Kuinka ladata ja asentaa Tensorflow sisään Jupyter muistikirja

by: Evelyn Clarke Evelyn Clarke
Hours Päivitetty

⚡ Älykäs yhteenveto

TensorFlow asentuu siististi eristettyyn Anaconda-ympäristöön, joka pitää Python, Jupyter ja viitekehys ratkaisee yhden polun ja estää versioiden yhteentörmäykset kaikkien muiden samalla koneella jo olevien dataprojektien kanssa.

  • 🔘 Valitse rakenne: CPU-paketti sopii useimpiin oppimistehtäviin; GPU-kokoonpano tarvitsee NVIDIA-näytönohjaimen.
  • ☑️ Eristä ensin: .yml-tiedostossa ilmoitettu conda-ympäristö pitää riippuvuudet toistettavissa.
  • ✅ Windows ylimääräinen: Windows valmistelee ensin ympäristön ja lisää sitten TensorFlow'n komennolla pip install tensorflow.
  • 🧪 Tarkista polku: Pythonin, Jupyterin ja Ipythonin on kaikki ratkettava samassa ympäristössä.
  • 🛠️ Tuontitesti: Tuo tensorflow muodossa tf ja sen jälkeen tf.constant todistaa asennuksen toimivan.
  • 🔒 Aktivoi uudelleen: Jokainen uusi istunto vaatii condan aktivoivan hello-tf:n ennen Jupyter käynnistyy.
Lue lisää

Lataa ja asenna TensorFlow sisään Jupyter muistikirja

asentaminen TensorFlow Anacondan kanssa on Windows or macOS vaatii yhden Conda-ympäristön ja muutaman komennon. Opit myös tuomaan TensorFlow'n sen sisään. Jupyter muistikirja, selainpohjainen muistikirjan katseluohjelma.

TensorFlow-versiot

TensorFlow tukee laskentaa useiden suorittimien ja grafiikkasuorittimien välillä. Se tarkoittaa, että laskelmat voidaan jakaa eri laitteille harjoituksen nopeuden parantamiseksi. Rinnakkaisussa sinun ei tarvitse odottaa viikkoja saadaksesi harjoitusalgoritmien tulokset.

varten Windows käyttäjille TensorFlow tarjoaa kaksi versiota:

  • TensorFlow vain CPU-tuella: Jos koneessasi ei ole NVIDIA-näytönohjainta, asenna tämä koontiversio.
  • TensorFlow GPU-tuellaNopeampi koulutukseen, mutta asennuksen arvoinen vain silloin, kun tarvitset todellista laskentatehoa.

Tässä tutoriaalissa TensorFlow'n perusversio riittää. Alla oleva taulukko vertailee kahta buildia:

Kriteeri Suorittimen kokoonpano GPU-kokoonpano
Paketti tensorflow (suorittimen kiekko) tensorflow CUDA-ajonaikaisella käyttöliittymällä
Palvelimet Mikä tahansa x86- tai ARM-prosessori NVIDIA-näytönohjain, jossa on CUDA-tuki
Parasta Opastusohjelmat, pienet mallit Suuret harjoitusajot
Asennustyö Yksi komento Ohjaimen, CUDA:n ja cuDNN:n yhteensovittaminen

Versiohuomautus: TensorFlow 2.10 oli viimeisin natiivilla versiolla varustettu versio. Windows GPU-tuki. Versiosta 2.11 eteenpäin, Windows käyttäjät ajavat GPU-koontiversion WSL2:n sisällä tai asentavat CPU-paketin. Apple Silicon Macit lisäävät tensorflow-metal-ominaisuuden kiihdytystä varten.

Huomautus: TensorFlow ei tarjoa CUDA-grafiikkasuoritintukea macOS.

Toimi näin

macOS käyttäjät:

  • Asenna Anaconda
  • Luo .yml-tiedosto TensorFlow'n ja riippuvuuksien asentamiseksi
  • Käynnistää Jupyter muistikirja

Windows käyttäjät:

  • Asenna Anaconda
  • Luo .yml-tiedosto riippuvuuksien asentamista varten
  • Käytä pip lisätäksesi TensorFlow
  • Käynnistää Jupyter muistikirja

TensorFlow'n suorittaminen Jupyter, luo oma ympäristö Anaconda holding I:n sisällePython, Jupyter ja TensorFlow. Lisää yksi olennainen tietojenkäsittely myös kirjasto: pandas, joka manipuloi datakehyksiä.

Asenna Anaconda

Lataa Anaconda versio 4.3.1 (for Python 3.6) sopivalle järjestelmälle.

Nuo versiot ovat perinteisiä: nykyinen TensorFlow 2.x toimii pareittain Python 3.9–3.12. Vuodesta 2024 lähtien Anacondan oletuskanava on vaatinut myös maksullisen lisenssin yli 200 hengen organisaatioilta, joten Miniconda tai Miniforge conda-forgen kanssa on ilmainen vaihtoehto.

Anaconda hallinnoi tarvittavia kirjastoja Python or Rja asentaa ne sitten ympäristöittäin.

Luo .yml-tiedosto TensorFlow'n ja riippuvuuksien asentamiseksi

Se sisältää

  • Etsi Anacondan polku
  • Aseta työhakemistoksi Anaconda
  • Luo yml-tiedosto (MacOS-käyttäjälle TensorFlow on asennettu tähän)
  • Muokkaa yml-tiedostoa
  • Kääntää yml-tiedosto
  • Aktivoi Anaconda
  • Asenna TensorFlow (Windows vain käyttäjälle)

Vaihe 1) Etsi Anaconda,

Ensimmäinen askel, joka sinun on tehtävä, on paikantaa Anacondan polku.

Luot conda-ympäristön, joka sisältää TensorFlow-tutoriaaleissa käytetyt kirjastot.

Windows

Jos olet Windows käyttäjä, voit käyttää Anaconda-kehotetta ja kirjoittaa:

C:\>where anaconda

Anaconda-kehotteen tuloste where anaconda -komennolle Windows

Meitä kiinnostaa Anacondan asennuskansion nimi, koska haluamme luoda uuden ympäristömme tähän polkuun. Yllä olevassa kuvassa Anaconda sijaitsee Admin-kansiossa; sinun kansiollesi tulee oma käyttäjätunnuksesi.

Seuraavaksi siirrät työhakemiston c:\-hakemistosta Anaconda3-hakemistoon.

MacOS

varten macOS käyttäjät, avaa Pääte ja kirjoita:

which anaconda

Päätelaitteen lähtö, jonka anaconda-komento on päällä macOS

Luot nyt Anacondan sisälle kansion, joka sisältää IPython, Jupyter ja TensorFlowNopein tapa määrittää nämä kirjastot on yml-tiedosto.

Vaihe 2) Aseta työhakemisto

Määritä työhakemisto, johon yml-tiedosto luodaan; kuten edellä todettiin, se sijaitsee Anacondan sisällä.

varten macOS käyttäjät:

Päätelaitteen oletusarvo on Käyttäjät/KÄYTTÄJÄNIMIAlla olevassa kuvassa anaconda3-polku ja työhakemisto vastaavat toisiaan; macOS näyttää nykyisen kansion ennen $-merkkiä. Jokainen kirjasto on asennettu sinne.

Jos tekstieditorin polku ei täsmää, suorita päätteessä komento cd PATH ja lisää polku lainausmerkkeihin, jos se sisältää välilyöntejä.

macOS Pääte, jossa näkyy anaconda3-polku työhakemistona

Avaa terminaalisi ja kirjoita:

cd anaconda3

varten Windows käyttäjät, tarkista Anaconda3:a edeltävä kansio:

cd C:\Users\Admin\Anaconda3

tai polku "jossa anaconda" -komento antaa sinulle

Windows kehote hakemiston vaihtamisen jälkeen Anaconda3:een

AIHEESEEN LIITTYVÄT ARTIKKELIT

Vaihe 3) Luo yml-tiedosto

Voit luoda yml-tiedoston uuteen työhakemistoon.

Tiedosto asentaa TensorFlow'n suorittamiseen tarvitsemasi riippuvuudet. Kopioi ja liitä tämä koodi terminaaliin.

MacOS-käyttäjälle:

touch hello-tf.yml

Anaconda3:ssa pitäisi näkyä uusi tiedosto nimeltä hello-tf.yml

macOS Pääte luo hello-tf.yml-tiedoston touch-komennolla

varten Windows käyttäjä:

echo.>hello-tf.yml

Näyttöön tulee uusi tiedosto nimeltä hello-tf.yml

Windows kehota luomaan hello-tf.yml-tiedosto echo-komennolla

Vaihe 4) Muokkaa yml-tiedostoa

Olet valmis muokkaamaan yml-tiedostoa.

MacOS-käyttäjälle:

Voit liittää seuraavan koodin terminaaliin muokataksesi tiedostoa. MacOS-käyttäjä voi käyttää vim muokata yml-tiedostoa.

vi hello-tf.yml

Toistaiseksi terminaalisi näyttää tältä

Pääte avaa hello-tf.yml-tiedoston vi-editorissa

Syötät an muokata -tilassa. Tässä tilassa voit esc-näppäimen painamisen jälkeen:

  • Aloita muokkaus painamalla i-painiketta
  • Paina Esc ja kirjoita sitten :w tallentaaksesi
  • Paina Esc ja kirjoita sitten :q! lopettaaksesi tallentamatta

Kirjoita seuraava koodi muokkaustilassa ja paina esc ja sen jälkeen :w

hello-tf.yml-riippuvuusluettelo kirjoitettuna vi:n sisällä

Huomautus: Tiedosto on tapaus ja sisennysherkkä. Jokaista sisennystasoa kohden tarvitaan kaksi välilyöntiä.

MacOS:lle

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 Selitys

  • nimi: hello-tf: yml-tiedoston nimi
  • riippuvuudet:
  • python=3.6
  • jupyter
  • python
  • pandas: Asenna Python 3.6, Jupyter, IPython ja pandoja.
  • pip: Asenna a Python kirjasto
    • Pyörä URL: asenna TensorFlow suoraan osoitteesta Google tallennus-API.

Poistu muokkaustilasta painamalla esc-näppäintä ja sen jälkeen :q!-näppäintä.

Tallennettu hello-tf.yml-tiedosto näytetään vi:stä poistumisen jälkeen

varten Windows Käyttäjä:

Windows ei ole vim, joten Muistio riittää tähän vaiheeseen.

notepad hello-tf.yml

Kirjoita tiedostoon seuraava

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

Code Selitys

  • nimi: hello-tf: yml-tiedoston nimi
  • riippuvuudet:
  • python=3.6
  • jupyter
  • python
  • pandas: Asenna Python 3.6, Jupyter, IPython ja pandoja.

Se avaa muistilehtiön, voit muokata tiedostoa täältä.

hello-tf.yml avattiin vuonna Windows muistilehtiö

Huomautus: Windows käyttäjät asentavat TensorFlow'n seuraavassa vaiheessa; tässä vain valmistelet conda-ympäristön.

Vaihe 5) Kääntää yml-tiedosto

Käännä .yml-tiedosto seuraavalla komennolla:

conda env create -f hello-tf.yml

Huomautus: varten Windows käyttäjille, uusi ympäristö luodaan nykyisen käyttäjän hakemistoon.

Se vie aikaa ja noin 1.1 Gt levytilaa.

conda env luo tulosteen, joka ratkaisee hello-tf-riippuvuudet macOS

In Windows

conda env luo tulosteen, joka ratkaisee hello-tf-riippuvuudet Windows

Vaihe 6) Aktivoi conda-ympäristö

Sinulla on nyt kaksi conda-ympäristöä.

Eristettyä ympäristöä suositellaan käytännöksi, koska jokainen koneoppiminen projekti tarvitsee eri kirjastosarjan, ja voit poistaa sen projektin päätyttyä.

conda env list

conda-ympäristöluettelo, joka näyttää perus- ja hello-tf-ympäristöt

Tähti merkitsee aktiivista ympäristöä. Vaihda hello-tf:ään aktivoidaksesi sen. Moderni conda käyttää conda activate -käskyä kaikilla alustoilla; source activate on vanhentunut.

MacOS-käyttäjälle:

source activate hello-tf

varten Windows käyttäjä:

activate hello-tf

Pääteikkuna hello-tf-ympäristön aktivoinnin jälkeen

Varmista, että jokainen riippuvuus ratkeaa samassa ympäristössä, joten Python, Jupyter ja TensorFlow'lla on yksi yhteinen etuliite. Jos kolme polkua eroavat toisistaan, luo ympäristö uudelleen.

MacOS-käyttäjälle:

which python
which jupyter
which ipython

mitkä python, jupyter ja ipython ratkaisevat hello-tf:n sisällä macOS

Valinnainen: Tarkista päivitys.

pip install --upgrade tensorflow

Vaihe 7) Asenna TensorFlow For Windows lähettämä

varten Windows käyttäjät:

where python
where jupyter
where ipython

missä python, jupyter ja ipython ratkaisevat hello-tf:n sisällä Windows

Kaksi Python ympäristöt ovat nyt olemassa: perusympäristö ja hello-tf. Vain hello-tf sisältää TensorFlow'n. Kuvassa python, jupyter ja ipython päätyvät kaikki samaan ympäristöön, joten TensorFlow'ta voi käyttää Jupyter Notebook.

Windows käyttäjät asentavat TensorFlow'n pip:llä:

pip install tensorflow

pip asenna tensorflow-tuloste hello-tf-ympäristöön

TensorFlow'n tuominen sisään Jupyter muistikirja

Tämä osa on identtinen molemmissa käyttöjärjestelmissä. Muista, että ympäristö on aktivoitava joka kerta ennen TensorFlow'n avaamista.

Toimit seuraavasti:

  • Aktivoi hello-tf conda -ympäristö
  • avoin Jupyter
  • Tuo TensorFlow
  • Poista muistikirja
  • lähellä Jupyter

Vaihe 1) Aktivoi conda

MacOS-käyttäjälle:

source activate hello-tf

varten Windows käyttäjä:

conda activate hello-tf

Hello-tf conda -ympäristön aktivointi ennen avaamista Jupyter

Vaihe 2) avoin Jupyter

Sen jälkeen voit avata Jupyter terminaalista

jupyter notebook

jupyter notebook -komento käynnistää notebook-palvelimen

Selaimen pitäisi avautua automaattisesti; muuten kopioi URL päätelaitteen tulostama, ja se alkaa http://localhost:8888.

Kojelaudassa luetellaan kaikki työhakemistossa olevat tiedostot. Napsauta Uusi ja Python 3 muistikirjan luomiseksi.

Huomautus: Uusi muistikirja tallennetaan automaattisesti työhakemistoon.

Jupyter kojelauta, jossa on uusi ja Python 3 valikko auki

Vaihe 3) Tuo TensorFlow

Muistikirjan sisällä voit tuoda TensorFlow'n sisään Jupyter Muistikirja tf-aliaksella. Suorita napsauttamalla. Uusi solu luodaan alle.

import tensorflow as tf

Muistikirjan solu, jossa tuodaan tensorflow tf-tiedostona

Kirjoitetaan ensimmäinen koodisi TensorFlow'lla.

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

Uusi tensor on luotu. Onnittelut, TensorFlow toimii nyt Jupyter koneellasi.

Muistikirjan solu luo Hei, Guru99 vakiotensori

Vaihe 4) Poista tiedosto

Poista tiedosto nimeltä Untitled.ipynb hakemistosta Jupyter kojelautaan.

Untitled.ipynb-tiedoston poistaminen Jupyter kojelauta

Vaihe 5) lähellä Jupyter

Jupyter voidaan sulkea itse kannettavasta tietokoneesta tai terminaalista (Anaconda Prompt päällä Windows).

alkaen Jupyter

Pääpaneelissa Jupyter Muistikirja, napsauta vain Kirjaudu ulos

Kirjaudu ulos -painike kohdassa Jupyter Kannettavan tietokoneen pääpaneeli

Sinut ohjataan uloskirjautumissivulle.

Jupyter uloskirjautumisen vahvistussivu

Terminaalista

Valitse pääte tai Anaconda-kehote ja paina Ctrl+C kahdesti.

Ensimmäinen Ctrl+C pyytää vahvistamaan sammutuksen; toinen vahvistaa sen.

Pääteikkuna pyytää vahvistamaan muistikirjapalvelimen sammuttamisen

Terminaali sen jälkeen Jupyter palvelin on pysähtynyt

Olet onnistuneesti kirjautunut ulos.

Jupyter pääkondaympäristön kanssa

TensorFlow'n käynnistäminen Jupyter aktivoi ympäristö ensin tulevassa istunnossa:

source activate hello-tf

Ilman sitä askelta, Jupyter käynnistyy perusympäristössä ja tuonti epäonnistuu.

Jupyter aloitettu perus-conda-ympäristöstä ilman TensorFlow'ta

UKK

Viimeaikaisten TensorFlow-julkaisujen tuki Python 3.9–3.12. Kiinnitä versio .yml-tiedostoosi, jotta Conda löytää vastaavan pyörän, ja vältä Python versiot ovat uudempia kuin julkaisutiedot.

TensorFlow toimitetaan virallisesti PyPI:hin, joten pip install tensorflow conda-ympäristössä on tuettu reitti. Käytä condaa seuraaviin tarkoituksiin: Python, Jupyter ja pandas, sitten pip itse kehykselle.

Suorita tf.config.list_physical_devices('GPU') kannettavan tietokoneen solussa. Tyhjä lista tarkoittaa, että suorittimen koontiversio on aktiivinen tai CUDA- ja cuDNN-versiot eivät vastaa julkaisuvaatimuksia.

Muistikirjan ydin toimii eri ympäristössä. Aktivoi hello-tf ennen käynnistämistä. Jupytertai rekisteröi ympäristö ytimeksi komennolla python -m ipykernel install –user –name hello-tf.

Suorita perusympäristössä komento conda env remove -n hello-tf. Deaktivoi se ensin ja vahvista sitten komennolla conda env list, että merkintä on poistettu ja levytila ​​on vapautettu.

Asenna tensorflow natiiviin arm64-ympäristöön ja lisää sitten tensorflow-metal-laajennus, jotta Keras käyttää Applen GPU:ta. Rosetta-koontiversiot toimivat, mutta menettävät kiihtyvyyden kokonaan.

Copilot luonnostelee .yml-tiedostot, pip-komennot ja ytimen rekisteröintikoodinpätkät pelkästä kommentista, mikä lyhentää asennusta. Versio-pinit on silti tarkistettava virallisia julkaisutietoja vasten ennen kuin mitään suoritetaan.

Assistentit luonnostelevat nyt harjoitussilmukoita, ehdottavat hyperparametrialueita ja selittävät virheitä muistikirjan sisällä. Tämä nopeuttaa koneoppiminen iteraatio, vaikka arviointi ja datan laatu ovatkin edelleen ihmisten tekemiä päätöksiä.

Tiivistä tämä viesti seuraavasti: