Sådan downloades og installeres Tensorflow i Jupyter Notesbog

Af: Evelyn Clarke Evelyn Clarke
Hours Opdateret

⚡ Smart opsummering

TensorFlow installeres problemfrit i et isoleret Anaconda-miljø, hvilket holder Python, Jupyter og frameworket løser op til én sti og forhindrer versionskollisioner med alle andre dataprojekter, der allerede findes på den samme maskine.

  • 🔘 Vælg en build: CPU-pakken passer til de fleste læringsopgaver; GPU-versionen kræver et NVIDIA-kort.
  • ☑️ Isolér først: Et conda-miljø, der er deklareret i en .yml-fil, holder afhængigheder reproducerbare.
  • ✅ Windows ekstra: Windows forbereder først miljøet og tilføjer derefter TensorFlow med pip install tensorflow.
  • 🧪 Bekræft stien: Python, Jupyter og Ipython skal alle opløses i det samme miljø.
  • 🛠️ Importtest: importer tensorflow som tf efterfulgt af tf.constant beviser at installationen virker.
  • 🔒 Genaktiver: Hver ny session kræver, at Conda aktiverer Hello-tf før Jupyter starter.
Læs mere

Download og installer TensorFlow i Jupyter Notesbog

Installation TensorFlow med Anaconda on Windows or macOS tager ét conda-miljø og et par kommandoer. Du lærer også, hvordan du importerer TensorFlow indeni. Jupyter Notesbog, den browserbaserede notesbogsfremviser.

TensorFlow-versioner

TensorFlow understøtter beregninger på tværs af flere CPU'er og GPU'er. Det betyder, at beregningerne kan fordeles på tværs af enheder for at forbedre træningens hastighed. Med parallelisering behøver du ikke vente i flere uger for at få resultaterne af træningsalgoritmer.

Til Windows For brugere tilbyder TensorFlow to build-varianter:

  • TensorFlow kun med CPU-understøttelseHvis din maskine ikke har en NVIDIA GPU, skal du installere denne build.
  • TensorFlow med GPU-understøttelseHurtigere til træning, men kun værd at sætte op, når du har brug for reel beregningskapacitet.

I denne vejledning er basisversionen af ​​TensorFlow tilstrækkelig. Tabellen nedenfor sammenligner de to builds:

Kriterium CPU-opbygning GPU-opbygning
Pakke tensorflow (CPU-hjul) tensorflow med CUDA-kørselstid
Hardware Enhver x86- eller ARM-processor NVIDIA-kort med understøttet CUDA
Bedste for Vejledninger, små modeller Store træningsløb
Opsætningsindsats Én kommando Driver-, CUDA- og cuDNN-matchning

Versionsnote: TensorFlow 2.10 var den sidste udgivelse med native Windows GPU-understøttelse. Fra 2.11 og fremefter, Windows Brugere kører GPU-buildet inde i WSL2 eller installerer CPU-pakken. Apple Silicon Macs tilføjer tensorflow-metal for acceleration.

Bemærk: TensorFlow yder ikke CUDA GPU-understøttelse på macOS.

Sådan kommer du videre

macOS brugere:

  • Installer Anaconda
  • Opret en .yml-fil for at installere TensorFlow og afhængigheder
  • Launch Jupyter Notesbog

Windows brugere:

  • Installer Anaconda
  • Opret en .yml-fil for at installere afhængigheder
  • Brug pip til at tilføje TensorFlow
  • Launch Jupyter Notesbog

At køre TensorFlow med Jupyter, skab et dedikeret miljø inde i Anaconda Holding IPython, Jupyter og TensorFlow. Tilføj én vigtig datalogi også biblioteket: pandaer, som manipulerer datarammer.

Installer Anaconda

Hent Anaconda version 4.3.1 (til Python 3.6) for det relevante system.

Disse versioner er ældre: nuværende TensorFlow 2.x parres med Python 3.9 til 3.12. Siden 2024 kræver Anaconda-standardkanalen også en betalt licens for organisationer over 200 personer, så Miniconda eller Miniforge med conda-forge er den gratis vej.

Anaconda administrerer de biblioteker, der kræves for Python or R, og installerer dem derefter pr. miljø.

Opret .yml-fil for at installere TensorFlow og afhængigheder

Det omfatter

  • Find stien til Anaconda
  • Indstil arbejdsbiblioteket til Anaconda
  • Opret yml-filen (For MacOS-brugere er TensorFlow installeret her)
  • Rediger yml-filen
  • Kompiler yml-filen
  • Aktiver Anaconda
  • Installer TensorFlow (Windows kun bruger)

Trin 1) Find Anaconda,

Det første skridt, du skal gøre, er at finde stien til Anaconda.

Du skal oprette et conda-miljø, der indeholder de biblioteker, der bruges i hele TensorFlow-vejledningerne.

Windows

Hvis du er en Windows bruger, kan du bruge Anaconda Prompt og skrive:

C:\>where anaconda

Anaconda Prompt output af where anaconda-kommandoen på Windows

Vi er interesserede i at kende navnet på den mappe, hvor Anaconda er installeret, fordi vi ønsker at oprette vores nye miljø i denne sti. På billedet ovenfor ligger Anaconda i Admin-mappen; din vil have dit eget brugernavn.

Dernæst flytter du arbejdsmappen fra c:\ til Anaconda3.

MacOS

Til macOS brugere, åbn terminalen og skriv:

which anaconda

Terminaludgang for hvilken anaconda-kommando macOS

Du opretter nu en mappe i Anaconda, der skal indeholde IPython, Jupyter og TensorFlowDen hurtigste måde at deklarere disse biblioteker på er en yml-fil.

Trin 2) Indstil arbejdsmappe

Angiv den arbejdsmappe, hvor yml-filen skal oprettes; som nævnt ovenfor sidder den i Anaconda.

Til macOS brugere:

Terminalen er som standard indstillet til Brugere/BRUGERNAVNI figuren nedenfor matcher anaconda3-stien og arbejdsmappen; macOS viser den aktuelle mappe før $. Alle biblioteker er installeret der.

Hvis stien i din teksteditor ikke stemmer overens, skal du køre cd PATH i terminalen og citere stien, når den indeholder mellemrum.

macOS Terminalen viser anaconda3-stien som arbejdsmappen

Åbn din terminal, og skriv:

cd anaconda3

Til Windows brugere, tjek mappen der kommer før Anaconda3:

cd C:\Users\Admin\Anaconda3

eller stien "hvor anaconda"-kommandoen giver dig

Windows prompt efter ændring af mappe til Anaconda3

RELATEREDE ARTIKLER

Trin 3) Opret yml-filen

Du kan oprette yml-filen inde i den nye arbejdsmappe.

Filen installerer de afhængigheder, du skal bruge for at køre TensorFlow. Kopiér og indsæt denne kode i terminalen.

For MacOS-brugere:

touch hello-tf.yml

En ny fil med navnet hello-tf.yml skulle vises inde i anaconda3

macOS Terminal opretter hello-tf.yml med touch-kommandoen

Til Windows bruger:

echo.>hello-tf.yml

En ny fil med navnet hello-tf.yml skulle dukke op

Windows prompt oprettelse af hello-tf.yml med echo-kommandoen

Trin 4) Rediger yml-filen

Du er klar til at redigere yml-filen.

For MacOS-brugere:

Du kan indsætte følgende kode i terminalen for at redigere filen. MacOS-bruger kan bruge vim for at redigere yml-filen.

vi hello-tf.yml

Indtil videre ser din terminal sådan ud

Terminalåbning af hello-tf.yml i vi-editoren

Du indtaster en redigere mode. Inde i denne tilstand kan du, efter at du har trykket på esc:

  • Tryk på i for at starte redigering
  • Tryk på esc, og skriv derefter :w for at gemme
  • Tryk på esc, og skriv derefter :q! for at afslutte uden at gemme

Skriv følgende kode i redigeringstilstand og tryk på esc efterfulgt af :w

hello-tf.yml afhængighedsliste indtastet i vi

Bemærk: Filen er sag og indrykningsfølsom. Der kræves to mellemrum for hvert indrykningsniveau.

Til MacOS

name: hello-tf
dependencies:
 - python=3.6
 - jupyter
 - ipython
 - pandas
 - pip:
 - https://storage.googleapis.com/tensorflow/MacOS/cpu/tensorflow-1.5.0-py3-none-any.whl

Code Forklaring

  • navn: hello-tf: Navn på yml-filen
  • afhængigheder:
  • python=3.6
  • jupyter
  • python
  • pandaer: Installer Python 3.6, Jupyter, JegPython og pandaer.
  • pip: Installer en Python bibliotek
    • Hjulet URL: installer TensorFlow direkte fra Google lagrings-API.

Tryk på esc efterfulgt af :q! for at forlade redigeringstilstand.

Gemt hello-tf.yml-fil vist efter at have forladt vi

Til Windows Bruger:

Windows har ingen vim, så Notesblok er nok til dette trin.

notepad hello-tf.yml

Indtast følgende i filen

name: hello-tf
dependencies:
 - python=3.6
 - jupyter
 - ipython
 - pandas

Code Forklaring

  • navn: hello-tf: Navn på yml-filen
  • afhængigheder:
  • python=3.6
  • jupyter
  • python
  • pandaer: Installer Python 3.6, Jupyter, JegPython og pandaer.

Det åbner notesblokken, du kan redigere filen herfra.

hello-tf.yml åbnede i Windows Notepad

Bemærk: Windows Brugere installerer TensorFlow i næste trin; her forbereder du kun conda-miljøet.

Trin 5) Kompiler yml-filen

Kompilér .yml-filen med følgende kommando:

conda env create -f hello-tf.yml

Bemærk: Til Windows brugere, oprettes det nye miljø inde i den aktuelle brugermappe.

Det tager tid og kræver cirka 1.1 GB diskplads.

conda env opretter output, der løser hello-tf-afhængighederne på macOS

In Windows

conda env opretter output, der løser hello-tf-afhængighederne på Windows

Trin 6) Aktiver conda-miljøet

Du har nu to conda-miljøer.

Et isoleret miljø anbefales praksis, fordi hver machine learning Projektet kræver et andet bibliotekssæt, og du kan slette det, når projektet slutter.

conda env list

conda env-liste, der viser base- og hello-tf-miljøerne

Stjernen markerer det aktive miljø. Skift til hello-tf for at aktivere det. Moderne conda bruger conda activate på alle platforme; source activate er udfaset.

For MacOS-brugere:

source activate hello-tf

Til Windows bruger:

activate hello-tf

Terminalprompt efter aktivering af hello-tf-miljøet

Bekræft, at alle afhængigheder løses i det samme miljø, så Python, Jupyter og TensorFlow deler ét præfiks. Hvis de tre stier er forskellige, skal miljøet genopbygges.

For MacOS-brugere:

which python
which jupyter
which ipython

Hvilke python, jupyter og ipython løser inde i hello-tf på macOS

Valgfrit: Tjek for en opdatering.

pip install --upgrade tensorflow

Trin 7) Installer TensorFlow For Windows bruger

Til Windows brugere:

where python
where jupyter
where ipython

hvor python, jupyter og ipython løser inde i hello-tf Windows

to Python Der findes nu miljøer: basismiljøet og hello-tf. Kun hello-tf bærer TensorFlow. På billedet overføres python, jupyter og ipython alle til det samme miljø, så TensorFlow kan bruges fra en Jupyter Notebook.

Windows brugere installerer TensorFlow med pip:

pip install tensorflow

pip install tensorflow output i hello-tf miljøet

Sådan importerer du TensorFlow i Jupyter Notesbog

Denne del er identisk på begge operativsystemer. Husk at miljøet skal aktiveres hver gang, før du åbner TensorFlow.

Du vil fortsætte som følger:

  • Aktiver hello-tf conda miljø
  • Åbne Jupyter
  • Importér TensorFlow
  • Slet notesbog
  • Luk Jupyter

Trin 1) Aktiver conda

For MacOS-brugere:

source activate hello-tf

Til Windows bruger:

conda activate hello-tf

Aktivering af hello-tf conda-miljøet før åbning Jupyter

Trin 2) Åbne Jupyter

Derefter kan du åbne Jupyter fra terminalen

jupyter notebook

jupyter notebook-kommando, der starter notebook-serveren

Browseren burde åbne automatisk; ellers kopier URL udskrevet af terminalen, som starter med http://localhost:8888.

Dashboardet viser alle filer i arbejdsmappen. Klik på Ny og Python 3 at oprette en notesbog.

Bemærk: Den nye notesbog gemmes automatisk i arbejdsbiblioteket.

Jupyter instrumentbræt med det nye og Python 3 menu åben

Trin 3) Importér TensorFlow

Inde i notesbogen kan du importere TensorFlow ind Jupyter Notesbog med tf alias. Klik for at køre. En ny celle oprettes nedenfor.

import tensorflow as tf

Notebook-celle kører import tensorflow som tf

Lad os skrive din første kode med TensorFlow.

hello = tf.constant('Hello, Guru99!')
hello

En ny tensor er oprettet. Tillykke, TensorFlow kører nu med Jupyter på din maskine.

Notebook-celle, der skaber Hej, Guru99 konstant tensor

Trin 4) Slet fil

Slet filen med navnet Untitled.ipynb fra Jupyter instrumentbræt.

Sletning af Untitled.ipynb-filen fra Jupyter instrumentbræt

Trin 5) Luk Jupyter

Jupyter kan lukkes fra selve notesbogen eller fra terminalen (Anaconda-prompten aktiveret Windows).

Fra Jupyter

I hovedpanelet af Jupyter Notesbog, klik blot på Log ud

Log ud-knappen i Jupyter Hovedpanel på den bærbare computer

Du bliver omdirigeret til log ud-siden.

Jupyter side med bekræftelse af logout

Fra terminalen

Vælg terminal- eller Anaconda-prompten, og tryk to gange på Ctrl+C.

Den første Ctrl+C beder dig om at bekræfte nedlukningen; den anden bekræfter det.

Terminalprompt beder om at bekræfte nedlukning af den bærbare computerserver

Terminalen efter Jupyter serveren er stoppet

Du har logget ud.

Jupyter med det primære conda-miljø

Sådan starter du TensorFlow med Jupyter I en fremtidig session skal du først aktivere miljøet:

source activate hello-tf

Uden det skridt, Jupyter starter i basismiljøet, og importen mislykkes.

Jupyter startet fra basis-conda-miljøet uden TensorFlow

Ofte Stillede Spørgsmål

Understøttelse af de seneste TensorFlow-udgivelser Python 3.9 til 3.12. Fastgør versionen i din .yml-fil, så conda kan finde et matchende hjul, og undgå Python nyere builds end listen over udgivelsesnoter.

TensorFlow sendes officielt til PyPI, så pip install tensorflow i et conda-miljø er den understøttede rute. Brug conda til Python, Jupyter og pandaer, og pip derefter for selve frameworket.

Kør tf.config.list_physical_devices('GPU') i en notesbogscelle. En tom liste betyder, at CPU-buildet er aktivt, eller at CUDA- og cuDNN-versionerne ikke opfylder udgivelseskravene.

Notebook-kernen kører i et andet miljø. Aktiver hello-tf før opstart. Jupyter, eller registrer miljøet som en kerne med python -m ipykernel install –user –name hello-tf.

Kør conda env remove -n hello-tf fra basismiljøet. Deaktiver det først, og bekræft derefter med conda env list, at posten er væk, og at diskpladsen er blevet genvundet.

Installer tensorflow i et native arm64-miljø, og tilføj derefter tensorflow-metal-plugin'et, så Keras bruger Apple GPU'en. Rosetta-builds kører, men mister accelerationen helt.

Copilot laver udkast til .yml-filer, pip-kommandoer og kerneregistreringssnippets fra en almindelig kommentar, hvilket forkorter opsætningen. Versionskoder skal stadig kontrolleres mod de officielle udgivelsesnoter, før du kører noget.

Assistenter udarbejder nu træningsløkker, foreslår hyperparameterintervaller og forklarer fejl i den bærbare computer. Det fremskynder machine learning iteration, selvom evaluering og datakvalitet forbliver menneskelige beslutninger.

Opsummer dette indlæg med: