Python+Tensorflow机器学习实战
上QQ阅读APP看书，第一时间看更新
上一章目录下一章

1.4 TensorFlow环境准备

TensorFlow站建立在“巨人”的肩膀上，它的正常运行需要依赖较多的底层工具。主要的安装方式有三类：一是通过Python包管理工具安装，二是通过Java安装；三是通过源代码进行编译安装；由于当前Python是进行科学计算的标配，因此我们通过Python包管理工具来进行安装。

TensorFlow在早期只支持Linux和Mac系统，在TensorFlow 0.12及后续版本中才添加对Windows系统的支持。TensorFlow的安装过程大体可分为准备Python环境、安装沙箱环境与安装TensorFlow三步。接下来，我们逐步实现不同环境下TensorFlow环境的搭建。

1.4.1 Windows环境

在官网上提供了5种安装TensorFlow的方法。

1）Pip安装：在本地环境中安装TensorFlow，在安装的过程中可能会升级以前安装的Python包，这会影响本机现有的Python程序。

2）Virtualenv安装：设置一个独立的目录，在其中安装TensorFlow，这样不会影响到本机上任何现有的Python程序。

3）Anaconda安装：在本机中安装并运行Anaconda，在Anaconda中创建虚拟环境来安装TensorFlow，这样不会影响本机上现有的Python程序。

4）Docker安装：在本机中建立一个与本机上所有其他程序隔离的Docker容器，在该容器中运行TensorFlow。

5）从源代码安装：通过构建pip下载源码来安装TensorFlow。

由于Anaconda是一个使用Python语言编写的用于科学计算的平台，因此它可以很方便地解决Python版本、第三方包安装等问题。为了后续实际开发的便捷性，推荐大家使用Anaconda方式进行安装。

1．Anaconda安装

Anaconda支持Linux、Mac和Windows系统，在Windows系统中的安装步骤如下。

（1）下载Anaconda

从Anaconda官网（https://www.anaconda.com/download/）选择对应的版本进行下载，如图1.3所示。软件不算小，大约有500MB。如果遇到某些原因，也可以选择国内的镜像地址进行下载，比如清华大学的镜像地址（https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/）。

图1.3 下载Anaconda

（2）安装Anaconda

和安装其他软件一样，如果没有什么特别的需求，基本选择默认安装即可，如图1.4所示。唯一需要注意的是，需要将Python 3.6添加到系统环境变量中。

图1.4 安装Anaconda

（3）验证是否安装成功

安装完毕后，在Windows的“开始”菜单中就能看到已成功安装的Anaconda了，如图1.5所示。

图1.5 验证Anaconda是否已成功安装

打开Anaconda Prompt，查看Anaconda的版本以及已安装的第三方依赖包，如图1.6所示。

  
     01  conda –version
     02  conda list

图1.6 Anaconda的第三方依赖包

在第三方依赖包中，可以看到已经安装NumPy、matpltlib、SymPy、scikit-image等常用的包。

（4）配置更新地址

由于Anaconda默认的代码仓库镜像地址是国外的镜像地址，因此下载速度比较慢。建议将镜像地址改为清华大学的开源软件镜像站，对Anaconda Prompt进行配置，如图1.7所示。

  
     01  conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
     02  conda config --set show_channel_urls yes

图1.7 配置Anaconda更新地址

添加完成后，可以在当前配置信息中查看，输入：

  
     conda info

关注channel URLs字段内容是否已成功添加清华大学提供的镜像地址，如图1.8所示。

图1.8 查看Anaconda更新地址

2．创建Anaconda沙箱环境

Anaconda可以创建自己的计算环境，这样可以将TensorFlow的环境与其他环境进行隔离，不必来回修改各种环境变量，也不必担心破坏之前的环境。创建步骤如下所示。

（1）创建Conda计算环境

在Anaconda Prompt中创建一个名为tensorflow的沙箱环境，如图1.9所示，输入：

  
     conda create -n tensorflow python=3.6

根据不同版本的Python更改对应的版本参数。在创建过程中，如果出现下载速度慢甚至不成功的情况，可查看镜像地址是否配置成功。

图1.9 创建沙箱环境

创建成功后，可以打开Windows系统中的Anaconda Navigator，单击左侧的Environments，就可以看到tensorflow沙箱环境，如图1.10所示。

图1.10 查看沙箱环境

（2）激活tensorflow沙箱环境

如图1.1所示，在命令行中继续输入：

  
     activate tensorflow

图1.11 激活沙箱环境

可以看到，用户名的前面有<tensorflow>标识。这实际上表明我们已经更换到名为tensorflow的沙箱环境中。

当不使用tensorflow时，需要使用deactivate tensorflow进行关闭。

3．安装TensorFlow的CPU版本

TensorFlow分为CPU版本和GPU版本。对于使用来说，主要区别在于运算速度，一般来说GPU速度更快。这是由于CPU和GPU针对的用途不一样，在最初的设计上也不一样。在GPU设计上用于图形图像的处理，在矩阵运算、数值计算，特别是浮点和并行计算上能优于CPU设计上数百倍的性能。在机器学习中，经常会用到许多的卷积运算、矩阵运算等，所以一般来说GPU速度更快。但是，当进行计算的数据集较小时，两者的速度差别并不大，甚至由于数据传输的问题，GPU可能更慢。

CPU版本的安装更简单，我们先讲解CPU版本的安装。

（1）使用pip进行安装

在TensorFlow的沙箱环境中，使用pip进行安装，输入：

  
     pip install --ignore-installed --upgrade tensorflow

下载速度可能会比较慢，如果不在意是否为最新版本，则建议使用国内镜像地址进行安装。在https://mirrors.tuna.tsinghua.edu.cn/tensorflow/网页中找到需要安装的TensorFlow版本地址，例如：

安装成功后，在控制台中会显示安装成功的信息，如图1.12所示。

图1.12 安装TensorFlow

（2）验证是否成功

在控制台中，输入：

若最后能够成功输入“b' Hello, TensorFlow!'”，则表示安装成功，完成开发环境的准备工作。

（3）集成到IDE中

Python的集成开发工具很多，但是对于数据处理来说，可以选用Spyder，因为我们安装的Anaconda对它提供很好的支持。

打开Anaconda Navigator界面，单击左侧的Environments，查看是否已经安装Spyder。若未安装，则选中复选框，并单击右下角的Apply按钮进行安装，如图1.13所示。

图1.13 安装Spyder

在Anaconda Prompt界面中启动tensorflow沙箱环境，并运行Spyder（如图1.14所示），输入：

  
     activate tensorflow
     Spyder

图1.14 运行Spyder

等待一会儿就会出现Spyder界面，如图1.15所示。

图1.15 Spyder界面

其中，也需要验证是否关联了tensorflow沙箱环境。在编辑框中输入如下代码：

  
     01  import tensorflow as tf
     02  hello = tf.constant('Hello, TensorFlow!')
     03  sess = tf.Session()
     04  print(sess.run(hello))

运行后，若能够成功输入“b' Hello, TensorFlow!'”，则表示配置成功，如图1.16所示。

图1.16 运行Spyder

需要注意的是，一定要启用创建的tensorflow沙箱环境，并从该环境中打开Spyder，才能够关联到TensorFlow的开发环境，否则会出错。

4．安装TensorFlow的GPU版本

由于使用GPU进行机器学习运算时，效率更高，因此接下来我们讲解如何安装tensorflow的GPU版本。

安装时需要使用两个关联程序，分别是CUDA和cuDNN。由于TensorFlow是Google开发的，CUDA和cuDNN是NVIDIA开发的，因此在安装的版本选择和顺序上非常重要，否则会出现安装失败的情况。本书使用的是Python 3.6、TensorFlow 1.3、CUDA 8.0、cuDNN 6.0。下面详细介绍安装过程。

（1）安装CUDA

由于TensorFlow的GPU版本依赖于CUDA，因此我们首先查看使用的GPU是否支持CUDA加速，一般来说NVIDIA都是支持的。我们可以通过官网进行查询，也可以通过在NVIDIA的控制面板中，单击“系统信息”进行查询。在“系统信息”对话框的“组件”选项卡中找到NVCUDA.DLL，只要能够找到NVCUDA.DLL组件，就代表支持CUDA，如图1.17所示。

图1.17 CUDA系统信息

从NVIDIA官网可以下载CUDA，在https://developer.nvidia.com/cuda-toolkit-archive上有所有的历史版本。由于TensorFlow的更新不一定对应到CUDA的最新版本，因此建议下载已通过验证的版本组合。在其中选择对应的操作系统、硬件支持类型、操作系统版本和安装类型后，再下载安装文件，如图1.18所示。

图1.18 CUDA版本选择

下载完毕后，和安装其他软件一样，如果没有什么特别的需求，基本选择默认安装即可。

（2）下载cuDNN

cuDNN是连接TensorFlow和CUDA的纽带，我们可以从NVIDIA官网下载cuDNN，网址为https://developer.nvidia.com/rdp/form/cudnn-download-survey。要先进行用户注册并填写调查问卷，再选择与上一步安装的CUDA版本相匹配的cuDNN版本，如图1.19所示。

图1.19 下载cuDNN

（3）配置cuDNN

下载cuDNN后解压，其文件夹下有3个子文件夹，分别是bin、lib和include。找到CUDA的安装路径，若未做修改，则一般的路径是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0。将这3个子文件夹复制到该目录中，与CUDA已有的bin、lib和include子文件夹进行合并。

查看Windows的环境变量是否已成功添加相关程序路径。在“系统变量”中，找到“Path”变量，查看其值是否包含CUDA文件的路径，例如：

  
     C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\lib\x64
     C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\include
     C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin
     C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\libnvvp

如果未包含，请将相关路径添加到“Path”变量中。

（4）安装GPU版本

为了保证使用的环境与CPU版本的环境相隔离，我们重新创建一个沙箱环境，进行GPU版本的安装。在Anaconda Prompt中依次输入：

  
     01  conda create -n tensorflowGPU python=3.6
     02  activate tensorflowGPU
     03  pip install tensorflow-gpu==1.3.0

下载速度可能会比较慢。如果不在意是否为最新版本，可以使用国内镜像地址进行安装。在https://mirrors.tuna.tsinghua.edu.cn/TensorFlow/网页上找到需要安装的TensorFlow对应版本的地址，安装成功后，在控制台中会显示有关安装成功的信息。

（5）验证是否成功

在控制台中，输入：

如果能够成功输入“b' Hello, TensorFlow!'”，则表示安装成功，完成了开发环境的准备工作。

最后，参照安装Spyder开发环境的过程，对Spyder开发环境进行安装。

1.4.2 Linux环境

前面详细讲解了Windows环境下TensorFlow的安装过程。在Linux环境下，TensorFlow的安装过程与Windows环境下类似，分为三步：（1）安装Anaconda；（2）建立Anaconda沙箱环境；（3）安装TensorFlow。

（1）安装Anaconda

首先从Anaconda官网（https://www.anaconda.com/download/）选择对应的版本进行下载。

然后打开终端，输入相应的命令进行安装，例如：

  
     bash /home/TensorFlow/Downloads/Anaconda2-5.1.0-Linux-x86_64.sh

（2）建立Anaconda沙箱环境

重新打开终端后，输入conda创建命令，例如：

  
     conda create -n tensorflow python=3.6

（3）安装TensorFlow

首先激化创建的沙箱环境，输入命令：

  
     source activate tensorflow

然后在tensorflow沙箱环境中，使用pip进行安装，输入：

  
     pip install --ignore-installed --upgrade tensorflow

完成安装后，同样在控制台中输入如下代码：

如果最后能够成功输入“b' Hello, TensorFlow!'”，则表示安装成功，完成了开发环境的准备工作。

需要注意的是，每次需要激活tensorflow沙箱环境后才能正常运行tensorflow程序。

1.4.3 Mac OS环境

使用Mac OS进行环境配置时，可以对照Linux下的安装过程，首先安装Anaconda，然后建立Anaconda沙箱环境，最后完成TensorFlow的安装。

  
     shell $ conda create -n tensorflow
     shell $ source activate tensorflow
     shell (tensorflow)$ pip install l --ignore-installed --upgrade tensorflow
上一章目录下一章