从源代码安装
现在我们来看看 TensorFlow 的最完整，对开发人员友好的安装方法。 从源代码安装将使您了解用于编译的不同工具。
安装 Git 源代码版本管理器
Git 是现有的最著名的源代码版本管理器之一，并且是 Google 选择的版本管理器，并将其代码发布在 GitHub 上。
为了下载 TensorFlow 的源代码，我们将首先安装 Git 源代码管理器：
在 Linux 中安装 Git（Ubuntu 16.04）
要在您的 Ubuntu 系统上安装 Git，请运行以下命令：
$ sudo apt-get install git
安装 Bazel 构建工具
Bazel（bazel.io）是一个构建工具，基于 Google 七年来一直使用的内部构建工具（称为 Blaze），并于 2015 年 9 月 9 日发布为 beta 版。
此外，它还用作 TensorFlow 中的主要构建工具，因此，要执行一些高级任务，需要对工具有最少的了解。
提示
与诸如 Gradle 之类的竞争项目相比，优点有所不同，主要优点是：
- 支持多种语言，例如 C++，Java，Python 等
- 支持创建 Android 和 iOS 应用，甚至 Docker 映像
- 支持使用来自许多不同来源的库，例如 GitHub，Maven 等
- 通过 API 可扩展以便添加自定义构建规则
添加 Bazel 发行版 URI 作为包源
首先，我们将 Bazel 仓库添加到可用仓库列表中，并将其各自的密钥添加到 APT 工具的配置中，该工具管理 Ubuntu 操作系统的依赖项。
$ echo "deb http://storage.googleapis.com/bazel-apt stable jdk1.8" | sudo tee /etc/apt/sources.list.d/bazel.list $ curl https://storage.googleapis.com/bazel-apt/doc/apt-key.pub.gpg | sudo apt-key add -
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fE123ACD-1681565654387)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/build-ml-proj-tf-zh/img/00154.jpg)]
挡板安装
更新和安装 Bazel
一旦安装了所有包源，就可以通过apt-get安装 Bazel：
$ sudo apt-get update && sudo apt-get install bazel
提示
此命令将安装 Java 和大量依赖项，因此可能需要一些时间来安装它。
安装 GPU 支持（可选）
本节将教我们如何在 Linux 设置中安装支持 GPU 所需的必需包。
实际上，获得 GPU 计算支持的唯一方法是通过 CUDA。
检查 nouveau NVIDIA 显卡驱动程序是否不存在。 要对此进行测试，请执行以下命令并检查是否有任何输出：
lsmod | grep nouveau
如果没有输出，请参阅安装 CUDA 系统包。如果没有输出，请执行以下命令：
$ echo -e "blacklist nouveau\nblacklist lbm-nouveau\noptions nouveau modeset=0\nalias nouveau off\nalias lbm-nouveau off\n" | sudo tee /etc/modprobe.d/blacklist-nouveau.conf $ echo options nouveau modeset=0 | sudo tee -a /etc/modprobe.d/nouveau-kms.conf $ sudo update-initramfs -u $ sudo reboot (a reboot will occur)
安装 CUDA 系统包
第一步是从仓库中安装所需的包：
sudo apt-get install -y linux-source linux-headers-`uname -r` nvidia-graphics-drivers-361 nvidia-cuda-dev sudo apt install nvidia-cuda-toolkit sudo apt-get install libcupti-dev
提示
如果要在云映像上安装 CUDA，则应在以下命令阻止之前运行此命令：
sudo apt-get install linux-image-extra-virtual
创建替代位置
当前的 TensorFlow 安装配置期望非常严格的结构，因此我们必须在文件系统上准备类似的结构。
这是我们将需要运行的命令：
sudo mkdir /usr/local/cuda cd /usr/local/cuda sudo ln -s /usr/lib/x86_64-linux-gnu/ lib64 sudo ln -s /usr/include/ include sudo ln -s /usr/bin/ bin sudo ln -s /usr/lib/x86_64-linux-gnu/ nvvm sudo mkdir -p extras/CUPTI cd extras/CUPTI sudo ln -s /usr/lib/x86_64-linux-gnu/ lib64 sudo ln -s /usr/include/ include sudo ln -s /usr/include/cuda.h /usr/local/cuda/include/cuda.h sudo ln -s /usr/include/cublas.h /usr/local/cuda/include/cublas.h sudo ln -s /usr/include/cudnn.h /usr/local/cuda/include/cudnn.h sudo ln -s /usr/include/cupti.h /usr/local/cuda/extras/CUPTI/include/cupti.h sudo ln -s /usr/lib/x86_64-linux-gnu/libcudart_static.a /usr/local/cuda/lib64/libcudart_static.a sudo ln -s /usr/lib/x86_64-linux-gnu/libcublas.so /usr/local/cuda/lib64/libcublas.so sudo ln -s /usr/lib/x86_64-linux-gnu/libcudart.so /usr/local/cuda/lib64/libcudart.so sudo ln -s /usr/lib/x86_64-linux-gnu/libcudnn.so /usr/local/cuda/lib64/libcudnn.so sudo ln -s /usr/lib/x86_64-linux-gnu/libcufft.so /usr/local/cuda/lib64/libcufft.so sudo ln -s /usr/lib/x86_64-linux-gnu/libcupti.so /usr/local/cuda/extras/CUPTI/lib64/libcupti.so
安装 cuDNN
TensorFlow 使用附加的 cuDNN 包来加速深度神经网络操作。
然后，我们将下载cudnn包：
$ wget http://developer.download.nvidia.com/compute/redist/cudnn/v5/cudnn-7.5-linux-x64-v5.0-ga.tgz
然后，我们需要解压缩包并链接它们：
$ sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64 $ sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
克隆 TensorFlow 源
最后，我们完成了获取 TensorFlow 源代码的任务。
获得它就像执行以下命令一样容易：
$ git clone https://github.com/tensorflow/tensorflow
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8IdjlBB0-1681565654387)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/build-ml-proj-tf-zh/img/00155.jpg)]
Git 安装
配置 TensorFlow 构建
然后我们访问tensorflow主目录：
$ cd tensorflow
然后我们只需运行configure脚本：
$ ./configure
在下图中，您可以看到大多数问题的答案（它们几乎都是输入的，是的）
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-oSK8gL1r-1681565654387)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/build-ml-proj-tf-zh/img/00156.jpg)]
CUDA 配置
因此，我们现在准备着手进行库的建设。
提示
如果要在 AWS 上安装它，则必须执行修改后的行：
TF_UNOFFICIAL_SETTING=1 ./configure
构建 TensorFlow
在完成所有准备步骤之后，我们将最终编译 TensorFlow。 以下几行可能引起您的注意，因为它涉及到教程。 我们构建示例的原因是它包含基础安装，并提供了一种测试安装是否有效的方法。
运行以下命令：
$ bazel build -c opt --config=cuda //tensorflow/cc:tutorials_example_trainer
测试安装
现在该测试安装了。 在主tensorflow安装目录中，只需执行以下命令：
$ bazel-bin/tensorflow/cc/tutorials_example_trainer --use_gpu
这是命令输出的示例表示：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-cldstM0v-1681565654387)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/build-ml-proj-tf-zh/img/00157.jpg)]
TensorFlow GPU 测试
Windows 安装
现在轮到 Windows 操作系统了。 首先，我们必须说这不是 TensorFlow 生态系统的首选，但是我们绝对可以使用 Windows 操作系统进行开发。
经典 Docker 工具箱方法
此方法使用经典的工具箱方法，该方法可用于大多数最新的 Windows 版本（从 Windows 7 开始，始终使用 64 位操作系统）。
提示
为了使 Docker（特别是 VirtualBox）正常工作，您需要安装 VT-X 扩展。 这是您需要在 BIOS 级别执行的任务。
安装步骤
在这里，我们将列出在 Windows 中通过 Docker 安装tensorflow所需的不同步骤。
下载 Docker 工具箱安装程序
安装程序的当前 URL 位于此链接。
执行安装程序后，我们将看到第一个安装屏幕：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5F7twUWc-1681565654388)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/build-ml-proj-tf-zh/img/00158.jpg)]
Docker 工具箱第一个安装屏幕
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-I2X3U6pv-1681565654388)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/build-ml-proj-tf-zh/img/00159.jpg)]
Docker 工具箱安装程序路径选择器
然后，选择安装中需要的所有组件：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5Y3vYbuQ-1681565654388)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/build-ml-proj-tf-zh/img/00160.jpg)]
Docker 工具箱包选择屏幕
完成各种安装操作后，我们的 Docker 安装将准备就绪：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZlEcSwHk-1681565654388)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/build-ml-proj-tf-zh/img/00161.jpg)]
Docker 工具箱安装最终屏幕
创建 Docker 机器
为了创建初始机器，我们将在 Docker 终端中执行以下命令：
docker-machine create vdocker -d virtualbox
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-rcYO4Yod-1681565654388)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/build-ml-proj-tf-zh/img/00162.jpg)]
Docker 初始映像安装
然后，在命令窗口中，键入以下内容：
FOR /f "tokens=*" %i IN ('docker-machine env --shell cmd vdocker') DO %i docker run -it b.gcr.io/tensorflow/tensorflow
这将打印并读取运行最近创建的虚拟机所需的许多变量。
最后，要安装tensorflow容器，请像在 Linux 控制台上一样从同一控制台进行操作：
docker run -it -p 8888:8888 gcr.io/tensorflow/tensorflow
提示
如果您不想执行 Jupyter，但想直接启动到控制台，则可以通过以下方式运行 Docker 映像：
run -it -p 8888:8888 gcr.io/tensorflow/tensorflow bash
MacOSX 安装
现在转到在 MacOSX 上进行安装。安装过程与 Linux 非常相似。 它们基于 OSX El Capitan 版本。 我们还将参考不支持 GPU 的 2.7 版 Python。
安装要求安装用户具有sudo特权。
安装 PIP
在此步骤中，我们将使用easy_install包管理器安装 PIP 包管理器，该包管理器包含在安装工具 Python 包中，并且默认情况下包含在操作系统中。
对于此安装，我们将在终端中执行以下操作：
$ sudo easy_install pip
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2bI1DVhh-1681565654389)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/build-ml-proj-tf-zh/img/00163.jpg)]
然后，我们将安装六个模块，这是一个兼容性模块，可帮助 Python 2 程序支持 Python 3 编程：
要安装six，我们执行以下命令：
sudo easy_install --upgrade six
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-D04t8h9v-1681565654389)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/build-ml-proj-tf-zh/img/00164.jpg)]
在安装six包之后，我们通过执行以下命令来继续安装tensorflow包：
sudo pip install -ignore-packages six https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-0.10.0-py2-none-any.whl
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZpN9xr1M-1681565654389)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/build-ml-proj-tf-zh/img/00165.jpg)]
然后我们调整numpy包的路径，这在 El Capitan 中是必需的：
sudo easy_install numpy
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-UKGgTJfR-1681565654389)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/build-ml-proj-tf-zh/img/00166.jpg)]
现在我们准备导入tensorflow模块并运行一些简单的示例：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZQ86NQBw-1681565654390)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/build-ml-proj-tf-zh/img/00167.jpg)]
总结
在本章中，我们回顾了可以执行 TensorFlow 安装的一些主要方法。
即使可能性是有限的，每个月左右我们都会看到支持新的架构或处理器，因此我们只能期望该技术的应用领域越来越多。
