Après avoir installé le système ubuntu, nous commencerons le processus d'apprentissage en profondeur. Le premier consiste à configurer le langage python, une variété de frameworks d'apprentissage en profondeur et l'environnement de divers packages d'installation.
Cet article présentera les éléments suivants:
- Installer anaconda dans le système Linux
- Installez tensorflow2.0 dans le système Linux
- Installer pytorch dans le système Linux
- Comparaison simple de pytorch, tensorflow1.0, tensorflow2.0
L'installation de cet article repose sur anaconda (car c'est très simple). Si vous souhaitez installer l'application vous-même, vous pouvez vous référer à cet article: Installer le processus de version CUDA, cuDNN et tensorflow-gpu sous ubuntu16.04
Un, installez anaconda dans le système Linux
1. Téléchargez anaconda depuis le site Web
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-5.2.0-Linux-x86_64.sh
2. Installez anaconda
bash Anaconda3-5.2.0-Linux-x86_64.sh
3. Mettre à jour la source de téléchargement de conda
Entrez ce qui suit dans le terminal:
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
4. Commandes couramment utilisées par Anaconda
conda --version # 获取conda版本号
conda info --envs # 获取当前所有虚拟环境
source activate 【your_env_name】# 进入某个环境
source deactivate # 退出当前环境
conda create --name 【new_env_name 】--clone 【old_env_name】 # 复制某个环境
conda remove --name 【your_env_name 】--all # 删除某个环境
conda list # 查看当前环境中有哪些安装包
Deuxièmement, installez tensorflow2.0 dans le système Linux
1. Installez le pilote graphique nvidia
Avant de commencer à installer tensorflow2.0, nous déterminons d'abord si le système Linux a installé le pilote graphique nvidia.
Je n'entrerai pas dans les détails ici. Le site Web recommandé pour une opération détaillée est le suivant: Installer le pilote de la carte graphique nvidia en mode exécution du système ubuntu16.04
Comment afficher les informations spécifiques du pilote de la carte graphique, veuillez vous référer à un autre article du auteur: Modèle de carte graphique de vue système Linux-ubuntu, informations détaillées Diagramme en échelle graphique
2. Installez tensorflow2.0
1) Utilisez anaconda pour installer tensorflow2.0
Utilisez conda pour créer un environnement virtuel python (-clone est recommandé ici, spyder4.1.2 est recommandé)
conda create --name 【new_env_name 】
La commande pour installer tensorflow2.0 est la suivante ( cette commande installera automatiquement les packages CUDA et cuDNN ):
conda install tensorflow-gpu==2.2.0
2) Téléchargez manuellement le package d'installation tensorflow2.0 et installez-le directement
Utilisez souvent anaconda pour installer tensorflow2.0 car le fichier est volumineux et le téléchargement sera interrompu. À ce stade, il est recommandé de télécharger et d'installer manuellement.
Entrez la commande suivante dans le terminal ubuntu pour afficher les informations de version requises de cuda et cudnn
conda install tensorflow-gpu==2.1.0
Les informations de version et l'adresse de téléchargement requises pour cuda et cudnn sont les suivantes:
entrez les deux liens correspondant à cuda et cudnn, recherchez et téléchargez en fonction du nom du package, et
utilisez la commande conda install pour installer directement cuda et cudnn
conda install --offline cudnn-7.6.5-cuda10.1_0.tar.bz2
conda install --offline cudatoolkit-10.1.243-h6bb024c_0.tar.bz2
L'utilisation de la source Douban pour télécharger tensorflow
a été vérifiée à plusieurs reprises, et cette méthode est rapide, a un taux de réussite élevé et est efficace.
pip install tensorflow-gpu==2.1.0 -i https://pypi.doubanio.com/simple
Utilisez la méthode suivante pour vérifier si le tensorflow installé est la version gpu
Entrez python3l'interface de commande python dans le terminal , entrez la commande suivante, si le résultat renvoyé est True, c'est la version gpu, sinon ce n'est pas le cas.
import tensorflow as tf
tf.test.is_gpu_available()
Le processus spécifique est le suivant:
Après l'installation, le message d'erreur suivant peut apparaître au démarrage de l'éditeur d'espionnage. Vous pouvez cliquer sur le lien ci-dessous pour résoudre le
message d'erreur comme suit:
TypeError: handle_get_file_code() got an unexpected keyword argument ‘save_all‘
Le lien de la solution est le suivant:
https://blog.csdn.net/TFATS/article/details/110424064
Troisièmement, installez pytorch dans le système Linux
1. Installation directe de la commande du site officiel de pytorch
Entrez sur le site officiel de pytorch et téléchargez l'image suivante:
Parce que parfois la vitesse de téléchargement automatique est trop lente, vous pouvez utiliser les méthodes suivantes pour télécharger et installer
2. Installez après le téléchargement sur le site officiel
Ou vous pouvez accéder directement à l'URL de téléchargement pour télécharger https://download.pytorch.org/whl/torch_stable.html .
Selon la commande de téléchargement générée après avoir sélectionné les numéros de version de la torche, python, torchvision et cuda sur le site officiel, recherchez ces deux fichiers de téléchargement et téléchargez-les.
Comme indiqué dans la figure ci-dessous: Le
nom du fichier de téléchargement avec les paramètres est expliqué comme suit:
3. Installez pytorch
Les deux fichiers téléchargés après le téléchargement sont les suivants:
pip install torch-1.6.0+cu101-cp36-cp36m-linux_x86_64.whl
pip install torchvision-0.7.0+cu101-cp36-cp36m-linux_x86_64.whl
Quatrièmement, comparez simplement pytorch, tensorflow1.0, tensorflow2.0
1 ， tensorflow1.0
# 1 + 1/2 + 1/2^2 + 1/2^3 + ... + 1/2^50
import tensorflow as tf
print(tf.__version__)
x = tf.Variable(0.)
y = tf.Variable(1.)
print(x)
print(y)
# x = x + y
add_op = x.assign(x + y)
# y = y / 2
div_op = y.assign(y / 2)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for iteration in range(50):
sess.run(add_op)
sess.run(div_op)
print(x.eval()) # sess.eval(x)
# -----output-------
1.15.0
<tf.Variable 'Variable_12:0' shape=() dtype=float32_ref>
<tf.Variable 'Variable_13:0' shape=() dtype=float32_ref>
2.0
2 ， pytorche
import torch
assert torch.cuda.is_available()
print(torch.__version__)
x = torch.Tensor([0.])
y = torch.Tensor([1.])
for iteration in range(50):
x = x + y
y = y / 2
print(x)
# -----output--------
1.6.0+cu101
tensor([2.])
3 ， tensorflow2.0
import tensorflow as tf
# tf.enable_eager_execution() # tensorflow在1.6版本后添加了此启用动态图机制功能；2.0版本移除了该方法。
tf.compat.v1.enable_eager_execution() # tensorflow在2.0版本后默认自动开启动态图机制功能；手动开启方法如上。
print(tf.__version__)
x = tf.constant(0.)
y = tf.constant(1.)
for iteration in range(50):
x = x + y
y = y / 2
print(x.numpy())
# ------output-------
2.2.0
2.0