Hvordan laste ned og installere Tensorflow i Jupyter bærbare

by: Evelyn Clarke Evelyn Clarke
Hours oppdatert

⚡ Smart oppsummering

TensorFlow installeres rent i et isolert Anaconda-miljø, som holder Python, Jupyter og rammeverket løses opp til én bane og forhindrer versjonskrock med alle andre dataprosjekter som allerede ligger på samme maskin.

  • 🔘 Velg en konstruksjon: CPU-pakken passer til de fleste læringsoppgaver; GPU-bygget trenger et NVIDIA-kort.
  • ☑️ Isoler først: Et conda-miljø deklarert i en .yml-fil holder avhengigheter reproduserbare.
  • ✅ Windows ekstra: Windows forbereder miljøet først, og legger deretter til TensorFlow med pip install tensorflow.
  • 🧪 Bekreft stien: Python, Jupyter og Ipython må alle løses i samme miljø.
  • 🛠️ Importtest: importer tensorflow som tf etterfulgt av tf.constant beviser at installasjonen fungerer.
  • 🔒 Aktiver på nytt: Hver ny økt må aktiveres av Conda, Hello-tf, før Jupyter starter.
Les mer

Last ned og installer TensorFlow i Jupyter bærbare

Installere TensorFlow med Anaconda on Windows or macOS tar ett conda-miljø og noen få kommandoer. Du lærer også hvordan du importerer TensorFlow inni Jupyter bærbare, den nettleserbaserte notatbokvisningen.

TensorFlow-versjoner

TensorFlow støtter beregninger på tvers av flere CPUer og GPUer. Det betyr at beregningene kan distribueres på tvers av enheter for å forbedre hastigheten på treningen. Med parallellisering trenger du ikke å vente i flere uker for å få resultatene av treningsalgoritmer.

Til Windows For brukere tilbyr TensorFlow to byggevarianter:

  • TensorFlow med kun CPU-støtteHvis maskinen din ikke har et NVIDIA GPU, installer denne versjonen.
  • TensorFlow med GPU-støtteRaskere for trening, men verdt oppsettet bare når du trenger reell beregningskapasitet.

I denne veiledningen er basisversjonen av TensorFlow tilstrekkelig. Tabellen nedenfor sammenligner de to versjonene:

Criterion CPU-konstruksjon GPU-bygg
Pakke tensorflow (CPU-hjul) tensorflow med CUDA-kjøretid
maskinvare Enhver x86- eller ARM-prosessor NVIDIA-kort med støttet CUDA
Best for Veiledninger, små modeller Store treningsløp
Oppsettinnsats Én kommando Driver-, CUDA- og cuDNN-samsvar

Versjonsmerknad: TensorFlow 2.10 var den siste utgivelsen med native Windows GPU-støtte. Fra 2.11 og utover, Windows Brukere kjører GPU-bygget i WSL2 eller installerer CPU-pakken. Apple Silicon Mac-er legger til tensorflow-metal for akselerasjon.

OBS: TensorFlow tilbyr ikke CUDA GPU-støtte på macOS.

Slik går du frem

macOS brukere:

  • Installer Anaconda
  • Opprett en .yml-fil for å installere TensorFlow og avhengigheter
  • Start Jupyter bærbare

Windows brukere:

  • Installer Anaconda
  • Opprett en .yml-fil for å installere avhengigheter
  • Bruk pip for å legge til TensorFlow
  • Start Jupyter bærbare

Å kjøre TensorFlow med Jupyter, skape et dedikert miljø inne i Anaconda-holdingen IPython, Jupyter og TensorFlow. Legg til én viktig ting datavitenskap biblioteket også: pandaer, som manipulerer datarammer.

Installer Anaconda

Last ned Anaconda versjon 4.3.1 (for Python 3.6) for det aktuelle systemet.

Disse versjonene er eldre: nåværende TensorFlow 2.x kobles sammen med Python 3.9 til 3.12. Siden 2024 krever standardkanalen Anaconda også en betalt lisens for organisasjoner over 200 personer, så Miniconda eller Miniforge med conda-forge er den gratis løsningen.

Anaconda administrerer bibliotekene som kreves for Python or R, og installerer dem deretter per miljø.

Opprett .yml-fil for å installere TensorFlow og avhengigheter

Det inkluderer

  • Finn stien til Anaconda
  • Sett arbeidskatalogen til Anaconda
  • Opprett yml-filen (For MacOS-brukere er TensorFlow installert her)
  • Rediger yml-filen
  • Kompiler yml-filen
  • Aktiver Anaconda
  • Installer TensorFlow (Windows kun bruker)

Trinn 1) Finn Anaconda,

Det første trinnet du må gjøre er å finne banen til Anaconda.

Du skal opprette et conda-miljø som inneholder bibliotekene som brukes i TensorFlow-opplæringene.

Windows

Hvis du er en Windows bruker, kan du bruke Anaconda-prompt og skrive inn:

C:\>where anaconda

Anaconda-ledetekst for utdata av where anaconda-kommandoen på Windows

Vi er interessert i å vite navnet på mappen der Anaconda er installert, fordi vi ønsker å opprette det nye miljøet vårt i denne banen. På bildet ovenfor ligger Anaconda i Admin-mappen; din vil ha ditt eget brukernavn.

Deretter flytter du arbeidsmappen fra c:\ til Anaconda3.

MacOS

Til macOS brukere, åpne terminalen og skriv:

which anaconda

Terminalutgang for hvilken anaconda-kommando på macOS

Du oppretter nå en mappe i Anaconda som skal inneholde IPython, Jupyter og tensorflowDen raskeste måten å deklarere disse bibliotekene på er en yml-fil.

Trinn 2) Sett arbeidskatalog

Spesifiser arbeidsmappen der yml-filen skal opprettes; som nevnt ovenfor, ligger den i Anaconda.

Til macOS brukere:

Terminalen har standardinnstillingen Brukere/BRUKERNAVNI figuren nedenfor samsvarer anaconda3-banen og arbeidskatalogen; macOS viser gjeldende mappe før $. Alle biblioteker er installert der.

Hvis banen i teksteditoren ikke samsvarer, kjør cd PATH i terminalen, og siter banen når den inneholder mellomrom.

macOS Terminal som viser anaconda3-banen som arbeidskatalog

Åpne terminalen og skriv inn:

cd anaconda3

Til Windows brukere, sjekk mappen som kommer før Anaconda3:

cd C:\Users\Admin\Anaconda3

eller banen "hvor anaconda"-kommandoen gir deg

Windows ledetekst etter å ha endret katalogen til Anaconda3

Ikke gå glipp av:

Trinn 3) Lag yml-filen

Du kan lage yml-filen i den nye arbeidskatalogen.

Filen vil installere avhengighetene du trenger for å kjøre TensorFlow. Kopier og lim inn denne koden i terminalen.

For MacOS-brukere:

touch hello-tf.yml

En ny fil kalt hello-tf.yml skal vises inne i anaconda3

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

Til Windows bruker:

echo.>hello-tf.yml

En ny fil kalt hello-tf.yml skal vises

Windows ledeteksten oppretter hello-tf.yml med echo-kommandoen

Trinn 4) Rediger yml-filen

Du er klar til å redigere yml-filen.

For MacOS-brukere:

Du kan lime inn følgende kode i terminalen for å redigere filen. MacOS-bruker kan bruke vim for å redigere yml-filen.

vi hello-tf.yml

Så langt ser terminalen din slik ut

Terminalåpning av hello-tf.yml i vi-editoren

Du skriver inn en redigere modus. Inne i denne modusen kan du, etter å ha trykket på esc:

  • Trykk i for å starte redigering
  • Trykk esc, og skriv deretter :w for å lagre
  • Trykk esc, og skriv deretter :q! for å avslutte uten å lagre

Skriv følgende kode i redigeringsmodus og trykk esc etterfulgt av :w

hello-tf.yml avhengighetsliste skrevet inn i vi

OBS: Filen er sak og innrykkssensitiv. To mellomrom kreves for hvert innrykksnivå.

For 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
  • avhengigheter:
  • 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.

Trykk esc etterfulgt av :q! for å gå ut av redigeringsmodus.

Lagret hello-tf.yml-fil vist etter at vi er avsluttet

Til Windows Bruker:

Windows har ingen vim, så Notisblokk er nok for dette trinnet.

notepad hello-tf.yml

Skriv følgende inn i filen

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

Code Forklaring

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

Det vil åpne notisblokken, du kan redigere filen herfra.

hello-tf.yml åpnet i Windows notis~~POS=TRUNC

OBS: Windows brukere installerer TensorFlow i neste trinn; her forbereder du bare conda-miljøet.

Trinn 5) Kompiler yml-filen

Kompiler .yml-filen med følgende kommando:

conda env create -f hello-tf.yml

OBS: Til Windows brukere, opprettes det nye miljøet i gjeldende brukerkatalog.

Det tar tid og omtrent 1.1 GB diskplass.

conda env oppretter utdata som løser hello-tf-avhengighetene på macOS

In Windows

conda env oppretter utdata som løser hello-tf-avhengighetene på Windows

Trinn 6) Aktiver conda-miljøet

Du har nå to conda-miljøer.

Et isolert miljø anbefales, fordi hver maskinlæring prosjektet trenger et annet biblioteksett, og du kan slette det når prosjektet er ferdig.

conda env list

conda env-liste som viser base- og hello-tf-miljøene

Stjernen markerer det aktive miljøet. Bytt til hello-tf for å aktivere det. Moderne conda bruker conda activate på alle plattformer; kildekoden activate er utdatert.

For MacOS-brukere:

source activate hello-tf

Til Windows bruker:

activate hello-tf

Terminalledetekst etter aktivering av hello-tf-miljøet

Bekreft at alle avhengigheter løses i samme miljø, slik at Python, Jupyter og TensorFlow deler ett prefiks. Hvis de tre stiene er forskjellige, må du bygge miljøet på nytt.

For MacOS-brukere:

which python
which jupyter
which ipython

hvilke python-, jupyter- og ipython-løsninger i hello-tf macOS

Valgfritt: Se etter en oppdatering.

pip install --upgrade tensorflow

Trinn 7) Installer TensorFlow For Windows bruker

Til Windows brukere:

where python
where jupyter
where ipython

hvor python, jupyter og ipython løser seg opp inne i hello-tf på Windows

To Python miljøer finnes nå: basismiljøet og hello-tf. Bare hello-tf bærer TensorFlow. På bildet løses python, jupyter og ipython alle opp i samme miljø, så TensorFlow kan brukes fra en Jupyter Notebook.

Windows brukere installerer TensorFlow med pip:

pip install tensorflow

pip install tensorflow-utdata i hello-tf-miljøet

Slik importerer du TensorFlow i Jupyter bærbare

Denne delen er identisk på begge operativsystemene. Husk at miljøet må aktiveres hver gang du åpner TensorFlow.

Du vil fortsette som følger:

  • Aktiver hello-tf conda-miljøet
  • Open Jupyter
  • Importer TensorFlow
  • Slett notatbok
  • Lukke Jupyter

Trinn 1) Aktiver conda

For MacOS-brukere:

source activate hello-tf

Til Windows bruker:

conda activate hello-tf

Aktivering av hello-tf conda-miljøet før åpning Jupyter

Trinn 2) Open Jupyter

Etter det kan du åpne Jupyter fra terminalen

jupyter notebook

jupyter notebook-kommandoen starter notebook-serveren

Nettleseren skal åpnes automatisk; ellers kopier URL skrives ut av terminalen, som starter med http://localhost:8888.

Dashbordet viser alle filer i arbeidsmappen. Klikk Ny og Python 3 å lage en notatbok.

OBS: Den nye notatboken lagres automatisk i arbeidskatalogen.

Jupyter dashbordet med det nye og Python 3 meny åpen

Trinn 3) Importer TensorFlow

Inne i notatboken kan du importere TensorFlow inn Jupyter Notatbok med tf-aliaset. Klikk for å kjøre. En ny celle opprettes nedenfor.

import tensorflow as tf

Notebook-celle kjører import tensorflow som tf

La oss skrive din første kode med TensorFlow.

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

En ny tensor er opprettet. Gratulerer, TensorFlow kjører nå med Jupyter på maskinen din.

Notebook-celle som lager Hallo, Guru99 konstant tensor

Trinn 4) Slett fil

Slett filen med navnet Untitled.ipynb fra Jupyter dashbordet.

Sletter Untitled.ipynb-filen fra Jupyter dashbord

Trinn 5) Lukke Jupyter

Jupyter kan lukkes fra selve notatboken eller fra terminalen (Anaconda-ledetekst på Windows).

Fra Jupyter

I hovedpanelet til Jupyter Notatbok, bare klikk på Logg Ut

Logg ut-knappen i Jupyter Hovedpanelet på den bærbare datamaskinen

Du blir omdirigert til utloggingssiden.

Jupyter bekreftelsesside for utlogging

Fra terminalen

Velg terminal- eller Anaconda-ledeteksten og trykk Ctrl+C to ganger.

Den første Ctrl+C ber deg bekrefte avslutningen; den andre bekrefter det.

Terminalmelding som ber om å bekrefte avslutningen av den bærbare serveren

Terminalen etter Jupyter serveren har stoppet

Du har logget ut.

Jupyter med det viktigste conda-miljøet

For å starte TensorFlow med Jupyter i en fremtidig økt, aktiver miljøet først:

source activate hello-tf

Uten det trinnet, Jupyter starter i basismiljøet, og importen mislykkes.

Jupyter startet fra basis-conda-miljøet uten TensorFlow

Spørsmål og svar

Støtte for nylige TensorFlow-utgivelser Python 3.9 til 3.12. Fest versjonen i .yml-filen din slik at conda løser et samsvarende hjul, og unngår Python nyere versjoner enn listen over utgivelsesnotater.

TensorFlow sendes offisielt til PyPI, så pip install tensorflow i et conda-miljø er den støttede ruten. Bruk conda for Python, Jupyter og pandaer, og deretter pip for selve rammeverket.

Kjør tf.config.list_physical_devices('GPU') i en celle i en notatbok. En tom liste betyr at CPU-bygget er aktivt, eller at CUDA- og cuDNN-versjonene ikke samsvarer med utgivelseskravene.

Kjernen i den bærbare datamaskinen kjører i et annet miljø. Aktiver hello-tf før oppstart. Jupyter, eller registrer miljøet som en kjerne med python -m ipykernel install –user –name hello-tf.

Kjør conda env remove -n hello-tf fra basismiljøet. Deaktiver det først, og bekreft deretter med conda env list at oppføringen er borte og at diskplassen er frigjort.

Installer tensorflow i et native arm64-miljø, og legg deretter til tensorflow-metal-pluginen slik at Keras bruker Apple GPU. Rosetta-bygg kjører, men mister akselerasjonen helt.

Copilot lager utkast til .yml-filer, pip-kommandoer og kjerneregistreringssnutter fra en vanlig kommentar, noe som forkorter oppsettet. Versjonskodene må fortsatt sjekkes mot de offisielle utgivelsesnotatene før du kjører noe.

Assistenter utarbeider nå treningsløkker, foreslår hyperparameterområder og forklarer feil i den bærbare datamaskinen. Det øker hastigheten maskinlæring iterasjon, selv om evaluering og datakvalitet forblir menneskelige avgjørelser.

Oppsummer dette innlegget med: