admin管理员组文章数量:1571765
tensorflow
文章目录
- 简介
- 一、虚拟环境
- 二、安装 TensorFlow-GPU(最新)版本
- 三、安装 TensorFlow-GPU(指定)版本
- 四、打印信息
- 4.1、检查当前TensorFlow版本号
- 4.2、检查当前TensorFlow是否支持GPU
- 4.3、检查当前PyTorch是否支持GPU
- 4.4、选择TensorFlow-GPU设备(若TensorFlow-GPU存在,则默认使用GPU)
- 方法一:使用环境变量来选择设备
- 方法二:在代码中选择设备
简介
TensorFlow(中文名:张量流)是一个由Google开发的开源机器学习框架,广泛用于深度学习和机器学习任务。
以下是 TensorFlow 的一些关键特点和简介:
- 灵活性和可扩展性:提供了一个灵活的计算图模型,允许你定义和执行各种复杂的数学运算和机器学习模型。这种灵活性使其非常适合各种机器学习任务。
- 深度学习支持:内置了用于深度学习预训练模型,包括卷积神经网络(CNNs)、循环神经网络(RNNs)、自动编码器等。它还支持构建和训练深度神经网络模型。
- 自动求导:支持自动计算梯度,这对于训练机器学习模型的反向传播算法非常重要。这使得梯度下降等优化算法的实现更加容易。
- 多平台支持:支持多种硬件和平台,包括CPU、GPU和TPU(Tensor Processing Unit)。这使得你可以在各种设备上运行训练好的模型。
- 开放源代码: TensorFlow是一个开源框架,这意味着你可以自由使用、修改和分发它,而且有一个庞大的社区支持。
- 丰富的生态系统: TensorFlow拥有庞大的生态系统,包括高级API(如Keras)、工具(如TensorBoard用于可视化)、模型仓库(如TensorFlow Hub),以及大量的扩展库和插件。
- 广泛应用: TensorFlow广泛用于各种领域,包括图像识别、自然语言处理、语音识别、强化学习等。它在学术界和工业界都得到了广泛应用。
- TensorFlow的2.x版本引入了许多改进,使其更加易用和直观。Keras曾经是一个独立的深度学习框架,而TensorFlow 2.x版本将Keras整合成为了TensorFlow的一个官方高级API。
在 TensorFlow 2.x 版本中,内置了一个高级的 Keras API,可以直接使用 TensorFlow 来访问 Keras 的功能,而不需要额外安装 Keras。
import tensorflow as tf
from tensorflow import keras
一、虚拟环境
虚拟环境是一个隔离的工作空间,用于管理和维护不同Python项目的依赖关系,以确保项目之间不会相互干扰。它提供了一种有效的方式来隔离不同项目的Python包和依赖,使项目更可维护和可移植。
【Python虚拟环境】创建 + 激活 + 查看 + 退出 + 复制 + 删除
二、安装 TensorFlow-GPU(最新)版本
在同一台计算机上同时安装TensorFlow的CPU版本和GPU版本(但不建议)。
- 安装 TensorFlow CPU 版本:
pip install tensorflow
- 安装 TensorFlow GPU 版本:
conda install tensorflow-gpu
备注:相对于cpu一键安装到底,tensorflow-gpu安装较为复杂。首先是使用pip无法成功,然后使用conda可以安装,但耗时长且大概率会因为网络问题而安装失败。
三、安装 TensorFlow-GPU(指定)版本
🧀tensorflow官网
(1)🧀tensorflow-gpu与python版本对应关系
(2)🧀tensorflow-gpu轮子下载
(3)🧀tensorflow-gpu轮子安装:pip install tensorflow_gpu-1.15.0-cp36-cp36m-win_amd64.whl
- 备注1:使用pip安装Python轮子(.whl文件)是不需要联网的,因为轮子文件已经包含了所需的依赖关系,并且可以在离线环境中使用。
- 备注2:若是翻墙状态无法安装。提示:网络设置或SSL配置问题。
四、打印信息
4.1、检查当前TensorFlow版本号
import tensorflow as tfprint("TensorFlow 版本:", tf.__version__)
# 若未安装:ModuleNotFoundError: No module named 'tensorflow'
4.2、检查当前TensorFlow是否支持GPU
import tensorflow as tfif tf.test.is_gpu_available():print("GPU is available")
else:print("GPU is not available, using CPU")
4.3、检查当前PyTorch是否支持GPU
import torchif torch.cuda.is_available():print("GPU is available")
else:print("GPU is not available, using CPU")
4.4、选择TensorFlow-GPU设备(若TensorFlow-GPU存在,则默认使用GPU)
如果不设置CUDA_VISIBLE_DEVICES环境变量:
(1)若GPU版本存在TensorFlow将默认使用GPU
(2)否则TensorFlow会自动切换到CPU。
方法一:使用环境变量来选择设备
import os
os.environ['CUDA_VISIBLE_DEVICES'] = '-1' # 运行CPU版本
os.environ['CUDA_VISIBLE_DEVICES'] = '0' # 运行GPU版本
# 使用 GPU 0,你可以根据自己的GPU编号设置
方法二:在代码中选择设备
import tensorflow as tf
physical_devices = tf.config.experimental.list_physical_devices('GPU')
if len(physical_devices) > 0:tf.config.experimental.set_memory_growth(physical_devices[0], True)
本文标签: tensorflow
版权声明:本文标题:tensorflow 内容由热心网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:https://www.elefans.com/dongtai/1716884469a523496.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
发表评论