[深度学习]TensorFlow安装

virtualenv 可以用来建立一个专属于项目的python环境,保持一个干净的环境。只需要通过命令创建一个虚拟环境,不用的时候通过命令退出,删除。实践证明用虚拟环境能避免很多糟心的事。

下面介绍一下安装方法:

安装 virtualenv;

安装 virtualenvwrapper;

安装 Numpy,Scipy,Matplotlib 等Python科学计算的库;

1.安装 virtualenv

$ sudo pip install virtualenv

然后建立一个测试目录:

$ mkdir testvirtual

$ cd testvirtual

就可以成功创建一个虚拟环境 env1:

$ virtualenv env1

进入env1:

source env1/bin/activate

退出:

deactivate

2.安装 virtualenvwrapper

Virtaulenvwrapper是virtualenv的扩展包,可以更方便地新增,删除,复制,切换虚拟环境。

运行下面命令就安装成功了,默认安装在 /usr/local/bin下面:

$ sudo easy_install virtualenvwrapper

接下来创建一个文件夹,用来存放所有的虚拟环境:

$ mkdir ~/workspaces

$ cd ~/workspaces

但是在使用virtualenvwrapper之前,要运行virtualenvwrapper.sh文件,需要设置环境变量,vim ~/.bashrc打开配置文件,把下面两行代码加上,但是mac比较特殊直接写不管用。

export WORKON_HOME=~/workspaces

source /usr/local/bin/virtualenvwrapper.sh

因为unix下当shell是login shell,.bash_profile才加载,而.bashrc相反。 Linux下,打开终端terminal是non-login shell。 OSX下,运行Terminal.app是一个login shell,所以.bash_profile会加载,而bashrc不会加载。

直接在命令行写也可以,但是每次启动shell都要手动输入很麻烦,下面是解决方法是 vim ~/.bash_profile打开配置文件把下面代码加上:

if [ “${BASH-no}” != “no” ]; then

? [ -r ~/.bashrc ] && . ~/.bashrc

fi

接下来,创建一个或者多个虚拟环境 env1,env2:

$ mkvirtualenv env1

成功后,当前路径前面就会有 (env1)

$ mkvirtualenv env2

下面是一些基本操作命令

列出虚拟环境:

$ lsvirtualenv -b

env1

env2

切换虚拟环境:

$ workon env1

查看环境里安装了哪些包:

$ lssitepackages

进入当前环境:

$ cdvirtualenv

进入当前环境的site-packages:

$ cdsitepackages

$ cdsitepackages pip

复制虚拟环境:

$ cpvirtualenv env1 env3

Copying env1 as env3…

退出虚拟环境:

$ deactivate

删除虚拟环境:

$ rmvirtualenv env2

Removing env2…

3.安装 Numpy,Scipy,Matplotlib 等

接下来安装Python的各种包,就比较顺畅了,比如安在env1上:

$ workon env1

安装numpy pip install numpy

我没安装成功,然后下载后本地安装的:

pip install /Users/Angela/Downloads/numpy-1.11.2-cp27-cp27m-macosx_10_6_intel.macosx_10_9_intel.macosx_10_9_x86_64.macosx_10_10_intel.macosx_10_10_x86_64.whl

最好都本地安装,大多直接安装不成功。如果在线安装超时,可以建个文件:

mkdir ~/.pip
vim ~/.pip/pip.conf

内容如下,设置超时时间和指定源:

[global]
timeout = 6000
index-url = http://e.pypi.python.org/simple
[install]
use-mirrors = true
mirrors = http://e.pypi.python.org

安装scipy $ pip install scipy

安装matplotlib $ pip install matplotlib

安装ipython $ pip install ipython[all]

安装pandas $ pip install pandas

安装Statsmodel $ pip install statsmodel

安装scikit-learn $ pip install scikit-learn

按照顺序全部安装成功,后续就可以在虚拟环境上做分析了。



以后每次进入虚拟环境就执行如下代码即可:

$ workon env1
$ cdvirtualenv

退出虚拟环境就用

$ deactivate

4.virtualenv自带pip,如果不用虚拟环境也行。

安装pip方法如下: pip是常用的Python包管理工具,类似于Java的maven。用python的同学,都离不开pip。 在新mac中想用home-brew安装pip时,遇到了一些小问题:


bogon:~ wanglei$ brew install pip
Error: No available formula with the name "pip"
Homebrew provides pip via: `brew install python`. However you will then
have two Pythons installed on your Mac, so alternatively you can install
pip via the instructions at:

  https://pip.readthedocs.org/en/stable/installing/#install-pip

由此可见,在home-brew中,pip的安装是跟python一起的。

换种方式:


bogon:~ wanglei$ sudo easy_install pip
Password:
Searching for pip
Reading https://pypi.python.org/simple/pip/
...

稍等片刻,pip就安装完毕

5.安装TensorFlow

下载tensorflow(可以百度网盘直接下载,避免FQ)。 网盘地址:tensorflow下载

一些依赖包如果安装不顺畅,可以去pypi.python.org直接下载,比如numpy我没安装上,下载包后本地安装上了。

直接安装依赖包会遇到很多坑,比如和现有版本冲突等安装失败。可以安装virtualenv来隔离环境,会自动安装six-1.10等很多依赖包,之后就可以安装Numpy、Scipy、Matplotlib 等库。

最后,装完后安装tensorflow

pip install /Users/Angela/Downloads/TensorFlow/mac/tensorflow-0.5.0-py2-none-any.whl

我下载的TensorFlow文件放在/Users/Angela/Downloads/目录’下了。

原文地址:https://www.cnblogs.com/AndrewYin/p/9202581.html

时间: 2024-09-30 03:35:17

[深度学习]TensorFlow安装的相关文章

深度学习TensorFlow如何使用多GPU并行模式?

TensorFlow可以用单个GPU,加速深度学习模型的训练过程,但要利用更多的GPU或者机器,需要了解如何并行化地训练深度学习模型. 常用的并行化深度学习模型训练方式有两种:同步模式和异步模式. 下面将介绍这两种模式的工作方式及其优劣. 如下图,深度学习模型的训练是一个迭代的过程. 在每一轮迭代中,前向传播算法会根据当前参数的取值,计算出在一小部分训练数据上的预测值,然后反向传播算法,再根据损失函数计算参数的梯度并更新参数. 异步模式的训练流程图 在并行化地训练深度学习模型时,不同设备(GPU

吴裕雄--天生自然 神经网络人工智能项目:基于深度学习TensorFlow框架的图像分类与目标跟踪报告(续一)

1.3 项目计划 第一周:深入学习和了解神经网络的工作原理,学习卷积的相关理论. 第二周:使用python的TensorFlow库,编写神经网络深度学习代码,搭建神经网络层,并且了解其工作原理和相关的计算.相关参数的传递等,到htttps://www.kaggle.com/moltean/fruits下载fruits压缩包,对数据进行初步的处理. 第三周:使用TensorFlow搭建卷积神经网络,采用训练集数据对测试集数据进行预测:完成数据可视化,显示每个文件夹中第5张图片.使用Tensorbo

Ubuntu16.04下安装配置numpy,scipy,matplotlibm,pandas 以及sklearn+深度学习tensorflow配置(非Anaconda环境)

1.ubuntu镜像源准备(防止下载过慢): 参考博文:http://www.cnblogs.com/top5/archive/2009/10/07/1578815.html 步骤如下: 首先,备份一下ubuntu 12.10 原来的源地址列表文件 sudo cp /etc/apt/sources.list /etc/apt/sources.list.old 然后进行修改  sudo gedit /etc/apt/sources.list 可以在里面添加资源地址,直接覆盖掉原来的. 2.使用ap

1.深度学习之安装教程

在centos5下安装TensorFlow. 步骤: 1.安装python3.5 2.安装pip3,同时建立软链接. 3.安装TensorFlow,pip install --upgrade tensorflow 出现问题: 1./lib64/libc.so.6:version GLIBC_2.14not found 解决办法:

基于scikitlearn的深度学习环境安装(三)(完整版)

OS Linux  Ubuntu14.04 安装 pip (python2.7.9或以上自带pip) sudo apt-get install python-pip pip是python环境下安装包的总的管理工具 相对于easy install使用更加的方便一些 尝试安装scikit-neuralnetwork  需要theano  scipy  numpy sudo  pip install scikit-neuralnetwork(出现错误  无法编译 先尝试下面一步) sudo apt-g

深度学习--torch安装

一.查看cuda及cudnn版本 cat /usr/local/cuda/version.txt cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 二.官网链接 http://pytorch.org/ 支持三种安装方式,conda,pip 以及source

<深度学习>Tensorflow遇到的坑之一

AttributeError: module 'tensorflow' has no attribute 'random_normal' AttributeError: module 'tensorflow' has no attribute 'Session' 查了很多,发现是tensorflow2.0不支持session了,之前试了 sess = tf.compat.v1.Session() 这句无效. with tf.compat.v1.Session() as ses: # Build

算法工程师耗尽心血终成TensorFlow深度学习应用实践,值得一学!

本篇总的指导思想是在掌握深度学习的基本知识和特性的基础上,培养使用TensorFlow进行实际编程以解决图像处理相关问题的能力.全篇力求深入浅出,通过通俗易懂的语言和详细的程序分析,介绍TensorFlow的基本用法.高级模型设计和对应的程序编写. 本篇强调理论联系实际,重点介绍TensorFlow编程解决图像识别的应用,提供了大量数据集,并以代码的形式实现了深度学习模型,以供读者参考. 本篇可作为学习人工神经网络.深度学习TensorFlow 程序设计以及图像处理等相关内容的程序设计人员学习.

深度学习中的数据增强技术(二)

上篇文章介绍了深度学习中数据增强技术的应用,及部分TensorFlow实现代码.废话不说了,这篇接着介绍: TensorFlow实现图片数据增强 注:类似的方法放在了代码中注释的部分,实际调试时可以分别打开运行 ③图像色彩调整 import matplotlib.pyplot as plt import tensorflow as tf # 读取图片 image_data = tf.gfile.FastGFile("data/dog3.jpg", 'br').read() # 4中调整