信息。

conda install tensorflow

  例如,在我的电脑上,如果运行上述代码,则结果如下图所示。

  不知道具体是哪里的问题,从上图可以看到这种方法得到的tensorflow库始终是1.X版本(例如上图中显示tensorflow库就是1.2.1版本的)。所以,如果大家需要比较新版本的tensorflow库,还是建议用前面提到的pip install --upgrade tensorflow这句代码来实现。

  让我们继续回到前述tensorflow库配置的工作中;稍等片刻,一般情况下即可完成tensorflow库的配置。这里需要注意,如果此时大家出现如下图所示的报错,则说明tensorflow库暂时还是没有配置成功。

  这种情况是由于pip版本不够高导致的,因此我们需要通过如下所示的代码将pip升级。

python -m pip install --upgrade pip

  输入上述代码,如下图所示。

  运行这一代码后,我们重新运行一次pip install --upgrade tensorflow这句代码即可。可是在我这里,重新运行这句代码后,又出现了如下图所示的问题。

  通过检查,发现网络代理的问题;将代理关闭后,即可解决问题(但是很奇怪,不知道为什么刚刚没有报这个错误,重新运行这句代码后才出现这样的错误)。最终,得到结果界面如下图所示。

  接下来,我们可以输入如下的代码,从而检查tensorflow库是否已经配置成功。

python -c "import tensorflow as tf;print(tf.reduce_sum(tf.random.normal([1000, 1000])))"

  如下图所示,如果最终得到了一个tf.Tensor结果,即可说明我们的tensorflow库终于配置完毕了。

  至此,大功告成。当然,到这里或许也不算完全成功——从上图可以看到,当前tensorflow库并没有进行GPU计算。如果大家的电脑上没有GPU,或者不需要用GPU加以计算,那就不用管这个问题,相当于已经完全成功了,后续直接开始用tensorflow库进行各类深度学习的应用即可;但是对于电脑上有GPU,并且也希望让GPU加入计算的用户而言,则按照文章新版本GPU加速的tensorflow库的配置方法https://fkxxgis.blog.csdn.net/article/details/129291170)中所述的方法加以配置即可。

欢迎关注:疯狂学习GIS

相关实践学习
部署Stable Diffusion玩转AI绘画(GPU云服务器)
本实验通过在ECS上从零开始部署Stable Diffusion来进行AI绘画创作,开启AIGC盲盒。
相关文章
|
6月前
|
并行计算 TensorFlow 算法框架/工具
Windows11+CUDA12.0+RTX4090如何配置安装Tensorflow2-GPU环境?
本文介绍了如何在Windows 11操作系统上,配合CUDA 12.0和RTX4090显卡,通过创建conda环境、安装特定版本的CUDA、cuDNN和TensorFlow 2.10来配置TensorFlow GPU环境,并提供了解决可能遇到的cudnn库文件找不到错误的具体步骤。
843 3
|
6月前
|
UED 存储 数据管理
深度解析 Uno Platform 离线状态处理技巧:从网络检测到本地存储同步,全方位提升跨平台应用在无网环境下的用户体验与数据管理策略
【8月更文挑战第31天】处理离线状态下的用户体验是现代应用开发的关键。本文通过在线笔记应用案例,介绍如何使用 Uno Platform 优雅地应对离线状态。首先,利用 `NetworkInformation` 类检测网络状态;其次,使用 SQLite 实现离线存储;然后,在网络恢复时同步数据;最后,通过 UI 反馈提升用户体验。
148 0
|
6月前
|
并行计算 TensorFlow 算法框架/工具
Window安装TensorFlow-GPU版本
Window安装TensorFlow-GPU版本
107 0
|
7月前
|
Linux TensorFlow 算法框架/工具
安装GPU版本的TensorFlow
【7月更文挑战第3天】安装GPU版本的TensorFlow。
277 1
|
6月前
|
编译器 Linux TensorFlow
【Deepin 20系统】Tensorflow2.x离线下载cifar-10-python.tar.gz如何配置使用cifar10.load_data()
文章讨论了在Deepin 20系统上使用Tensorflow 2.x时,如何通过离线方式配置使用CIFAR-10数据集。
69 0
|
7月前
|
机器学习/深度学习 PyTorch TensorFlow
在深度学习中,数据增强是一种常用的技术,用于通过增加训练数据的多样性来提高模型的泛化能力。`albumentations`是一个强大的Python库,用于图像增强,支持多种图像变换操作,并且可以与深度学习框架(如PyTorch、TensorFlow等)无缝集成。
在深度学习中,数据增强是一种常用的技术,用于通过增加训练数据的多样性来提高模型的泛化能力。`albumentations`是一个强大的Python库,用于图像增强,支持多种图像变换操作,并且可以与深度学习框架(如PyTorch、TensorFlow等)无缝集成。
|
7月前
|
机器学习/深度学习 TensorFlow API
Keras是一个高层神经网络API,由Python编写,并能够在TensorFlow、Theano或CNTK之上运行。Keras的设计初衷是支持快速实验,能够用最少的代码实现想法,并且能够方便地在CPU和GPU上运行。
Keras是一个高层神经网络API,由Python编写,并能够在TensorFlow、Theano或CNTK之上运行。Keras的设计初衷是支持快速实验,能够用最少的代码实现想法,并且能够方便地在CPU和GPU上运行。
|
9月前
|
机器学习/深度学习 TensorFlow API
TensorFlow的扩展库:TensorFlow Probability与TensorFlow Quantum
【4月更文挑战第17天】TensorFlow的扩展库TensorFlow Probability和TensorFlow Quantum开辟了机器学习和量子计算新纪元。TensorFlow Probability专注于概率推理和统计分析,集成深度学习,支持贝叶斯推断和变分推断,提供自动微分及丰富的概率模型工具。其Bijector组件允许复杂随机变量转换,增强建模能力。另一方面,TensorFlow Quantum结合量子计算与深度学习,处理量子数据,构建量子-经典混合模型,应用于化学模拟、量子控制等领域,内置量子计算基元和高性能模拟器。
|
9月前
|
存储 监控 异构计算
【Python】GPU内存监控脚本
【Python】GPU内存监控脚本
|
9月前
|
存储 XML JSON
Python如何读写配置文件?
Python如何读写配置文件?
115 0

热门文章

最新文章