Cómo descargar e instalar Tensorflow en Jupyter Notebook

Por: Equipo editorial Equipo editorial
Hours Actualizado

⚡ Resumen inteligente

TensorFlow se instala limpiamente dentro de un entorno Anaconda aislado, lo que mantiene... Python, Jupyter y el marco de trabajo resuelve en una sola ruta y evita conflictos de versiones con cualquier otro proyecto de datos que ya se encuentre en la misma máquina.

  • 🔘 Elige una configuración: El paquete para CPU es adecuado para la mayoría de las tareas de aprendizaje; la configuración para GPU requiere una tarjeta NVIDIA.
  • ☑️ Primero, aísle: Un entorno conda declarado en un archivo .yml mantiene las dependencias reproducibles.
  • ✅ Windows extra: Windows Primero prepara el entorno y luego agrega TensorFlow con pip install tensorflow.
  • 🧪 Verificar la ruta: Python, Jupyter e IPython deben resolverse dentro del mismo entorno.
  • 🛠️ Prueba de importación: La importación de tensorflow como tf seguida de tf.constant demuestra que la instalación funciona.
  • 🔒 Reactivar: Cada nueva sesión necesita conda activate hello-tf antes Jupyter empieza.
Descubre más

Descarga e instala TensorFlow en Jupyter Notebook

La instalación de TensorFlow con Anaconda on Windows or macOS toma un entorno conda y algunos comandos. También aprenderás cómo importar TensorFlow dentro Jupyter Notebook, el visor de cuadernos basado en navegador.

Versiones de TensorFlow

TensorFlow admite cálculos en varias CPU y GPU, lo que significa que los cálculos se pueden distribuir entre dispositivos para mejorar la velocidad del entrenamiento. Con la paralelización, no es necesario esperar semanas para obtener los resultados de los algoritmos de entrenamiento.

Para Windows Para los usuarios, TensorFlow ofrece dos variantes de compilación:

  • TensorFlow solo con soporte para CPUSi tu máquina no tiene una GPU NVIDIA, instala esta compilación.
  • TensorFlow con soporte para GPU: Más rápido para el entrenamiento, pero merece la pena la configuración solo cuando se necesita una capacidad de cálculo real.

Durante este tutorial, la versión básica de TensorFlow es suficiente. La siguiente tabla compara las dos versiones:

Criterio Construcción de CPU Configuración de GPU
PREMIUM TensorFlow (rueda de CPU) TensorFlow con entorno de ejecución CUDA
Componentes metálicos Cualquier procesador x86 o ARM Tarjeta NVIDIA con soporte para CUDA
Mejores para Tutoriales, modelos pequeños Grandes carreras de entrenamiento
Esfuerzo de configuración Una orden Coincidencia de controladores, CUDA y cuDNN

Nota de versión: TensorFlow 2.10 fue la última versión con compatibilidad nativa. Windows Compatibilidad con GPU. A partir de la versión 2.11, Windows Los usuarios ejecutan la compilación de GPU dentro de WSL2 o instalan el paquete de CPU. Los Mac con procesadores Apple Silicon añaden tensorflow-metal para la aceleración.

Nota: TensorFlow no proporciona soporte para GPU CUDA en macOS.

Aquí se explica cómo proceder

macOS usuarios:

  • Instalar anaconda
  • Crea un archivo .yml para instalar TensorFlow y sus dependencias.
  • Lanza Jupyter Notebook

Windows usuarios:

  • Instalar anaconda
  • Cree un archivo .yml para instalar dependencias
  • Usa pip para agregar TensorFlow
  • Lanza Jupyter Notebook

Para ejecutar TensorFlow con Jupyter, crear un entorno dedicado dentro de Anaconda Holding IPython, Jupyter y TensorFlow. Añade uno esencial Ciencia de los datos biblioteca también: Los pandas, que manipula marcos de datos.

Instalar anaconda

Descargar Anaconda versión 4.3.1 (para Python 3.6) para el sistema apropiado.

Esas versiones son heredadas: TensorFlow 2.x actual se empareja con Python De 3.9 a 3.12. Desde 2024, el canal predeterminado de Anaconda también requiere una licencia de pago para organizaciones de más de 200 personas, por lo que Miniconda o Miniforge con conda-forge es la opción gratuita.

Anaconda gestiona las bibliotecas necesarias para Python or Ry luego los instala según el entorno.

Crea un archivo .yml para instalar TensorFlow y sus dependencias.

Incluye

  • Localiza el camino de Anaconda.
  • Establezca el directorio de trabajo en Anaconda
  • Cree el archivo yml (para usuarios de MacOS, TensorFlow se instala aquí)
  • Editar el archivo yml
  • Compile el archivo yml
  • Activar Anaconda
  • Instalar TensorFlow (Windows solo usuario)

Paso 1) Localiza Anaconda,

El primer paso que debes hacer es localizar el camino de Anaconda.

Crearás un entorno conda que contendrá las bibliotecas utilizadas a lo largo de los tutoriales de TensorFlow.

Windows

Si es Windows usuario, puede usar Anaconda Prompt y escribir:

C:\>where anaconda

Salida del indicador de Anaconda del comando where anaconda en Windows

Nos interesa saber el nombre de la carpeta donde está instalada Anaconda, ya que queremos crear nuestro nuevo entorno dentro de esa ruta. En la imagen de arriba, Anaconda se encuentra en la carpeta Admin; la suya contendrá su nombre de usuario.

A continuación, deberá mover el directorio de trabajo de c:\ a Anaconda3.

MacOS

Para macOS Usuarios, abran la Terminal y escriban:

which anaconda

Salida de terminal del comando which anaconda en macOS

Ahora crea una carpeta dentro de Anaconda que contendrá IPython, Jupyter y TensorFlowLa forma más rápida de declarar esas bibliotecas es mediante un archivo yml.

Paso 2) Establecer directorio de trabajo

Especifique el directorio de trabajo donde se creará el archivo yml; como se indicó anteriormente, se encuentra dentro de Anaconda.

Para macOS usuarios:

El terminal está configurado por defecto para Usuarios/NOMBRE DE USUARIOEn la siguiente figura, la ruta de anaconda3 y el directorio de trabajo coinciden; macOS Muestra la carpeta actual antes del símbolo $. Todas las bibliotecas están instaladas allí.

Si la ruta en su editor de texto no coincide, ejecute cd PATH en la Terminal, entrecomillando la ruta cuando contenga espacios.

macOS Terminal que muestra la ruta anaconda3 como directorio de trabajo.

Abra su Terminal y escriba:

cd anaconda3

Para Windows Usuarios, revisen la carpeta que precede a Anaconda3:

cd C:\Users\Admin\Anaconda3

o la ruta "donde el comando anaconda" te da

Windows mensaje después de cambiar el directorio a Anaconda3

No te pierdas

Paso 3) Crea el archivo yml

Puede crear el archivo yml dentro del nuevo directorio de trabajo.

El archivo instalará las dependencias que necesita para ejecutar TensorFlow. Copie y pegue este código en la Terminal.

Para usuarios de MacOS:

touch hello-tf.yml

Debería aparecer un nuevo archivo llamado hello-tf.yml dentro de anaconda3

macOS La terminal crea hello-tf.yml con el comando touch.

Para Windows usuario:

echo.>hello-tf.yml

Debería aparecer un nuevo archivo llamado hello-tf.yml

Windows Se solicita la creación de hello-tf.yml con el comando echo.

Paso 4) Editar el archivo yml

Está listo para editar el archivo yml.

Para usuarios de MacOS:

Puede pegar el siguiente código en la Terminal para editar el archivo. Los usuarios de MacOS pueden utilizar vim para editar el archivo yml.

vi hello-tf.yml

Hasta ahora, tu Terminal se ve así

Apertura de terminal hello-tf.yml en el editor vi

Entras en un edición modo. Dentro de este modo, puedes, después de presionar esc:

  • Pulsa i para empezar a editar
  • Pulsa Esc y luego escribe :w para guardar.
  • Pulsa Esc y luego escribe :q! para salir sin guardar.

Escriba el siguiente código en el modo de edición y presione esc seguido de :w

Lista de dependencias hello-tf.yml escrita dentro de vi

Nota: El archivo es caso. y Sensible a la indentación. Se requieren dos espacios para cada nivel de indentación.

Para 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 Explicación

  • nombre: hola-tf: nombre del archivo yml
  • dependencias:
  • pitón = 3.6
  • júpiter
  • ipython
  • pandas: instalar Python 3.6, Jupyter, hePython y pandas.
  • pip: instalar un Python
    • La rueda URL: instalar TensorFlow directamente desde el Google API de almacenamiento.

Pulsa esc seguido de :q! para salir del modo de edición.

El archivo hello-tf.yml guardado se muestra después de salir de vi.

Para Windows Usuario:

Windows no tiene vim, por lo que el Bloc de notas es suficiente para este paso.

notepad hello-tf.yml

Introduzca lo siguiente en el archivo

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

Code Explicación

  • nombre: hola-tf: nombre del archivo yml
  • dependencias:
  • pitón = 3.6
  • júpiter
  • ipython
  • pandas: instalar Python 3.6, Jupyter, hePython y pandas.

Se abrirá el bloc de notas, puede editar el archivo desde aquí.

hello-tf.yml se abrió en Windows Bloc de notas

Nota: Windows Los usuarios instalan TensorFlow en el siguiente paso; aquí solo tienes que preparar el entorno conda.

Paso 5) Compile el archivo yml

Compila el archivo .yml con el siguiente comando:

conda env create -f hello-tf.yml

Nota: Para Windows usuarios, el nuevo entorno se crea dentro del directorio de usuarios actual.

Requiere tiempo y aproximadamente 1.1 GB de espacio en disco.

conda env create salida resolviendo las dependencias de hello-tf en macOS

In Windows

conda env create salida resolviendo las dependencias de hello-tf en Windows

Paso 6) Activar entorno conda

Ahora tienes dos entornos conda.

Se recomienda un entorno aislado como práctica, porque cada aprendizaje automático El proyecto necesita un conjunto de bibliotecas diferente, y puedes eliminarlo cuando finalice el proyecto.

conda env list

conda env list mostrando los entornos base y hello-tf

El asterisco marca el entorno activo. Cambia a hello-tf para activarlo. La versión moderna de conda utiliza `conda activate` en todas las plataformas; `source activate` está obsoleto.

Para usuarios de MacOS:

source activate hello-tf

Para Windows usuario:

activate hello-tf

Símbolo del terminal después de activar el entorno hello-tf

Confirma que todas las dependencias se resuelven dentro del mismo entorno, por lo que Python, Jupyter y TensorFlow comparten un prefijo. Si las tres rutas difieren, reconstruya el entorno.

Para usuarios de MacOS:

which python
which jupyter
which ipython

qué Python, Jupyter e IPython se resuelven dentro de hello-tf en macOS

Opcional: Comprueba si hay actualizaciones.

pip install --upgrade tensorflow

Paso 7) Instalar TensorFlow para Windows usuario

Para Windows usuarios:

where python
where jupyter
where ipython

donde Python, Jupyter e IPython se resuelven dentro de hello-tf en Windows

Dos Python Ahora existen entornos: el base y hello-tf. Solo hello-tf contiene TensorFlow. En la imagen, python, jupyter e ipython se resuelven en el mismo entorno, por lo que TensorFlow se puede usar desde un Jupyter Cuaderno.

Windows Los usuarios instalan TensorFlow con pip:

pip install tensorflow

Salida de pip install tensorflow dentro del entorno hello-tf

Cómo importar TensorFlow en Jupyter Notebook

Esta parte es idéntica en ambos sistemas operativos. Recuerda que el entorno debe activarse cada vez antes de abrir TensorFlow.

Procederá de la siguiente manera:

  • Activar el entorno hello-tf conda
  • Abra Jupyter
  • Importar TensorFlow
  • Eliminar cuaderno
  • Cerrar Jupyter

Paso 1) activar conda

Para usuarios de MacOS:

source activate hello-tf

Para Windows usuario:

conda activate hello-tf

Activar el entorno conda hello-tf antes de abrirlo Jupyter

Paso 2) Abra Jupyter

Después de eso, puedes abrir Jupyter de la terminal

jupyter notebook

Comando de Jupyter Notebook para iniciar el servidor de Jupyter Notebook

El navegador debería abrirse automáticamente; de ​​lo contrario, copie el URL impreso por la Terminal, que comienza con http://localhost:8888.

El panel de control muestra todos los archivos del directorio de trabajo. Haga clic. New y Python 3 para crear un cuaderno.

Nota: El nuevo cuaderno se guarda automáticamente dentro del directorio de trabajo.

Jupyter panel con el nuevo y Python 3 menús abiertos

Paso 3) Importar TensorFlow

Dentro del cuaderno, puedes importar TensorFlow en Jupyter Cuaderno con el alias tf. Haga clic para ejecutar. A continuación se crea una nueva celda.

import tensorflow as tf

Celda de cuaderno en ejecución importar tensorflow como tf

Escribamos su primer código con TensorFlow.

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

Una nueva encuesta tensor se crea. Enhorabuena, TensorFlow ahora se ejecuta con Jupyter en tu máquina

Celda del cuaderno que crea el Hola, Guru99 tensor constante

Paso 4) Borrar archivo

Elimine el archivo llamado Untitled.ipynb de la Jupyter .

Eliminar el archivo Untitled.ipynb del Jupyter Afiliados

Paso 5) Cerrar Jupyter

Jupyter se puede cerrar desde el propio cuaderno o desde la terminal (Anaconda Prompt en Windows).

Desde Jupyter

En el panel principal de Jupyter Notebook, simplemente haga clic en Cerrar sesión

Botón de cerrar sesión en el Jupyter Panel principal del portátil

Se le redirigirá a la página de cierre de sesión.

Jupyter página de confirmación de cierre de sesión

Desde la terminal

Seleccione la terminal o el símbolo del sistema de Anaconda y pulse Ctrl+C dos veces.

La primera vez que pulses Ctrl+C, te pedirá que confirmes el apagado; la segunda vez, lo confirmará.

El mensaje de la terminal solicita confirmación del apagado del servidor del portátil.

Terminal después de la Jupyter El servidor se ha detenido

Has terminado tu sesion satisfactoriamente.

Jupyter con el entorno principal de conda

Para iniciar TensorFlow con Jupyter En una sesión futura, active primero el entorno:

source activate hello-tf

Sin ese paso, Jupyter Se inicia en el entorno base y la importación falla.

Jupyter Partimos del entorno base de conda sin TensorFlow.

Preguntas Frecuentes

Las versiones recientes de TensorFlow admiten Python 3.9 a 3.12. Fije la versión en su archivo .yml para que conda resuelva un wheel coincidente y evite Python Versiones más recientes que las que aparecen en las notas de la versión.

TensorFlow se distribuye oficialmente a PyPI, por lo que la ruta compatible es instalar tensorflow con pip dentro de un entorno conda. Use conda para Python, Jupyter y Los pandasy luego pip para el propio framework.

Ejecute tf.config.list_physical_devices('GPU') en una celda del notebook. Una lista vacía significa que la compilación de la CPU está activa o que las versiones de CUDA y cuDNN no coinciden con los requisitos de la versión.

El kernel del notebook se está ejecutando en un entorno diferente. Active hello-tf antes de iniciarlo. Jupyter, o registre el entorno como un kernel con python -m ipykernel install –user –name hello-tf.

Ejecuta conda env remove -n hello-tf desde el entorno base. Desactívalo primero y luego confirma con conda env list que la entrada ha desaparecido y que se ha recuperado el espacio en disco.

Instala TensorFlow en un entorno nativo arm64 y luego agrega el complemento tensorflow-metal para que Keras use la GPU de Apple. Las compilaciones de Rosetta se ejecutan, pero pierden la aceleración por completo.

Copilot genera archivos .yml, comandos pip y fragmentos de registro del kernel a partir de un simple comentario, lo que simplifica la configuración. Aún es necesario verificar las versiones con las notas de la versión oficial antes de ejecutar cualquier programa.

Ahora los asistentes elaboran bucles de entrenamiento, sugieren rangos de hiperparámetros y explican los errores dentro del cuaderno. Eso acelera aprendizaje automático Se trata de una iteración, aunque la evaluación y la calidad de los datos siguen siendo decisiones humanas.

Resumir este post con: