tensorflow实践

本文详细介绍了如何安装TensorFlow的CPU和GPU版本,包括Anaconda的下载与安装,TensorFlow-CPU版本的安装,以及TensorFlow-GPU版本的安装,涉及CUDA和cuDNN的匹配问题。此外,还提供了Jupyter Notebook的安装步骤,以及验证安装成功的测试代码。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1. Anaconda的安装

1.1 从官网下载Anaconda

https://www.anaconda.com/distribution/#download-section
在这里插入图片描述

1.2 软件的安装

在这里我们根据自己电脑系统选择32位还是64位的安装包,然后是根据自己python版本的需要,选择3.7还是2.7版本
在这里插入图片描述
这里要注意,一定要记得把上图中两个方框都要选中,尤其是第一个,以免后续还需进行环境配置!

2.TensorFlow-CPU版本的安装

在这里插入图片描述
打开上图箭头所指的
在这里插入图片描述
在这里你还可以以下命令创建一个独立的环境来安装tensorflow,

conda create --name tensorflow python=3.6

在这里我们创建了一个name为tensorflow、python版本为3.6的环境
在这里插入图片描述
接下来需要使用以下命令来激活我们创建的环境

conda activate tensorflow

在这里有两种方式来进行安装tensorflow
一种是使用pip

pip install --upgrade --ignore-installed tensorflow==1.13.0

后面 == 代表着tensorflow版本号,目前最新的稳定版本号为1.13.0
另一种是使用conda指令

conda install tensorflow ==1.13.0

3. tensorflow-gpu 版本的安装

在这里我的笔记本的配置为i5-8300h+1060ti

3.2 CUDA与cudnn的安装

在这里一定要主要cuda和cuDNN版本间对应关系
cuda8.0对应的cuDNN必须是6.0版的
cuda9.0对应的cuDNN必须是7.0版的
下面是tensorflow官网tensorflow-GPU版本与cuda版本间的对用关系,切记这个很重要
在这里插入图片描述
所以在安装gpu版本前,一定要查清楚自己显卡支持的cuDNN 和CUDA 版本。
在[https://developer.nvidia.com/cuda-downloads]下载对应的版本,一般这里不好找历史版本,并且下载比较麻烦,建议直接百度找对应的安装包。
首先安装CUDA,建议不要修改安装路径
在这里插入图片描述
解压下载的cuda,得到以下三个文件夹
在这里插入图片描述
将解压得到的三个文件夹参考提下图片路径,复制到自己电脑对应的路径下
在这里插入图片描述

3.2 tensorflow-gpu版本的安装

在这里我们使用conda命令来安装
conda install tensorflow-gpu ==1.13.0

3.3 Jupyter Notebook的安装

先打开箭头所指的软件
在这里插入图片描述
在这里插入图片描述
按照箭头所指示的,安装Jupyter Notebook
安装成功后能看到如下的图标
在这里插入图片描述

4. 验证是否安装成功

在这里插入图片描述
输入python并回车,出现以下
在这里插入图片描述
导入tensorflow,并输入以下代码
在这里插入图片描述
如果出现以下结果,则证明安装成功
在这里插入图片描述
如果不行的话卸载软件重新进行安装

5. 安装总结

5.1 CPU版本的安装比较简单

5.2 GPU版本的安装一定要主要自己显卡所支持的cudn和cuDNN的版本还有与tensorflow版本间的对应关系

### 关于 TensorFlow 实践教程与资源 对于希望深入理解和应用 TensorFlow 的开发者而言,存在丰富的实践教程和资源可供利用。 #### 官方示例脚本 官方提供了大量的实例代码,在 `tensorflow/` 目录下可以找到对应的 `.py` 文件来直接运行这些例子[^1]。这不仅有助于快速上手,还能作为开发个人项目时的重要参考资料。 #### 学习路径建议 按照特定的学习路线图前进能够更高效地掌握这项技术。推荐依据已有的教程和文档逐步推进学习过程,并积极参与实际操作以巩固所学知识点[^2]。 #### 中文版全面指南 针对中国用户的特殊需求,《TensorFlow 2.0 教程》提供了一套完整的中文教学材料以及配套源码,非常适合初学者入门并逐渐成长为高级用户[^3]。 #### 高级特性探索 为了实现更加复杂的模型训练任务,了解如何调整超参数(如学习率)至关重要。TensorFlow 提供了诸如 AdagradOptimizer 和 AdamOptimizer 这样的工具用于优化算法性能;同时还可以借助 placeholder 来动态设定不同的学习速率[^4]。 #### 应用案例分享 具体的应用场景往往能带来更好的启发作用。比如有一个基于卷积神经网络(CNN)构建的狗狗品种图像识别系统,它展示了从数据预处理到最终部署整个流程的具体实施方法[^5]。 ```python import tensorflow as tf from tensorflow.keras import layers, models # 构建简单的CNN模型结构 model = models.Sequential() model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3))) model.add(layers.MaxPooling2D((2, 2))) ... ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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