conda pip安装在哪里_TensorFlow 2.0 安装指南
文 /??李錫涵，Google Developers Expert
本文節選自《簡單粗暴 TensorFlow 2.0》
TensorFlow 2.0 beta1 已經發布。本文詳細介紹在個人電腦或服務器上安裝 TensorFlow 2.0 beta1 的步驟和各種細節，讓你第一次安裝 TensorFlow 2.0 就上手！一般安裝步驟
TensorFlow 的 Python 版本使用最為廣泛。作為一個 Python 包，TensorFlow 和其他 Python 包的安裝方法區別不大，使用 Python 的包管理器 pip 即可。具體步驟如下：
? ? 1. 安裝 Python 環境。此處建議安裝 Anaconda 。這是一個開源的 Python 發行版本，提供了一個完整的科學計算環境，包括 NumPy、SciPy 等常用科學計算庫。當然，你有權選擇自己喜歡的 Python 環境。
??? 2. 使用 Anaconda 自帶的 conda 包管理器建立一個 Conda 虛擬環境，并進入該虛擬環境。在命令行下輸入以下命令：
# 建立虛擬環境
# “tf2.0”是你建立的 Conda 虛擬環境的名字
# python=3.7 代表該虛擬環境的 Python 版本為 3.7
conda create --name tf2.0 python=3.7
# 進入名為“tensorflow”的虛擬環境
conda activate tf2.0? ? ??
3. 使用 Python 包管理器 pip 安裝 TensorFlow。在命令行下輸入以下命令：pip install tensorflow==2.0.0-beta1 ? ? # TensorFlow CPU 版本
或pip install tensorflow-gpu? ? # TensorFlow GPU 版本，需要具有 NVIDIA 顯卡及正確安裝驅動程序，詳見下文
等待片刻即安裝完畢。注：Anaconda下載 鏈接
https://www.anaconda.com
小技巧
也可以使用 conda?install?tensorflow 或者 conda?install?tensorflow-gpu 來安裝 TensorFlow，不過 conda 源的版本往往更新較慢，難以第一時間獲得最新的 TensorFlow 版本；
在 Windows 下，需要打開開始菜單中的 “Anaconda Prompt” 進入 Anaconda 的命令行環境；
在國內環境下，推薦使用 國內的 pypi 鏡像 和 Anaconda 鏡像 ，將顯著提升 pip 和 conda 的下載速度；
注：清華大學的 pypi 鏡像 鏈接
https://mirrors.tuna.tsinghua.edu.cn/help/pypi/
清華大學的 Anaconda 鏡像 鏈接
https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/
如果對磁盤空間要求嚴格(比如服務器環境)，可以安裝 Miniconda ，僅包含 Python 和 Conda，其他的包可自己按需安裝。
pip 和 conda 包管理器
pip 是最為廣泛使用的 Python 包管理器，可以幫助我們獲得最新的 Python 包并進行管理。常用命令如下：
pip install [package-name]? ? ? ? ? ? ? # 安裝名為 [package-name] 的包
pip install [package-name]==X.X ? ? ? ? # 安裝名為 [package-name] 的包并指定版本 X.X
pip install [package-name] --proxy=代理服務器IP:端口號 ? ? ? ? # 使用代理服務器安裝
pip install [package-name] --upgrade? ? # 更新名為 [package-name] 的包
pip uninstall [package-name]? ? ? ? ? ? # 刪除名為 [package-name] 的包
pip list? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? # 列出當前環境下已安裝的所有包
conda 包管理器是 Anaconda 自帶的包管理器，可以幫助我們在 conda 環境下輕松地安裝各種包。相較于 pip 而言，conda 的通用性更強(不僅是 Python 包，其他包如 CUDA Toolkit 和 cuDNN 也可以安裝)，但 conda 源的版本更新往往較慢。常用命令如下：conda install [package-name]? ? ? ? # 安裝名為 [package-name] 的包
conda install [package-name]=X.X? ? # 安裝名為 [package-name] 的包并指定版本 X.X
conda update [package-name] ? ? ? ? # 更新名為 [package-name] 的包
conda remove [package-name] ? ? ? ? # 刪除名為[package-name]的包
conda list? ? ? ? ? ? ? ? ? ? ? ? ? # 列出當前環境下已安裝的所有包
conda search [package-name] ? ? ? ? # 列出名為 [package-name] 的包在 conda 源中的所有可用版本
conda 中配置代理：在用戶目錄下的 .condarc 文件中添加以下內容：proxy_servers:
????http: http://代理服務器IP:端口號
Conda 虛擬環境
在 Python 開發中，很多時候我們希望每個應用有一個獨立的 Python 環境(比如應用 1 需要用到 TensorFlow 1.X，而應用 2 使用 TensorFlow 2.0)。這時，Conda 虛擬環境即可為一個應用創建一套“隔離”的 Python 運行環境。使用 Python 的包管理器 conda 即可輕松地創建 Conda 虛擬環境。常用命令如下：
conda create --name [env-name]? ? ? # 建立名為 [env-name] 的 Conda 虛擬環境
conda activate [env-name] ? ? ? ? ? # 進入名為 [env-name] 的 Conda 虛擬環境
conda deactivate ?? ? ? ? ? ? ? ? ? # 退出當前的 Conda 虛擬環境
conda env remove --name [env-name]? # 刪除名為 [env-name] 的 Conda 虛擬環境
conda env list? ? ? ? ? ? ? ? ? ? ? # 列出所有 Conda 虛擬環境
GPU 版本 TensorFlow 安裝指南
GPU 版本的 TensorFlow 可以利用 NVIDIA GPU 強大的計算加速能力，使 TensorFlow 的運行更為高效，尤其是可以成倍提升模型訓練的速度。
在安裝 GPU 版本的 TensorFlow 前，你需要具有一塊不太舊的 NVIDIA 顯卡，以及正確安裝 NVIDIA 顯卡驅動程序、CUDA Toolkit 和 cnDNN。
GPU 硬件的準備
TensorFlow 對 NVIDIA 顯卡的支持較為完備。對于 NVIDIA 顯卡，要求其 CUDA Compute Capability 須不低于3.0，可以到 NVIDIA的官方網站 查詢自己所用顯卡的CUDA Compute Capability。目前，AMD 的顯卡也開始對 TensorFlow 提供支持，可訪問 這篇博客文章 查看詳情。
注：NVIDIA的官方網站 鏈接
https://developer.nvidia.com/cuda-gpus/
博客文章 鏈接
https://medium.com/tensorflow/amd-rocm-gpu-support-for-tensorflow-33c78cc6a6cf
NVIDIA驅動程序的安裝
WindowsWindows 環境中，如果系統具有 NVIDIA 顯卡，則往往已經自動安裝了 NVIDIA 顯卡驅動程序。如未安裝，直接訪問 NVIDIA 官方網站 下載并安裝對應型號的最新公版驅動程序即可。
注：NVIDIA 官方網站 鏈接
https://www.nvidia.com/Download/index.aspx?lang=en-us
Linux在服務器版Linux系統下，同樣訪問 NVIDIA官方網站 下載驅動程序(為 .run?文件)，并使用 sudo?bash?DRIVER_FILE_NAME.run?命令安裝驅動即可。在安裝之前，可能需要使用 sudo?apt-get?install?build-essential?安裝合適的編譯環境。
在具有圖形界面的桌面版Linux系統上，NVIDIA 顯卡驅動程序需要一些額外的配置，否則會出現無法登錄等各種錯誤。如果需要在 Linux 下手動安裝 NVIDIA 驅動，注意在安裝前進行以下步驟(以 Ubuntu 為例)：
禁用系統自帶的開源顯卡驅動Nouveau(在/etc/modprobe.d/blacklist.conf文件中添加一行blacklist?nouveau?，使用sudo?update-initramfs?-u更新內核，并重啟)
禁用主板的 Secure Boot 功能
停用桌面環境 (如sudo?service?lightdm?stop)
刪除原有 NVIDIA 驅動程序 (如sudo?apt-get?purge?nvidia*)?
小技巧
對于桌面版Ubuntu系統，有一個很簡易的NVIDIA驅動安裝方法：在系統設置(System Setting)里面選軟件與更新(Software & Updates)，然后點選Additional Drivers里面的“Using NVIDIA binary driver”選項并點選右下角的“Apply Changes”即可，系統即會自動安裝NVIDIA驅動，但是通過這種安裝方式安裝的NVIDIA驅動往往版本較舊。
NVIDIA 驅動程序安裝完成后，可在命令行下使用nvidia-smi命令檢查是否安裝成功，若成功則會打印出當前系統安裝的 NVIDIA 驅動信息，形式如下：
提示
命令nvidia-smi可以查看機器上現有的GPU及使用情況。(在 Windows 下，將 C:\Program?Files\NVIDIA?Corporation\NVSMI加入 Path 環境變量中即可，或 Windows 10 下可使用任務管理器的“性能”標簽查看顯卡信息)
更詳細的 GPU 環境配置指導可以參考 2篇博客文章?。
注：參考博客文章1 鏈接
https://www.linkedin.com/pulse/installing-nvidia-cuda-80-ubuntu-1604-linux-gpu-new-victor/
參考博客文章2 鏈接
https://blog.csdn.net/wf19930209/article/details/81877822
CUDA Toolkit 和 cnDNN 的安裝在Anaconda環境下，推薦使用：
conda install cudatoolkit=X.X
conda install cudnn=X.X.X
安裝 CUDA Toolkit 和 cnDNN，其中 X.X 和 X.X.X 分別為需要安裝的 CUDA Toolkit 和 cuDNN 版本號，必須嚴格按照 TensorFlow 官方網站所說明的版本安裝(對于 TensorFlow 2.0 beta1，可以安裝版本為 10.0 的 CUDA Toolkit 和版本為 7.6.0 的 cuDNN)。在安裝前，可使用conda?search?cudatoolkit和conda?search?cudnn搜索 conda 源中可用的版本號。當然，也可以按照 TensorFlow 官方網站上的說明 手動下載 CUDA Toolkit 和 cuDNN 并安裝，不過過程會稍繁瑣。
使用 conda 包管理器安裝 GPU 版本的 TensorFlow 時，會自動安裝對應版本的 CUDA Toolkit 和 cuDNN。conda 源的更新較慢，如果對版本不太介意，推薦直接使用conda?install?tensorflow-gpu進行安裝。
注：TensorFlow 官方網站上的說明 鏈接
https://www.tensorflow.org/install/gpu
第一個程序
安裝完畢后，我們來編寫一個簡單的程序來驗證安裝。
在命令行下輸入conda?activate?tensorflow進入之前建立的安裝有 TensorFlow 的 Conda 虛擬環境，再輸入python進入 Python 環境，逐行輸入以下代碼：
import tensorflow as tf
A = tf.constant([[1, 2], [3, 4]])
B = tf.constant([[5, 6], [7, 8]])
C = tf.matmul(A, B)
print(C)
如果能夠最終輸出:tf.Tensor(
[[19 22]
[43 50]], shape=(2, 2), dtype=int32)
說明 TensorFlow 已安裝成功。運行途中可能會輸出一些 TensorFlow 的提示信息，屬于正常現象。IDE 設置
對于機器學習的研究者和從業者，建議使用 PyCharm 作為 Python 開發的 IDE。
注：PyCharm 鏈接
http://www.jetbrains.com/pycharm/
在新建項目時，你需要選定項目的 Python Interpreter，也就是用怎樣的 Python 環境來運行你的項目。在安裝部分，你所建立的每個 Conda 虛擬環境其實都有一個自己獨立的 Python Interpreter，你只需要將它們添加進來即可。選擇“Add”，并在接下來的窗口選擇“Existing Environment”，在 Interpreter 處選擇Anaconda安裝目錄/envs/所需要添加的Conda環境名字/python.exe(Linux下無.exe后綴)并點擊“OK”即可。如果選中了“Make available to all projects”，則在所有項目中都可以選擇該 Python Interpreter。注意，在 Windows 下 Anaconda 的默認安裝目錄比較特殊，一般為 C:\Users\用戶名\Anaconda3\，即當前 Windows 用戶的用戶目錄下。
對于 TensorFlow 開發而言，PyCharm 的 Professonal 版本非常有用的一個特性是 遠程調試 (Remote Debugging)。當你編寫程序的終端機性能有限，但又有一臺可遠程ssh訪問的高性能計算機(一般具有高性能 GPU)時，遠程調試功能可以讓你在終端機編寫程序的同時，在遠程計算機上調試和運行程序(尤其是訓練模型)。你在終端機上對代碼和數據的修改可以自動同步到遠程機，在實際使用的過程中如同在遠程機上編寫程序一般，與串流游戲有異曲同工之妙。
不過遠程調試對網絡的穩定性要求高，如果需要長時間訓練模型，建議登錄遠程機終端直接訓練模型(Linux 下可以結合nohup命令 ，讓進程在后端運行，不受終端退出的影響)。遠程調試功能的具體配置步驟見 PyCharm 文檔 。
小技巧
如果你是學生并有 .edu 結尾的郵箱的話，可以在?這里?申請 PyCharm 的免費 Professional 版本授權。
注：申請免費授權
http://www.jetbrains.com/student/
對于 TensorFlow 及深度學習的業余愛好者或者初學者， Visual Studio Code 或者一些在線的交互式 Python 環境(比如免費的 Google Colab )也是不錯的選擇。Colab 的使用方式可參考 附錄 。
注：Visual Studio Code 鏈接
https://code.visualstudio.com/
Google Colab 鏈接
https://colab.research.google.com/
關于nohup命令 鏈接
https://www.ibm.com/developerworks/cn/linux/l-cn-nohup/
附錄 鏈接
https://tf.wiki/zh/appendix/cloud.html#colab
TensorFlow所需的硬件配置 *
提示
對于學習而言，TensorFlow 的硬件門檻并不高。甚至，借助免費或靈活的云端計算資源，只要你有一臺能上網的電腦，就能夠熟練掌握 TensorFlow！
在很多人的刻板印象中，TensorFlow 乃至深度學習是一件非常“吃硬件”的事情，以至于一接觸 TensorFlow，第一件事情可能就是想如何升級自己的電腦硬件。不過，TensorFlow 所需的硬件配置很大程度是視任務和使用環境而定的：
對于 TensorFlow 初學者，無需硬件升級也可以很好地學習和掌握 TensorFlow。本手冊中的大部分教學示例，大部分當前主流的個人電腦(即使沒有 GPU)均可勝任，無需添置其他硬件設備。如果自己的個人電腦難以勝任，可以考慮在云端(例如免費的 Colab )進行模型訓練。
對于參加數據科學競賽(比如 Kaggle)或者經常在本機進行訓練的個人愛好者或開發者，一塊高性能的 NVIDIA GPU 往往是必要的。CUDA 核心數和顯存大小是決定顯卡機器學習性能的兩個關鍵參數，前者決定訓練速度，后者決定可以訓練多大的模型以及訓練時的最大 Batch Size，對于較大規模的訓練而言尤其敏感。
對于前沿的機器學習研究(尤其是計算機視覺和自然語言處理領域)，多 GPU 并行訓練是標準配置。為了快速迭代實驗結果以及訓練更大規模的模型以提升性能，4 卡、8 卡或更高的 GPU 數量是常態。
關于深度學習工作站的具體配置，由于硬件行情更新較快，故不在此列出具體配置，推薦關注 知乎問題 - 如何配置一臺適用于深度學習的工作站？ ，并結合最新市場情況進行配置。
注：知乎問題 - 如何配置一臺適用于深度學習的工作站？
https://www.zhihu.com/question/33996159
福利 | 問答環節
我們知道在入門一項新的技術時有許多挑戰與困難需要克服，如果您有關于 TensorFlow 的相關問題，可在本文后留言，我們的工程師和 GDE 將挑選其中具有代表性的問題在下一期進行回答~本文節選并編譯于在線的開源 TensorFlow 2.0 技術手冊《簡單粗暴 TensorFlow 2.0》?(https://tf.wiki)。
總結
以上是生活随笔為你收集整理的conda pip安装在哪里_TensorFlow 2.0 安装指南的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： idea 引入oracle驱动并打包_I
- 下一篇： my.ini修改后服务无法启动_Visu