今天有网友问怎么安装 TensorFlow,网上有各式各样的教程,有直接 pip 安装的,基于源码编译的,anaconda 安装的,看得人眼花缭乱,目不暇接。
我其实是用了最懒的方法,就是用官方提供的 TensorFlow 集装箱——借助 Docker 来快速搭建 TensorFlow 环境,相比上述方法,有很强的灵活性,例如
-
可以运行在任意支持 Docker 的 OS 上;
-
可以支持 CPU/GPU;
-
可以支持编译环境和运行环境;
-
可以在自己的开发团队实现镜像共享;
下面给出具体的使用步骤,希望能帮到更多读者构建自己的 TensorFlow 环境。
首先确定你的系统是否支持 Docker。
以下系统亲测有效:
-
Ubuntu 14.04-16.04
-
Cent OS 7+
-
Fedora 21+
其次,确定你需要使用哪种环境。TensorFlow 官方提供了以下 4 种镜像:
-
gcr.io/tensorflow/tensorflow 只支持 CPU ,只有运行环境
-
gcr.io/tensorflow/tensorflow:latest-devel 只支持 CPU ,包括运行环境和源码
-
gcr.io/tensorflow/tensorflow:latest-gpu 支持 GPU ,只有运行环境
-
gcr.io/tensorflow/tensorflow:latest-devel-gpu 支持 GPU,包括运行环境和源码
第 1,3 个镜像适合对源码不感兴趣的读者,可以快速搭建一个运行 TensorFlow 的环境;第 2,4 个镜像适合开发人员,可以对源码进行修改以支持更多定制特性。有 GPU 条件的读者可以选择后两个,没有 GPU 条件的读者也不要伤心,能在 CPU 上跑起来也是很 happy 的(^_^)。
笔者本地环境为 Ubuntu 14.04,GPU 为 GTX 1080,安装了 CUDA 8.0。
Docker 在 Ubuntu 14.04 上安装过程比较简单,在终端用 root 权限依次执行以下命令:
注意倒数第二个命令 usermod -aG docker lab,意思是把用户 lab 加入 docker 用户组,这样普通用户 lab 就能使用 Docker 服务了。读者应把 lab 改为自己实际的用户名。
其他 OS 上安装 Docker 的过程稍有不同,读者可以自行搜索解决。
接下来我们 pull 官方镜像。运行命令如下:
$docker pull gcr.io/tensorflow/tensorflow:latest-devel
这里我们 pull 了前面 4 个镜像中的第二个,即只支持 CPU ,包括运行环境和源码的镜像。
同理也可以 pull 支持 GPU,包括运行环境和源码的镜像:
$ docker pull gcr.io/tensorflow/tensorflow:latest-devel-gpu
pull 过程需要保证网络连接顺畅。如果读者 pull 不成功,可以到国内的一些 Docker 镜像站搜索下(貌似只有阿里云),说不定会有更快的镜像源。
pull 完成后,用 docker images 命令查看本地镜像,如下图所示。
这时,可以用 docker run 命令从镜像启动一个实例,并打开 Jupyter Notebook 进行交互式的开发。命令如下:
根据上面的提示,我们可以打开浏览器,输入:
http://[all ip addresses on your system]:8888/?token=06ab054e397986353e7a5d52205f129b09782ef7add57961
这里的 [all ip addresses on your system] 替换为实际的 IP 地址,例如 127.0.0.1(用本机浏览器)或者局域网 IP(用局域网内其他机器的浏览器)。
打开后的效果如下图:
在右侧新建一个 python2 页面:
进入交互式开发环境:
运行一个简单的例程:
TIPS:Jupyter Notebook 中,用 Shift + Enter 执行当前输入内容
小结:今天介绍了如何快速利用 Docker 集装箱搭建 TensorFlow 交互式运行环境,进一步学习资料可以参考 Docker 官网和 TensorFlow 官网教程。
【1】 https://www.docker.com/
【2】 https://www.tensorflow.org
微信扫描下面二维码关注此公众号!