本文介绍在Anaconda环境中,下载并配置Python中机器学习、深度学习常用的新版tensorflow
库的方法。
在之前的两篇文章Python TensorFlow深度学习回归代码:DNNRegressor与Python TensorFlow深度神经网络回归:keras.Sequential中,我们介绍了利用Python中的tensorflow
库,实现机器学习与深度学习的具体思路与代码实现;然而,当初并没有具体介绍tensorflow
库的配置方法。因此,在这篇文章中,我们就介绍一下在Anaconda环境中,配置tensorflow
库的详细方法;此外,这里需要注意,在较新版本的tensorflow
库(版本大于1.5
,但对于Windows用户而言,版本还不能高于2.10
)中,已经同时支持CPU、GPU训练,不需要再区分是配置CPU版本的库还是GPU版本的库了。
首先,和Anaconda环境配置其他库一样,我们需要打开Anaconda Prompt软件;如下图所示。
随后,将会弹出如下所示的终端窗口。
接下来,我们即可开始tensorflow
库的配置。由于我这里希望将tensorflow
库配置到另一个已有的Anaconda虚拟环境中(这个虚拟环境的名称为py36tf
,Python版本是3.6
的),而不是当前这个默认的base
环境,因此需要按照文章创建Anaconda虚拟Python环境的方法中提到的方法,首先进入这个名称为py36tf
的虚拟环境中,如下图所示。
如果大家需要在默认的环境中配置tensorflow
库,直接执行接下来的操作即可;如果大家希望新建一个环境来配置tensorflow
库,那么参考上文提及的文章创建Anaconda虚拟Python环境的方法,创建并进入一个新的虚拟环境,再继续执行接下来的操作即可。
接下来,继续输入如下的代码,即可立即开始配置tensorflow
库。
pip install --upgrade tensorflow
运行上述代码后,可以看到将立即开始tensorflow
库的配置,如下图所示。其中,由于我这里Python版本是3.6
的,而不是最新的Python版本,因此从下图可以看到tensorflow
库版本也并不是最新的,而是2.6.2
版本的——当然对我而言,这也就足够了。如果大家希望用最新版本的tensorflow
库,需要注意同时使用最新的Python版本。
此外,这里有必要提一句——如果我用如下所示的代码进行tensorflow
库的配置,配置得到的tensorflow
库则是1.X
版本的,而不是上面我们刚刚得到的是2.X
版本,始终无法获取最新版本的tensorflow
库;且之后无论怎么更新tensorflow
库,都会出现报错信息。
conda install tensorflow
例如,在我的电脑上,如果运行上述代码,则结果如下图所示。
不知道具体是哪里的问题,从上图可以看到这种方法得到的tensorflow
库始终是1.X
版本(例如上图中显示tensorflow
库就是1.2.1
版本的)。所以,如果大家需要比较新版本的tensorflow
库,还是建议用前面提到的pip install --upgrade tensorflow
这句代码来实现。
让我们继续回到前述tensorflow
库配置的工作中;稍等片刻,一般情况下即可完成tensorflow
库的配置。这里需要注意,如果此时大家出现如下图所示的报错,则说明tensorflow
库暂时还是没有配置成功。
这种情况是由于pip
版本不够高导致的,因此我们需要通过如下所示的代码将pip
升级。
python -m pip install --upgrade pip
输入上述代码,如下图所示。
运行这一代码后,我们重新运行一次pip install --upgrade tensorflow
这句代码即可。可是在我这里,重新运行这句代码后,又出现了如下图所示的问题。
通过检查,发现网络代理的问题;将代理关闭后,即可解决问题(但是很奇怪,不知道为什么刚刚没有报这个错误,重新运行这句代码后才出现这样的错误)。最终,得到结果界面如下图所示。
接下来,我们可以输入如下的代码,从而检查tensorflow
库是否已经配置成功。
python -c "import tensorflow as tf;print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
如下图所示,如果最终得到了一个tf.Tensor
结果,即可说明我们的tensorflow
库终于配置完毕了。
至此,大功告成。当然,到这里或许也不算完全成功——从上图可以看到,当前tensorflow
库并没有进行GPU计算。如果大家的电脑上没有GPU,或者不需要用GPU加以计算,那就不用管这个问题,相当于已经完全成功了,后续直接开始用tensorflow
库进行各类深度学习的应用即可;但是对于电脑上有GPU,并且也希望让GPU加入计算的用户而言,我们将在下一篇博客中介绍具体的配置方法。