第2章 TensorFlow环境搭建 - A

2.1 Linux安装TensorFlow

2.1.1基于Pip的安装

2.1.1.1Pip安装

Pip 是一个 Python 的软件包安装与管理工具，在安装 TensorFlow 过程中要涉及安装或升级的包详见列表
（https://github.com/tensorflow/tensorflow/blob/master/tensorflow/tools/pip_package/setup.py）。
首先安装 pip (或 Python3 的 pip3 )：
 查看系统所安装的python版本

$python –V

（版本查看） ![这里写图片描述](https://img-blog.csdn.net/20180525112501969?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMxNjIwMzU=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70) ** 安装python对应版本的pip和依赖包** 若python版本为2.7，则输入如下命令：

$ sudo apt-get install python-pip python-dev

若python版本为3.x，则输入如下命令：
$sudo apt-get install python3-pip python3-dev
 升级pip版本
在装tensorflow之前，不管是不是最新的pip版本，都要更新一下，具体命令如下：
python 2.7版本：

$sudo pip install --upgrade pip

python 3.x版本：

$sudo pip3 install --upgrade pip

2.1.1.2安装 TensorFlow

 CPU安装
# Ubuntu/Linux 64-bit, CPU only, Python 2.7:

$ sudo pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0-cp27-none-linux_x86_64.whl

或者

$sudo pip install tensorflow

或者

$sudo pip  install --upgrade TF_PYTHON_URL

# Ubuntu/Linux 64-bit, CPU only, Python 3.4:

$ sudo pip3 install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0-cp34-cp34m-linux_x86_64.whl

或者

$sudo pip3 install tensorflow

或者

$sudo pip3  install --upgrade TF_PYTHON_URL

其中，TF_PYTHON_URL为TensrorFlow的python包，不通的操作系统、python版本、GPU支持状况需要选择不同的包，例如OS为Linux，python版本为3.4，仅支持CPU的情况下，TF_PYTHON_URL应当替换为

https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-1.1.0-cp34-cp34m-linux_x86_64.whl

 GPU安装
# Ubuntu/Linux 64-bit, GPU enabled, Python 2.7. Requires CUDA toolkit 7.5 and CuDNN v4.
# For other versions, see “Install from sources” below.

$ sudo pip install --upgrade https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.8.0-cp27-none-linux_x86_64.whl

或者

$sudo pip install tensorflow-gpu

# Ubuntu/Linux 64-bit, GPU enabled, Python 3.4. Requires CUDA toolkit 7.5 and CuDNN v4.
# For other versions, see “Install from sources” below.

$ sudo pip3 install --upgrade https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.8.0-cp34-cp34m-linux_x86_64.whl

或者

$sudo pip3 install tensorflow-gpu/ 

【注1】笔者环境Ubuntu16.04+Python3+CPU，安装过程如下所示。（安装工程比较慢，需要耐心等待…） 

  

成功安装如下所示。 

  

【注2】如果之前安装过 TensorFlow < 0.7.1 的版本,应该先使用 pip uninstall 卸载 TensorFlow 和 protobuf ,保证获取的是一个最新 protobuf 依赖下的安装包。 

【注3】在Ubuntu16.04系统中，默认使用的还Python2.7，,关于Python版本的切换，请参考如下文章：https://blog.csdn.net/u013162035/article/details/80339631

2.1.1.3 TensorFlow验证

验证tensorflow是否安装成功，启动终端，新建一个Python脚本。

$vi test.py

然后输入以下代码，并保存。

import tensorflow as tf
a=tf.constant([1.0,2.0,3.0],shape=[3],name='a')
b=tf.constant([1.0,2.0,3.0],shape=[3],name='b')
c=a+b
sess=tf.Session(config=tf.ConfigProto(log_device_placement=True))
print(sess.run(c))

执行脚本。

$python test.py

如果输出以下内容则代表安装成功。
这里写图片描述

2.1.2基于 Docker 的安装

我们也支持通过 Docker （https://www.docker.com/）运行 TensorFlow. 该方式的优点是不用操心软件依赖问题。
首先, 安装 Docker（https://docs.docker.com/install/#server）。一旦 Docker 已经启动运行, 可以通过命令启动一个容器:

$ docker run -it b.gcr.io/tensorflow/tensorflow

该命令将启动一个已经安装好 TensorFlow 及相关依赖的容器.
其它镜像
默认的 Docker 镜像只包含启动和运行 TensorFlow 所需依赖库的一个最小集. 我们额外提供了下面的容器, 该容器同样可以通过上述 docker run 命令安装:
b.gcr.io/tensorflow/tensorflow-full: 镜像中的 TensorFlow 是从源代码完整安装的, 包含了编译和运行 TensorFlow 所需的全部工具. 在该镜像上, 可以直接使用源代码进行实验, 而不需要再安装上述的任何依赖。

2.1.3基于 VirtualEnv 的安装

我们推荐使用 virtualenv 创建一个隔离的容器, 来安装 TensorFlow. 这是可选的, 但是这样做能使排查安装问题变得更容易。
首先, 安装所有必备工具：

$ sudo apt-get install python-pip python-dev python-virtualenv

接下来, 建立一个全新的 virtualenv 环境. 为了将环境建在 ~/tensorflow 目录下, 执行：

$ virtualenv --system-site-packages ~/tensorflow
$ cd ~/tensorflow

然后, 激活 virtualenv：

$ source bin/activate  # 如果使用 bash
$ source bin/activate.csh  # 如果使用 csh
(tensorflow)$  # 终端提示符应该发生变化

在 virtualenv 内, 安装 TensorFlow：

(tensorflow) $ pip install --upgrade <$url_to_binary.whl>

接下来, 使用类似命令运行 TensorFlow 程序：

(tensorflow)$ cd tensorflow/models/image/mnist
(tensorflow)$ python convolutional.py
# 当使用完 TensorFlow
(tensorflow)$ deactivate  # 停用 virtualenv
$  # 你的命令提示符会恢复原样

2.1.4基于 Anaconda 的安装

Anaconda （https://www.anaconda.com/what-is-anaconda/）是一个集成许多第三方科学计算库的 Python 科学计算环境（https://conda.io/docs/user-guide/tasks/manage-environments.html），Anaconda 使用 conda 作为自己的包管理工具,同时具有自己的计算环境,类似 Virtualenv.
和 Virtualenv 一样，不同 Python 工程需要的依赖包，conda 将他们存储在不同的地方。 TensorFlow 上安装的 Anaconda 不会对之前安装的 Python 包进行覆盖。
1.安装 Anaconda :
参考 Anaconda 的下载页面的指导（https://www.anaconda.com/download/）
2.建立一个 conda 计算环境
建立一个 conda 计算环境名字叫tensorflow：
# Python 2.7

$ conda create -n tensorflow python=2.7

# Python 3.4

$ conda create -n tensorflow python=3.4

3.激活环境,使用 conda 安装 TensorFlow
激活tensorflow环境,然后使用其中的 pip 安装 TensorFlow. 当使用easy_install使用–ignore-installed标记防止错误的产生。

$ source activate tensorflow
(tensorflow)$  # Your prompt should change
# Ubuntu/Linux 64-bit, CPU only, Python 2.7:
(tensorflow)$ pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0rc0-cp27-none-linux_x86_64.whl
# Ubuntu/Linux 64-bit, GPU enabled, Python 2.7. Requires CUDA toolkit 7.5 and CuDNN v4.
# For other versions, see "Install from sources" below.
(tensorflow)$ pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.8.0rc0-cp27-none-linux_x86_64.whl

对于 Python 3.x :

$ source activate tensorflow
(tensorflow)$  # Your prompt should change
# Ubuntu/Linux 64-bit, CPU only, Python 3.4:
(tensorflow)$ pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0rc0-cp34-cp34m-linux_x86_64.whl
# Ubuntu/Linux 64-bit, GPU enabled, Python 3.4. Requires CUDA toolkit 7.5 and CuDNN v4.
# For other versions, see "Install from sources" below.
(tensorflow)$ pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.8.0rc0-cp34-cp34m-linux_x86_64.whl

conda 环境激活后,你可以测试。
当你不用 TensorFlow 的时候,关闭环境:

 (tensorflow)$ source deactivate
$  # Your prompt should change back

再次使用的时候再激活 :

$ source activate tensorflow
(tensorflow)$  # Your prompt should change.
# Run Python programs that use TensorFlow.
...
# When you are done using TensorFlow, deactivate the environment.
(tensorflow)$ source deactivate

4.测试
 (可选) 启用 GPU 支持
如果你使用 pip 二进制包安装了开启 GPU 支持的 TensorFlow, 你必须确保系统里安装了正确的 CUDA sdk 和 CUDNN 版本. 请参间 CUDA 安装教程。
你还需要设置 LD_LIBRARY_PATH 和 CUDA_HOME 环境变量. 可以考虑将下面的命令添加到 ~/.bash_profile 文件中, 这样每次登陆后自动生效. 注意, 下面的命令假定 CUDA 安装目录为 /usr/local/cuda:
export LD_LIBRARY_PATH=”$LD_LIBRARY_PATH:/usr/local/cuda/lib64”
export CUDA_HOME=/usr/local/cuda
 运行 TensorFlow
打开一个 python 终端：

$ python
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print sess.run(hello)
Hello, TensorFlow!
>>> a = tf.constant(10)
>>> b = tf.constant(32)
>>> print sess.run(a+b)
42
>>>

2.1.5源码安装

1.克隆 TensorFlow 仓库

$ git clone --recurse-submodules https://github.com/tensorflow/tensorflow

【注】–recurse-submodules 参数是必须得, 用于获取 TesorFlow 依赖的 protobuf 库.
2.安装 Bazel
首先依照教程（https://docs.bazel.build/versions/master/install.html）安装 Bazel 的依赖. 然后在链接（https://github.com/bazelbuild/bazel/releases）中下载适合你的操作系统的最新稳定版, 最后按照下面脚本执行：

$ chmod +x PATH_TO_INSTALL.SH
$ ./PATH_TO_INSTALL.SH --user

注意把 PATH_TO_INSTALL.SH 替换为你下载的安装包的文件路径.
将执行路径 output/bazel 添加到 $PATH 环境变量中.
3.安装其他依赖
# For Python 2.7:

$ sudo apt-get install python-numpy swig python-dev python-wheel

# For Python 3.x:

$ sudo apt-get install python3-numpy swig python3-dev python3-wheel

4.安装 CUDA (在 Linux 上开启 GPU 支持)（可选）
为了编译并运行能够使用 GPU 的 TensorFlow, 需要先安装 NVIDIA 提供的 Cuda Toolkit 7.0 和 CUDNN 6.5 V2.
TensorFlow 的 GPU 特性只支持 NVidia Compute Capability >= 3.5 的显卡. 被支持的显卡包括但不限于：
NVidia Titan
NVidia Titan X
NVidia K20
NVidia K40
 下载并安装 Cuda Toolkit 7.0
下载地址（https://developer.nvidia.com/cuda-toolkit-70）
将工具安装到诸如 /usr/local/cuda 之类的路径.
 下载并安装 CUDNN Toolkit 6.5
下载地址（https://developer.nvidia.com/rdp/cudnn-archive）
解压并拷贝 CUDNN 文件到 Cuda Toolkit 7.0 安装路径下. 假设 Cuda Toolkit 7.0 安装在 /usr/local/cuda, 执行以下命令:
tar xvzf cudnn-6.5-linux-x64-v2.tgz
sudo cp cudnn-6.5-linux-x64-v2/cudnn.h /usr/local/cuda/include
sudo cp cudnn-6.5-linux-x64-v2/libcudnn* /usr/local/cuda/lib64
 配置 TensorFlow 的 Cuda 选项
从源码树的根路径执行:

$ ./configure

Do you wish to bulid TensorFlow with GPU support? [y/n] y
GPU support will be enabled for TensorFlow
Please specify the location where CUDA 7.0 toolkit is installed. Refer to
README.md for more details. [default is: /usr/local/cuda]: /usr/local/cuda
Please specify the location where CUDNN 6.5 V2 library is installed. Refer to
README.md for more details. [default is: /usr/local/cuda]: /usr/local/cuda
Setting up Cuda include
Setting up Cuda lib64
Setting up Cuda bin
Setting up Cuda nvvm
Configuration finished
这些配置将建立到系统 Cuda 库的符号链接. 每当 Cuda 库的路径发生变更时, 必须重新执行上述步骤, 否则无法调用 bazel 编译命令.
 编译目标程序, 开启 GPU 支持
从源码树的根路径执行：

$ bazel build -c opt --config=cuda //tensorflow/cc:tutorials_example_trainer
$ bazel-bin/tensorflow/cc/tutorials_example_trainer --use_gpu

# 大量的输出信息. 这个例子用 GPU 迭代计算一个 2x2 矩阵的主特征值 (major eigenvalue).
# 最后几行输出和下面的信息类似.
000009/000005 lambda = 2.000000 x = [0.894427 -0.447214] y = [1.788854 -0.894427]
000006/000001 lambda = 2.000000 x = [0.894427 -0.447214] y = [1.788854 -0.894427]
000009/000009 lambda = 2.000000 x = [0.894427 -0.447214] y = [1.788854 -0.894427]
注意, GPU 支持需通过编译选项 “–config=cuda” 开启.
已知问题
尽管可以在同一个源码树下编译开启 Cuda 支持和禁用 Cuda 支持的版本, 我们还是推荐在在切换这两种不同的编译配置时, 使用 “bazel clean” 清理环境.
在执行 bazel 编译前必须先运行 configure, 否则编译会失败并提示错误信息. 未来, 我们可能考虑将 configure 步骤包含在编译过程中, 以简化整个过程, 前提是 bazel 能够提供新的特性支持这样。
【注】常见问题
1.GPU 相关问题
如果在尝试运行一个 TensorFlow 程序时出现以下错误:
ImportError: libcudart.so.7.0: cannot open shared object file: No such file or directory
请确认你正确安装了 GPU 支持, 参见相关章节.
2. Linux安装问题
如果出现错误:

...
 "__add__", "__radd__",
             ^
SyntaxError: invalid syntax

解决方案: 确认正在使用的 Python 版本为 Python 2.7.

参考地址：

英文原文
 中文翻译
 官网参考文档地址