conda安装tensorflow

已于 2022-03-15 21:01:02 修改
阅读量1.4w 收藏 15
点赞数
文章标签： tensorflow 深度学习
于 2020-12-06 10:45:53 首次发布
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/pocean2012/article/details/110731712
版权

conda安装会自动检查依赖库和版本冲突，在tensorflow安装中尝试一下。

1. 首先，安装conda工具，anconda太重，可以安装miniconda

链接 Installing on Linux — conda 4.12.0.post6+e7012690 documentation

下载最新的 .sh文件，就可以运行安装了， 注意64位。

2. 安装完成后，默认是python3.8，所以可能需要管理多个虚拟环境

常见命令

2.conda常用的命令

1）查看安装了哪些包

conda list

2)查看当前存在哪些虚拟环境

conda env list 
conda info -e

3)检查更新当前conda

conda update conda

3.Python创建虚拟环境

conda create -n your_env_name python=x.x

anaconda命令创建python版本为x.x，名字为your_env_name的虚拟环境。your_env_name文件可以在Anaconda安装目录envs文件下找到。

4.激活或者切换虚拟环境

打开命令行，输入python --version检查当前 python 版本。

Linux:  source activate your_env_nam
Windows: activate your_env_name

5.对虚拟环境中安装额外的包

conda install -n your_env_name [package]

6.关闭虚拟环境(即从当前环境退出返回使用PATH环境中的默认python版本)

deactivate env_name
或者`activate root`切回root环境
Linux下：source deactivate

7.删除虚拟环境

conda remove -n your_env_name --all

8.删除环境钟的某个包

conda remove --name $your_env_name  $package_name

8、设置国内镜像

http://Anaconda.org的服务器在国外，安装多个packages时，conda下载的速度经常很慢。清华TUNA镜像源有Anaconda仓库的镜像，将其加入conda的配置即可：

# 添加Anaconda的TUNA镜像

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

# TUNA的help中镜像地址加有引号，需要去掉

# 设置搜索时显示通道地址

conda config --set show_channel_urls yes

9、恢复默认镜像

conda config --remove-key channels

安装tensorflow

验证GPU正确安装

>>> import tensorflow
>>> import tensorflow as tf
>>> tf.__version__
'2.2.0'
>>> print(tf.test.is_gpu_available())
WARNING:tensorflow:From <stdin>:1: is_gpu_available (from tensorflow.python.framework.test_util) is deprecated and will be removed in a future version.
Instructions for updating:
Use `tf.config.list_physical_devices('GPU')` instead.
2020-12-06 10:43:26.108332: I tensorflow/core/platform/cpu_feature_guard.cc:143] Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX AVX2 FMA
2020-12-06 10:43:26.135734: I tensorflow/core/platform/profile_utils/cpu_utils.cc:102] CPU Frequency: 2599990000 Hz
2020-12-06 10:43:26.136128: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x563b0662e970 initialized for platform Host (this does not guarantee that XLA will be used). Devices:
2020-12-06 10:43:26.136145: I tensorflow/compiler/xla/service/service.cc:176]   StreamExecutor device (0): Host, Default Version
2020-12-06 10:43:26.143076: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcuda.so.1
2020-12-06 10:43:26.158243: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:981] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2020-12-06 10:43:26.158536: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1561] Found device 0 with properties:
pciBusID: 0000:01:00.0 name: GeForce GTX 1660 Ti computeCapability: 7.5
coreClock: 1.59GHz coreCount: 24 deviceMemorySize: 5.80GiB deviceMemoryBandwidth: 268.26GiB/s
2020-12-06 10:43:26.158685: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcudart.so.10.1
2020-12-06 10:43:26.159938: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcublas.so.10
2020-12-06 10:43:26.161054: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcufft.so.10
2020-12-06 10:43:26.161250: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcurand.so.10
2020-12-06 10:43:26.162503: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcusolver.so.10
2020-12-06 10:43:26.163365: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcusparse.so.10
2020-12-06 10:43:26.166072: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcudnn.so.7
2020-12-06 10:43:26.166153: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:981] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2020-12-06 10:43:26.166463: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:981] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2020-12-06 10:43:26.166713: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1703] Adding visible gpu devices: 0
2020-12-06 10:43:26.166740: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcudart.so.10.1
2020-12-06 10:43:26.230760: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1102] Device interconnect StreamExecutor with strength 1 edge matrix:
2020-12-06 10:43:26.230791: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1108]      0
2020-12-06 10:43:26.230799: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1121] 0:   N
2020-12-06 10:43:26.230963: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:981] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2020-12-06 10:43:26.231265: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:981] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2020-12-06 10:43:26.231517: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:981] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2020-12-06 10:43:26.231817: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1247] Created TensorFlow device (/device:GPU:0 with 5058 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1660 Ti, pci bus id: 0000:01:00.0, compute capability: 7.5)
2020-12-06 10:43:26.233295: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x563b07f1e220 initialized for platform CUDA (this does not guarantee that XLA will be used). Devices:
2020-12-06 10:43:26.233307: I tensorflow/compiler/xla/service/service.cc:176]   StreamExecutor device (0): GeForce GTX 1660 Ti, Compute Capability 7.5
True
>>> tf.config.list_physical_devices('GPU')
2020-12-06 10:44:00.341738: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:981] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2020-12-06 10:44:00.342919: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1561] Found device 0 with properties:
pciBusID: 0000:01:00.0 name: GeForce GTX 1660 Ti computeCapability: 7.5
coreClock: 1.59GHz coreCount: 24 deviceMemorySize: 5.80GiB deviceMemoryBandwidth: 268.26GiB/s
2020-12-06 10:44:00.343016: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcudart.so.10.1
2020-12-06 10:44:00.343065: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcublas.so.10
2020-12-06 10:44:00.343109: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcufft.so.10
2020-12-06 10:44:00.343151: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcurand.so.10
2020-12-06 10:44:00.343193: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcusolver.so.10
2020-12-06 10:44:00.343235: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcusparse.so.10
2020-12-06 10:44:00.343279: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library libcudnn.so.7
2020-12-06 10:44:00.343442: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:981] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2020-12-06 10:44:00.344645: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:981] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2020-12-06 10:44:00.345707: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1703] Adding visible gpu devices: 0
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
>>>


注意，其实很多文档提到的测试方法其实已经过时了

WARNING:tensorflow:From <stdin>:1: is_gpu_available (from tensorflow.python.framework.test_util) is deprecated and will be removed in a future version.
Instructions for updating:
Use `tf.config.list_physical_devices('GPU')` instead.

conda安装Tensorflow2.9的GPU版本
冲出仁川，走出马德里，故事还会再继续
09-17 1743
有的API只有高版本的tensorflow有，所以这里再装个tensorflow2.9，我看了下，官网最新版本是2.10anaconda这个环境隔离机制有点类似于docker，用起来太爽了。每次换环境都要查下别人文章，太麻烦了，自己装个，方便后续查看。
anaconda+tensorflow安装完整步骤【亲测可用】_anaconda安装tensorflow
qq_67344578的博客
04-15 1万+
Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。
Python机器学习——Anaconda+tensorflow（gpu）安装步骤和常见问题
APguantou的博客
04-17 2593
本人大数据专业，最近在学习机器学习，想用自己的电脑跑程序，因此想研究一下tenforflow的使用。
Conda环境安装TensorFlow步骤
最新发布
zhishidi的博客
04-01 776
通过以上步骤，你应该能够在Conda环境中成功安装并运行TensorFlow。如果遇到问题，建议优先使用。确保你的NVIDIA显卡支持CUDA并已安装驱动。以下是在Conda环境下安装TensorFlow的详细步骤，分为。请根据你的硬件需求选择对应的安装方法。安装最新版本，并检查CUDA环境配置。
使用conda安装tensorflow
dyyay520的博客
03-22 2830
建议在安装之前先确认下面链接中Python的版本以及其对应的tensorflow、CUDA、cuDNN对应的版本。
使用Conda管理python环境
迪迦 • 奥特曼
02-15 579
conda常用的命令 1）查看安装了哪些包 conda list 2)查看当前存在哪些虚拟环境 conda env list conda info -e 3)检查更新当前conda conda update conda 3.Python创建虚拟环境 conda create -n your_env_name python=x.x conda命令创建python版本为x.x，名字为your_env_name的虚拟环境。your_env_name文件可以在Anaconda安装目录envs文件下找到。
conda 安装tensorflow一些命令
shejiannan的专栏
09-14 1090
第一次安装环境的时候创建，如果有直接第3步，n后边的tensor_py3.7 为虚拟环境名称，可根据自己情况起名，将新的channel添加到您的Conda配置中，以便可以从这个channel下载软件包。该channel是Anaconda的官方channel，包含了大量的常用软件包。删除虚拟环境（如果环境没有问题，不用删除，我因为开始装的3.12版本，不匹配，Conda Forge是社区维护的channel，提供了众多开源软件包。如果您使用R语言，可以添加R channel以获取相关的软件包。
使用conda安装tensorflow~
m0_66382405的博客
02-29 815
安装tensorflow时可能会遇到与python或cuda版本不兼容的情形，亲测py3.8+ cuda 11.3.1+cudnn8.6+tf 2.9.0 可行，因此在创建新的虚拟环境时注意指定python版本。
用 conda 安装 tensorflow-gpu
Joe_Hall_Lee的博客
06-25 733
后来发现这样直接不安装其他依赖也会有问题，因为很多库如果不安装别的依赖是用不了的，手动安装所有需要的依赖又太麻烦。于是换了一种方法，写一个 constraints.txt 文件作为约束，在安装其他库的时候就不会改变约束文件中库的版本了，我的约束文件目前有这些库。最近遇到了安装 TensorFlow 但无法识别 GPU 的问题，折腾了半天终于安装成功，总结一下安装步骤，前提是电脑里已经有 CUDA 了。每台电脑的环境都不一样，这种方法只针对此时此刻我的电脑有用，记录一下。然后再安装想装的库，比如这样。
Conda安装tensorflow【Linux系统】
u013747061的博客
01-05 784
最近要用到tensorflow，所以记录一下安装过程。之前在Windows系统上安装过pytorch还是啥，但是记得安装过程非常艰辛，虽然装好了，但是稀里糊涂的。这次记录一下在Linux系统安装TensorFlow的过程。系统：Unbuntu 20.04python版本：3.8。
【Conda】【TensorFlow】创建环境，安装TensorFlow 2.0
12-21
1 conda create -n TF_2C python=3.6 2 activate TF_2C 3 pip install tensorflow==2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple   4 测试 输出TensorFlow版本：print(tf.__version__)   5 安装其他 ...
conda 安装 tensorflow
nyist_yangguang的博客
04-12 253
指定版本可以如下： 如果报错，比如版本问题，可以试试 conda install tensorflow-gpu 该命令会指定安装当前python对应版本的tensorflow
如何用conda安装tensorflow（windows，GPU，Tensorflow），最全Tensorflow安装教程（亲测有效，可安任意版本，包括1.多版本和2.多版本）
qq_51800276的博客
03-07 1万+
能安装几乎所有的Tensorflow版本，同时不会影响主环境。
anconda安装TensorFlow-gpu
m0_67703479的博客
06-21 1560
安装适合的 TensorFlow GPU 版本，选择与之兼容的 CUDA 和 cuDNN 版本。
Conda命令 + 安装tensorflow
热门推荐
ytusdc的博客
08-18 8万+
什么是 conda ？ conda 是开源包（packages）和虚拟环境（environment）的管理系统。 **packages 管理：**可以使用 conda 来安装、更新 、卸载工具包 ，并且它更关注于数据科学相关的工具包。在安装 anaconda 时就预先集成了像 Numpy、Scipy、 pandas、Scikit-learn 这些在数据分析中常用的包。另外值得一提的是，cond...
如何安装tensorflow 2.15
03-03
<think>好的，用户现在想安装TensorFlow 2.15版本。之前他们遇到了ModuleNotFoundError，提示没有tensorflow.keras模块，我之前已经指导他们安装或升级TensorFlow，现在他们可能按照建议尝试安装最新版，但需要特定版本2.15。 首先，我要确认用户为什么需要安装2.15。可能他们的项目依赖这个特定版本，或者教程、文档中使用的是这个版本。需要确保用户知道如何指定版本号安装。 接下来，安装特定版本的TensorFlow通常使用pip install tensorflow==版本号，但需要检查2.15是否存在。我记得TensorFlow的版本发布情况，比如2.15是否是一个有效版本。例如，TensorFlow 2.15可能不存在，因为官方可能已经发布了更高版本，或者可能在某个时间点停止维护某些版本。需要验证这一点，避免用户输入错误版本号导致安装失败。 假设用户可能记错了版本号，比如2.15可能不存在，或者可能是指2.5、2.10等。这时候需要提示用户检查版本是否存在，并给出正确的安装命令。比如，用户可能想安装2.15，但实际可用的是2.13或2.14，这时候需要告知用户正确的可用版本。 另外，用户可能在使用不同的包管理工具，比如pip或conda，需要分别给出对应的安装命令。还要考虑Python版本兼容性，TensorFlow 2.x通常需要Python 3.7-3.10，如果用户使用Python 3.11或更高版本，可能需要降级Python或使用其他方法。 另外，用户可能之前安装了其他版本的TensorFlow，导致冲突，所以需要提示用户先卸载旧版本，再安装指定版本。例如，使用pip uninstall tensorflow，然后再安装。 最后，安装完成后需要验证，比如运行Python导入TensorFlow并打印版本号，确保安装成功。如果用户遇到问题，可能需要检查网络连接、权限问题，或者使用镜像源加速下载。 总结步骤： 1. 确认TensorFlow 2.15是否存在，如果不存在，提示可用版本。 2. 提供正确的pip和conda安装命令。 3. 提醒Python版本兼容性。 4. 指导验证安装是否成功。 5. 处理可能的安装问题，如权限、镜像源等。 需要确保回答清晰，步骤详细，并且考虑到用户可能的操作环境和错误，比如版本错误或环境问题。同时，保持友好和帮助的态度，鼓励用户在遇到问题时进一步询问。</think>以下是安装TensorFlow 2.15的详细指南： $$\text{安装方法}$$ 1. **基础安装（推荐使用虚拟环境）** ```bash # 创建并激活虚拟环境（可选） python -m venv tf_env source tf_env/bin/activate # Linux/macOS tf_env\Scripts\activate # Windows # 安装指定版本 pip install tensorflow==2.15.0 ``` 2. **验证安装** ```python import tensorflow as tf print(tf.__version__) # 应输出2.15.0 print(tf.config.list_physical_devices()) # 检查硬件识别 ``` $$\text{版本兼容性须知}$$ - ✅ 官方支持版本：Python 3.9-3.11 - ❌ 不支持Python 2.x - ⚠️ Mac M1/M2用户需使用`tensorflow-macos`专用版本 $$\text{常见问题解决方案}$$ 1. **找不到指定版本** ```bash # 查看可用版本 pip install tensorflow==invalid 2>&1 | grep "from versions" ``` 2. **权限问题处理** ```bash # 添加用户级安装参数 pip install --user tensorflow==2.15.0 ``` 3. **使用国内镜像加速** ```bash pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==2.15.0 ``` $$\text{版本特性对比}$$ | 特性 | 2.15改进点 | |----------------------|-------------------------------| | Keras API | 完全整合到`tf.keras` | | GPU支持 | CUDA 12.0适配 | | 性能优化 | 改进XLA编译器 | | 弃用功能 | 移除部分1.x兼容API | $$\text{扩展组件安装}$$ ```bash # 可选GPU支持（需NVIDIA驱动） pip install tensorflow[and-cuda]==2.15.0 # 扩展库支持 pip install tensorflow-hub tensorflow-datasets ``` 安装完成后，建议运行以下验证脚本： ```python import tensorflow as tf mnist = tf.keras.datasets.mnist (x_train, y_train),(x_test, y_test) = mnist.load_data() model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation='softmax') ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) print("安装验证通过！") ``` 如果遇到任何问题，可以提供以下信息以便进一步诊断： 1. `python --version` 输出 2. 使用的操作系统版本 3. 是否使用虚拟环境 4. 完整的错误日志
评论
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

打赏作者

海里的鱼2022

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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