tensorflow

admin管理员组

文章数量:1530975

tensorflow

文章目录

• 简介
• 一、虚拟环境
• 二、安装 TensorFlow-GPU（最新）版本
• 三、安装 TensorFlow-GPU（指定）版本
• 四、打印信息
• • 4.1、检查当前TensorFlow版本号
  • 4.2、检查当前TensorFlow是否支持GPU
  • 4.3、检查当前PyTorch是否支持GPU
  • 4.4、选择TensorFlow-GPU设备（若TensorFlow-GPU存在，则默认使用GPU）
  • • 方法一：使用环境变量来选择设备
    • 方法二：在代码中选择设备

简介

TensorFlow（中文名：张量流）是一个由Google开发的开源机器学习框架，广泛用于深度学习和机器学习任务。

以下是 TensorFlow 的一些关键特点和简介：

• 灵活性和可扩展性：提供了一个灵活的计算图模型，允许你定义和执行各种复杂的数学运算和机器学习模型。这种灵活性使其非常适合各种机器学习任务。
• 深度学习支持：内置了用于深度学习预训练模型，包括卷积神经网络（CNNs）、循环神经网络（RNNs）、自动编码器等。它还支持构建和训练深度神经网络模型。
• 自动求导：支持自动计算梯度，这对于训练机器学习模型的反向传播算法非常重要。这使得梯度下降等优化算法的实现更加容易。
• 多平台支持：支持多种硬件和平台，包括CPU、GPU和TPU（Tensor Processing Unit）。这使得你可以在各种设备上运行训练好的模型。
• 开放源代码： TensorFlow是一个开源框架，这意味着你可以自由使用、修改和分发它，而且有一个庞大的社区支持。
• 丰富的生态系统： TensorFlow拥有庞大的生态系统，包括高级API（如Keras）、工具（如TensorBoard用于可视化）、模型仓库（如TensorFlow Hub），以及大量的扩展库和插件。
• 广泛应用： TensorFlow广泛用于各种领域，包括图像识别、自然语言处理、语音识别、强化学习等。它在学术界和工业界都得到了广泛应用。
• TensorFlow的2.x版本引入了许多改进，使其更加易用和直观。Keras曾经是一个独立的深度学习框架，而TensorFlow 2.x版本将Keras整合成为了TensorFlow的一个官方高级API。

在 TensorFlow 2.x 版本中，内置了一个高级的 Keras API，可以直接使用 TensorFlow 来访问 Keras 的功能，而不需要额外安装 Keras。
import tensorflow as tf
from tensorflow import keras

一、虚拟环境

虚拟环境是一个隔离的工作空间，用于管理和维护不同Python项目的依赖关系，以确保项目之间不会相互干扰。它提供了一种有效的方式来隔离不同项目的Python包和依赖，使项目更可维护和可移植。
【Python虚拟环境】创建 + 激活 + 查看 + 退出 + 复制 + 删除

二、安装 TensorFlow-GPU（最新）版本

在同一台计算机上同时安装TensorFlow的CPU版本和GPU版本（但不建议）。

• 安装 TensorFlow CPU 版本：pip install tensorflow
• 安装 TensorFlow GPU 版本：conda install tensorflow-gpu

备注：相对于cpu一键安装到底，tensorflow-gpu安装较为复杂。首先是使用pip无法成功，然后使用conda可以安装，但耗时长且大概率会因为网络问题而安装失败。

三、安装 TensorFlow-GPU（指定）版本

🧀tensorflow官网
（1）🧀tensorflow-gpu与python版本对应关系
（2）🧀tensorflow-gpu轮子下载
（3）🧀tensorflow-gpu轮子安装：pip install tensorflow_gpu-1.15.0-cp36-cp36m-win_amd64.whl

• 备注1：使用pip安装Python轮子（.whl文件）是不需要联网的，因为轮子文件已经包含了所需的依赖关系，并且可以在离线环境中使用。
• 备注2：若是翻墙状态无法安装。提示：网络设置或SSL配置问题。

四、打印信息

4.1、检查当前TensorFlow版本号

import tensorflow as tfprint("TensorFlow 版本:", tf.__version__)
# 若未安装：ModuleNotFoundError: No module named 'tensorflow'

4.2、检查当前TensorFlow是否支持GPU

import tensorflow as tfif tf.test.is_gpu_available():print("GPU is available")
else:print("GPU is not available, using CPU")

4.3、检查当前PyTorch是否支持GPU

import torchif torch.cuda.is_available():print("GPU is available")
else:print("GPU is not available, using CPU")

4.4、选择TensorFlow-GPU设备（若TensorFlow-GPU存在，则默认使用GPU）

如果不设置CUDA_VISIBLE_DEVICES环境变量：
（1）若GPU版本存在TensorFlow将默认使用GPU
（2）否则TensorFlow会自动切换到CPU。

方法一：使用环境变量来选择设备

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '-1'  # 运行CPU版本
os.environ['CUDA_VISIBLE_DEVICES'] = '0'  # 运行GPU版本
# 使用 GPU 0，你可以根据自己的GPU编号设置

方法二：在代码中选择设备

import tensorflow as tf
physical_devices = tf.config.experimental.list_physical_devices('GPU')
if len(physical_devices) > 0:tf.config.experimental.set_memory_growth(physical_devices[0], True)

本文标签： tensorflow