利用 TensorFlow 集装箱快速搭建交互式开发环境——转自慢慢学TensorFlow 微信公众号

最新推荐文章于 2019-04-25 22:18:00 发布

dxmkkk

最新推荐文章于 2019-04-25 22:18:00 发布

阅读量1.8k

点赞数

文章标签：慢慢学TensorFlow

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

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：

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：

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！

关注