摘要:打開命令提示符輸入出現下面提示說明已經安裝成功安裝添加的環境變量環境變量中加上的路徑,例如。在命令提示符輸入安裝完成,建立一個全新的環境,例如我們想建立一個叫的開發環境,路徑為,那么我們輸入安裝完成。
工欲善其事,必先利其器。首先我們需要花費一些時間來搭建開發環境。
1.安裝python。python是人工智能開發首選語言。
2.安裝virtualenv。virtualenv可以為一個python應用創建一套隔離的運行環境,避免不同版本的python或第三方庫互相影響。類似的虛擬環境還有anaconda,anaconda自帶常用庫,因此安裝包有幾百兆,與anaconda相比,virtualenv更輕量化,只有十幾兆的大小,可定制化高,推薦virtualenv。使用virtualenv這種虛擬環境的好處是安全,如果某個版本庫裝壞了,直接刪除這個虛擬環境的文件夾即可,不必重裝系統的python。
3.安裝常用的第三方庫。常用的有numpy(科學計算)、scipy(科學計算)、matplotlib(作圖)、sciket-learn(機器學習)、keras(tensorflow的高層封裝)、tensorflow(深度學習)。使用pip速度慢的問題點這里查看解決方法。
4.安裝CUDA和cuDNN(GPU版tensorflow)
Mac OS基于Unix,相比Windows做開發更方便,但是最大的缺點就是非常封閉,各種沙盒安全機制,可能正是由于這個原因,Google在后期的Tensorflow GPU版本中放棄了對Mac的支持。本文介紹Mac OS和Windows兩種系統中的環境搭建。Mac OS中,使用僅cpu版本的tensorflow(當然也可以安裝舊版本的支持gpu的版本,前提是你的顯卡是Nvidia的卡);Windows中,使用支持gpu版本的tensorflow。筆者目前是使用雙系統,跑普通機器學習算法和不是很深的神經網絡時使用Mac OS,跑深一些的神經網絡使用Windows,畢竟gpu比cpu快的多。(英偉達官方說計算能力3.0或更高的NVIDIA顯卡才支持gpu版tensorflow,所以安裝之前到這里查詢一下你的顯卡的算力,如果小于3,還是老老實實安裝cpu版的吧。)
Mac OSMac OS自帶python2.7,我們需要自己安裝python3。目前tensorflow在Mac中支持的python版本為2.7、3.4、3.5、3.6。我們使用3.6版本。下載地址:點這里。安裝也很簡單,一直next就好了。打開終端輸入
</>復制代碼
python3
出現下面提示說明已經安裝成功:
</>復制代碼
Python 3.6.7 (v3.6.7:6ec5cf24b7, Oct 20 2018, 03:02:14) [GCC 4.2.1 Compatible Apple LLVM 6.0 (clang-600.0.57)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
在終端輸入:
</>復制代碼
sudo pip install --upgrade virtualenv
安裝完成,建立一個全新的 virtualenv 環境,例如我們想建立一個叫AI的開發環境,路徑為~,那么我們輸入:
</>復制代碼
virtualenv --no-site-packages ~/AI
–no-site-packages是不復制系統python中的庫,安裝的就是一個不帶任何第三方庫的很干凈的環境。如果想拷貝系統python中的庫,需要使用--system-site-packages。
如果系統中有多個python,比如同時有python2和python3,想創建一個python2.7的環境,可以輸入:
</>復制代碼
virtualenv -p /usr/bin/python2 --no-site-packages ~/
進入這個環境:
</>復制代碼
source ~/AI/bin/activate
此時終端前綴變成
</>復制代碼
(AI) ~ $:
這時候就可以在這個環境安裝第三方庫了,系統Python環境不受任何影響。安裝時直接用pip,不需要使用sudo。例如安裝numpy:
</>復制代碼
(AI) ~ $: pip install numpy
退出環境:
</>復制代碼
(AI) ~ $: deactivate
就回到正常環境了,終端變回:
</>復制代碼
~ $:
進入虛擬環境:
</>復制代碼
source ~/AI/bin/activate
安裝numpy:
</>復制代碼
(AI) ~ $: pip install numpy
安裝scipy:
</>復制代碼
(AI) ~ $: pip install scipy
安裝matplotlib:
</>復制代碼
(AI) ~ $: pip install matplotlib
安裝sciket-learn:
</>復制代碼
(AI) ~ $: pip install sklearn
安裝keras:
</>復制代碼
(AI) ~ $: pip install keras
安裝tensorflow:
</>復制代碼
(AI) ~ $: pip install https://storage.googleapis.co...
其它版本點這里
</>復制代碼
import tensorflow as tfimport numpy as np
hello=tf.constant("hhh")
sess=tf.Session()
print (sess.run(hello))
如果沒有報錯說明安裝成功了。
WindowsWindows不自帶python,目前tensorflow在Win中支持的python版本為3.5、3.6。我們使用3.6版本。直接下載python3.6安裝就好了。下載地址:點這里。安裝也很簡單,一直next就好了。
添加python的環境變量:
“我的電腦”-“屬性”-“高級系統設置”-“環境變量”,在“系統變量”中選中“Path”,點“編輯”,加上python的路徑,例如“C:Python36”。這樣就可以在命令提示符中使用python了。打開命令提示符輸入
</>復制代碼
python
出現下面提示說明已經安裝成功:
</>復制代碼
Python 3.6.7 (v3.6.7:6ec5cf24b7, Oct 20 2018, 03:02:14) [GCC 4.2.1 Compatible Apple LLVM 6.0 (clang-600.0.57)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>>
添加pip的環境變量:
環境變量“Path”中加上pythonScript的路徑,例如“C:Python36Script”。這樣就可以在命令提示符中使用pip了。
在命令提示符輸入:
</>復制代碼
pip install --upgrade virtualenv
安裝完成,建立一個全新的 virtualenv 環境,例如我們想建立一個叫AI的開發環境,路徑為C:Usersxxx,那么我們輸入:
</>復制代碼
virtualenv --no-site-packages C:UsersxxxAI
安裝完成。使用和上文Mac中類似,不再贅述。
和上文Mac中類似,不再贅述。只需注意tensorflow選擇win版支持gpu的版本。
</>復制代碼
pip install https://storage.googleapis.co...
因為在Windows中我們安裝的是支持gpu的tensorflow,因此比Mac中多兩個安裝步驟。CUDA是由NVIDIA推出的通用并行計算架構,該架構使GPU能夠解決復雜的計算問題。cuDNN是NVIDIA專門針對深度神經網絡(Deep Neural Networks)中的基礎操作而設計基于GPU的加速庫。下面我們來安裝它們。
首先確保電腦安裝好了Nvidia顯卡驅動,打開控制面板---NVIDIA控制面板---幫助---系統信息---組件,如果支持CUDA會有NVCUDA.DLL 以及支持的CUDA版本。
根據查詢到的支持的CUDA版本到這里查詢匹配的tensorflow和cuDNN版本。
注意一定要版本匹配!
注意一定要版本匹配!
注意一定要版本匹配!
根據查詢好的版本下載正確的CUDA(下載地址:點這里)和cuDNN(下載地址:點這里)。
CUDA下載好是exe文件,直接雙擊安裝。安裝好路徑像下面這樣"C:Program FilesNVIDIA GPU Computing ToolkitCUDAv8.0"。
cuDNN下載好是一個壓縮包,里面有3個文件夾。一個include,一個lib64,還有一個bin。把它們復制到上面CUDA的安裝文件夾("C:Program FilesNVIDIA GPU Computing ToolkitCUDAv8.0")中。
配置環境變量,在環境變量“Path”中加上這三個路徑:
</>復制代碼
a."C:Program FilesNVIDIA GPU Computing ToolkitCUDAv8.0libx64b."C:Program FilesNVIDIA GPU Computing ToolkitCUDAv8.0in
c."C:Program FilesNVIDIA GPU Computing ToolkitCUDAv8.0
安裝完成。
</>復制代碼
import tensorflow as tfimport numpy as np
hello=tf.constant("hhh")
sess=tf.Session()
print (sess.run(hello))
如果沒有報錯說明安裝成功了,如果報錯請仔細檢查版本,python版本+tensorflow版本+CUDA版本+cuDNN版本。
最后預祝大家安裝順利!
文章版權歸作者所有,未經允許請勿轉載,若此文章存在違規行為,您可以聯系管理員刪除。
轉載請注明本文地址:http://specialneedsforspecialkids.com/yun/19857.html
摘要:硬件機器學習和深度學習帶來的那種顛覆早已從軟件堆棧擴大到了芯片服務器和云服務提供商。數據中心也正在重新設計架構,以支持機器學習和深度學習耗用的超大量數據。 作者是多位精英CIO、CTO和技術高管組成的福布斯雜志的常設部門Forbes Technology Council過去這幾年涌現出了全新類別的產品,這歸功于機器學習和深度學習取得了非凡的進步。僅舉幾個例子,這些新技術在支持產品推薦、醫療成...
摘要:硬件機器學習和深度學習帶來的那種顛覆早已從軟件堆棧擴大到了芯片服務器和云服務提供商。數據中心也正在重新設計架構,以支持機器學習和深度學習耗用的超大量數據。 作者是多位精英CIO、CTO和技術高管組成的福布斯雜志的常設部門Forbes Technology Council過去這幾年涌現出了全新類別的產品,這歸功...
閱讀 891·2021-11-22 12:04
閱讀 2093·2021-11-02 14:46
閱讀 619·2021-08-30 09:44
閱讀 2102·2019-08-30 15:54
閱讀 720·2019-08-29 13:48
閱讀 1593·2019-08-29 12:56
閱讀 3447·2019-08-28 17:51
閱讀 3285·2019-08-26 13:44