tensorflow1.x版本(CPU) 安装

最新推荐文章于 2023-05-20 21:20:59 发布
最新推荐文章于 2023-05-20 21:20:59 发布
阅读量4.9k 收藏 9
点赞数
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Brielle_Zhang/article/details/104307421
版权

目前最新的tensorflow版本为2.1.0，默认安装时会安装最新版本，但是有些程序不适合在2.x版本下运行
以下是安装tensorflow1.15.0（CPU）版本的代码

pip install tensorflow==1.15.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
派大星的好朋友叮当猫
关注
  • 0
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
专栏目录
【超全超详细】pytorch和TensorFlow（CPU和GPU版）以及CUDA与cuDNN安装教程
elephant_my的博客
11-22 3591
pytorch和TensorFlow（CPU和GPU版）以及CUDA和cuDNN的安装教程，还有血泪踩坑史
pycharm安装xlrd失败_tensorflow吐血安装—anaconda+tensorflow+pycharm安装（一）
weixin_39614834的博客
10-24 382
我的基本情况： 先汇报我电脑的情况:Win10系统+已下载的3.8版本的python+已安装pycharm 我的安装目标：anaconda安装+tensorflow（cpu）+pycharm/spyde正常引包anaconda下载及tensorflow环境创建1.官网下载anaconda Python 3.7 version —64-Bit Graphical Installer (462 M...
记录：tensorflow1.15安装，object_detection安装以及运行例程
qq_45128278的博客
06-01 1893
使用到的环境： tensorflow1.15 cpu版本 protoc 3.4.0版本 python3.7 基本流程： https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/installation.md 这个网址下面有一些要安装的模块，根据它安装就行了。 要强调一下的有： pycocotools的安装： 1.pip install pycocotools 很容易失败，反正我失败了好几次。 2.pip
TensorFlow-2.x教程：TensorFlow 2.x版本的教程和示例，包括CNN，RNN，GAN，自动编码器，FasterRCNN，GPT，BERT示例等。TF 2.0版入门实例代码，实战教程
02-03
TensorFlow 2.0教程 我们的回购。 是的赢家 。 时间线： 2019年10月1日：TensorFlow 2.0稳定！ 2019年8月24日： 2019年6月8日： 2019年3月7日： 2019年1月11日： 2018年8月14日： 安装 确保您使用的是python3.x。 CPU安装 pip install tensorflow - U GPU安装 自己安装CUDA 10.0 （或cudnn ）和cudnn 。 并设置LD_LIBRARY_PATH 。 pip install tensorflow - gpu - U 测试安装： In [ 2 ]: import tensorflow as tf In [ 3 ]: tf . __version__ Out [ 3 ]: '2.0.0' In [ 4 ]: tf . test . is_gpu_available () ... totalMemory : 3.95 GiB freeMemory : 3.00 GiB ... Out [ 4 ]: True 配套TF2视频教程 TensorFl
tensorflow1.10.0-cp36（win-cpu版）
08-11
Windows非GPU版 1、下载tensorflow-1.10.0-cp36-cp36m-win_amd64.whl至桌面 2、打开anaconda prompt：cd Desktop 转到桌面后：pip install tensorflow-1.10.0-cp36-cp36m-win_amd64.whl 3、进行安装，自动下载其他相关项 更多tensorflow版本可供下载
win10+python3.6+tensorflow1.15.0-cpu安装（秃头安装完毕）
最新发布
hemuzhiji的博客
05-20 1403
确认要装的版本号，本文为python3.6安装好后。
离线安装tensorflow，tensorflow-gpu1.15.0依赖库
Eros1onAqua的博客
08-05 3643
离线安装tensorflow教程，罗列tensorflow-gpu1.15.0的依赖库版本
tensorflow基础学习-anaconda方式安装tensorflow（gpu-1.15.0版本）
热门推荐
小夭的博客
11-01 1万+
前言 关于anaconda方式安装tensorflow(cpu版本)之前已经有博客写过了。这一次更新一下anaconda方式安装tensorflow（gpu版本），他们的区别在于TensorFlow-gpu版对安装的要求要高些，需要NVIDIA的驱动及CUDA工具支持。 1、关于CPU、GPU、CUDA、cuDNN的理解 关于这一块，我刚刚入门，就直接引入了别人写好的理解关于CPU、GPU、CUDA、cuDNN的理解 gpu与cpu GPU（图像处理器，Graphics Processing Unit）和
tensorflow1.14.0代码适配tensorflow2.5.0遇到的坑
u010483897的博客
10-28 755
最后推理，代码应该是没问题，流程本地也都多次测试，也没问题，从影响面来看，不只是当前任务进程卡住，也影响到了有同样加载预训练模型的其他模块流程，那应该是共用的某些部分产生了影响。在测试环境运行时，上述代码在tf2.5.0环境下，是正常运行的。但是到线上环境，和其他相关服务部署到一起后，就不行。奇怪的是，在容器内部的python环境中，逐行执行上面加载预训练模型操作，是可以正常执行的。故针对当前代码，重新适配tf2，把session和graph相关的都直接删除。各种排查，无果，也没任何报错。
[Windows+Tensorflow1.15.0搭建属于自己的物体识别环境]
weixin_41923467的博客
11-17 1944
windows+Tensorflow1.15.0
TensorFlow-2.x-YOLOv3:TensorFlow 2.3.1中的YOLOv3实现
03-19
TensorFlow-2.x-YOLOv3和YOLOv4教程 TensorFlow 2.x中的YOLOv3和YOLOv4实现，并支持训练，传递训练，对象跟踪mAP等...代码已通过以下规格测试： i7-7700k CPU和Nvidia 1080TI GPU 操作系统Ubuntu 18.04 CUDA 10.1 cuDNN v7.6.5 TensorRT-6.0.1.5 Tensorflow-GPU 2.3.1 代码已在Ubuntu和Windows 10上进行了测试（不正式支持TensorRT） 使用2.4.0 TensorFlow-不起作用！ 安装 首先，克隆或下载此GitHub存储库。安装要求并下载预训练的砝码： pip install -r ./requirements.txt # yolov3 wget -P model_data https://pjreddie.com
tf-explain：使用Tensorflow 2.x的tf.keras模型的可解释性方法
02-04
tf-解释 tf-explain将可解释性方法实现为Tensorflow 2.x回调，以简化神经网络的理解。 参见 文档： : 安装 tf-explain可作为Alpha版本在PyPi上使用。 要安装它： virtualenv venv -p python3.6 pip install tf-explain tf-explain与Tensorflow 2.x兼容。 未声明为依赖项，可以让您在完整和独立CPU版本之间进行选择。 除先前的安装外，请运行： # For CPU or GPU pip install tensorflow==2.2.0 Opencv也是一个依赖项。 要安装
源码+书TensorFlow 1.x Deep Learning Cookbook
07-29
In this book, you will learn how to efficiently use TensorFlow, Google's open source framework for deep learning. You will implement different deep learning networks such as Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), Deep Q-learning Networks (DQNs), and Generative Adversarial Networks (GANs) with easy to follow independent recipes. Take the next step in implementing various common and not-so-common neural networks with Tensorflow 1.x About This Book Skill up and implement tricky neural networks using Google's TensorFlow 1.x An easy-to-follow guide that lets you explore reinforcement learning, GANs, autoencoders, multilayer perceptrons and more. Hands-on recipes to work with Tensorflow on desktop, mobile, and cloud environment Who This Book Is For This book is intended for data analysts, data scientists, machine learning practitioners and deep learning enthusiasts who want to perform deep learning tasks on a regular basis and are looking for a handy guide they can refer to. People who are slightly familiar with neural networks, and now want to gain expertise in working with different types of neural networks and datasets, will find this book quite useful. What You Will Learn Install TensorFlow and use it for CPU and GPU operations Implement DNNs and apply them to solve different AI-driven problems. Leverage different data sets such as MNIST, CIFAR-10, and Youtube8m with TensorFlow and learn how to access and use them in your code. Use TensorBoard to understand neural network architectures, optimize the learning process, and peek inside the neural network black box. Use different regression techniques for prediction and classification problems Build single and multilayer perceptrons in TensorFlow Implement CNN and RNN in TensorFlow, and use it to solve real-world use cases. Learn how restricted Boltzmann Machines can be used to recommend movies. Understand the implementation of Autoencoders and deep belief networks, and use them for emotion detection. Master the different reinforcement learning methods to implement game playing agents. GANs and their implementation using TensorFlow. In Detail Deep neural networks (DNNs) have achieved a lot of success in the field of computer vision, speech recognition, and natural language processing. The entire world is filled with excitement about how deep networks are revolutionizing artificial intelligence. This exciting recipe-based guide will take you from the realm of DNN theory to implementing them practically to solve the real-life problems in artificial intelligence domain. In this book, you will learn how to efficiently use TensorFlow, Google's open source framework for deep learning. You will implement different deep learning networks such as Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), Deep Q-learnin... Read more...
StyleGAN2-TensorFlow-2.x:使用TensorFlow 2.x非官方实现StyleGAN2
04-22
来自Nvidia的官方论文： : 使用TensorFlow 1.x的官方仓库： : 额外功能 支持TensorFlow自定义操作 支持CPU使用率 Conv2D op当前不支持CPU上的分组卷积。 因此，使用CPU运行时，批处理大小应为1。 手动将网络参数...
linux 安装yum 安装php
qq_41221841的博客
09-08 2868
#安装yum sudo apt-get update apt-get install lrzsz apt install yum apt-get install php7.0 libapache2-mod-php7.0
【TensorFlow1.X】系列学习笔记【环境搭建】
yangyu0515的博客
03-23 1792
【TensorFlow1.X】系列学习笔记【环境搭建】
Tensorflow(1.15.0)卷积操作
weixin_45394002的博客
05-17 383
#-*- codeing = utf-8 -*- #@Time :2021/5/17 10:33 #@Author :Onion #@File :Convolution.py #@Software :PyCharm # 卷积神经网络Demo # 步骤 # 1：定义输入变量 # 2：定义卷积核变量 # 3：定义卷积操作 # 4：运行卷积操作 import tensorflow as tf tf.compat.v1.disable_eager_execution() tf.compat.v1.disable
深入tensorflow1.x
real_ilin的博客
02-06 1877
目前所有的算法是基于1.12版本的tensorflow的实现，所以有必要学习一下1.x版本的tensorflow。 一、tensorflow 安装 基于tensorflow 1.4及以上 tensorflow的两个重要的依赖包： protocol buffer：谷歌开发的结构化数据处理工具，例如json，xml等。 主要的功能是把结构化的数据序列化进行网络传输或存储，然后把序列化的数据再反序列...
TensorFlow 1.0 CPU版 安装及学习
shine88818的博客
04-17 1123
TensorFlow 1.0 安装
tensorflow2.x 训练越来越慢
04-30
1. 使用GPU进行训练，GPU的并行计算能力比CPU更强，可以大大加快训练速度。 2. 调整批量大小，如果批量大小设置过小，会导致训练速度变慢，可以适当增大批量大小。 3. 优化模型结构，一些复杂的模型结构可能会导致...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值