tensorflow安裝及常見錯誤有哪些

小編給大家分享一下tensorflow安裝及常見錯誤有哪些，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

區別于其他入門教程的“手把手式”，本文更強調“因”而非“果”。我之所以加上“通用”字樣，是因為在你了解了這個開發環境之后，那些很low的錯誤你就不會犯了。

大家都知道深度學習涉及到大量的模型、算法，看著那些亂糟糟的公式符號，心中一定是“WTF”。我想說的是，這些你都不要管，所謂車到山前必有路。

# 所需安裝包 #

通常以我的習慣是以最簡單的方式來接觸一門新的技術，并且盡量拋棄新的（邊緣）技術的介入，如果因為一些其他因素來導致學習樹的不斷擴大，會變得很低效，所以我們直擊核心。以最常用的windows環境為例。

這里以**windows7+TensorFlow-gpu1.5+cuda8+cudnn6+anaconda5+python3.6**為例。這里強烈推薦GPU版本，因為深度學習動輒幾小時、幾天、幾周的運行市場，GPU加速會節省你很多時間（甚至電費）。

1. cuda_8.0.61_windows.exe [http://developer2.download.nvidia.com/compute/cuda/8.0/secure/Prod2/local_installers/cuda_8.0.61_windows.exe](http://developer2.download.nvidia.com/compute/cuda/8.0/secure/Prod2/local_installers/cuda_8.0.61_windows.exe)：

從NIVDIA官網下載需要找到歷史版本**Legacy Releases**。

tensorflow代碼引用的cuda庫必須**絕對匹配**，比如tensorflow1.3-1.5都使用cuda8的庫，目前（2017-10-24 20:40:53）不支持cuda9庫。

這里有一個關于cuda8的補丁，修復了8.0的一些bug[http://developer2.download.nvidia.com/compute/cuda/8.0/secure/Prod2/patches/2/cuda_8.0.61.2_windows.exe](http://developer2.download.nvidia.com/compute/cuda/8.0/secure/Prod2/patches/2/cuda_8.0.61.2_windows.exe)

2. cudnn-8.0-windows7-x64-v6.0.zip [http://developer2.download.nvidia.com/compute/machine-learning/cudnn/secure/v6/prod/8.0_20170427/cudnn-8.0-windows7-x64-v6.0.zip](http://developer2.download.nvidia.com/compute/machine-learning/cudnn/secure/v6/prod/8.0_20170427/cudnn-8.0-windows7-x64-v6.0.zip)：

和上面的原因一樣，請匹配6.0版本。

3. tensorflow [https://github.com/tensorflow/tensorflow](https://github.com/tensorflow/tensorflow)：

我之所以給出github的地址是因為tensorflow團隊在github上每天12：34都有一次build，并且github不受“種種”網絡因素的影響。在tensorflow找到python3.6對應gpu版本[build history](http://ci.tensorflow.org/view/tf-nightly/job/tf-nightly-windows/M=windows-gpu,PY=36/)，找到whl文件地址。

4. Anaconda3-5.0.0-Windows-x86_64.exe [https://www.anaconda.com/download/](https://www.anaconda.com/download/)：

anaconda有一個最大的好處就是安裝各種python庫比較方便。

# 安裝包關系 #

anaconda相當于tensorflow運行的容器。anaconda可以創建多個“盒子”（environment），每個盒子中的環境互不干擾，所以使用anaconda可以同時安裝python3.5/3.6，tensorflow1.3/1.5。

cuda和cudnn是tensorflow調用gpu所需要的庫。也就是說tensorflow必須通過cuda和cudnn來調用電腦的gpu。

#安裝#

### 安裝anaconda、anaconda、cuda、cudnn ###

1. anaconda、cuda、cudnn安裝即可。在安裝過程中會自動配置環境變量。

2. 不過需要手動將cuda的development目錄配置到`CUDA_HOME`中。

3. 將cudnn解壓后，把文件復制到cuda對應目錄。

### 安裝tensorflow ###

1. 啟動anaconda,點擊**environments**（環境），點擊**create**（新建），命名`tensorflow-gpu`，選取`3.6`版本。

2. 點擊tensorflow-gpu啟動**Open Terminal**，輸入`activate tensorflow-gpu`。這時，anaconda下**名字叫做tensorflow-gpu的環境**已經啟動了。下面我們才真正開始安裝tensorflow。

3. 輸入

`pip install --ignore-installed --upgrade http://ci.tensorflow.org/view/tf-nightly/job/tf-nightly-windows/M=windows-gpu,PY=36/lastSuccessfulBuild/artifact/cmake_build/tf_python/dist/tf_nightly_gpu-1.5.0.dev20171024-cp36-cp36m-win_amd64.whl`

稍等片刻tensorflow就安裝成功了。

# 測試tensorflow環境 #

1. 點擊anaconda下我們創建的環境`tensorflow-gpu`啟動**Open With Python**

2. 輸入`import tensorflow`如果不報錯就說明安裝成功了。

# 常見錯誤 #

1. ImportError: DLL load failed: 找不到指定的模塊。

這個錯誤通常是cuda或者cudnn與tensorflow的版本對應錯誤。推薦下載cuda8+cudnn6。

當然，隨著時間推移這些版本會被淘汰，但本教程依然適用。在github上找到tensorflow項目，在項目內搜索`TF_CUDA_VERSION`和`TF_CUDNN_VERSION`會看到當前tensorflow對應的是哪個cuda和cudnn版本。

2. 其他錯誤。

除1的錯誤外我暫時沒碰到其他錯誤，如果出現排錯的思路是，確認版本-->確認庫是否包含在path中。如果依然無法解決，可以加我微信`takeurhand`討論。

# 運行mnist例子 #

1. mnist例子運行需要安裝matplotlib庫，這時候anaconda的方便之處就得以體現了。點擊anaconda下`tensorflow-gpu`環境，再右側搜索matplotlib，勾選并點擊apply即可。

2. 下載github上mnist教程例子[https://github.com/martin-gorner/tensorflow-mnist-tutorial](https://github.com/martin-gorner/tensorflow-mnist-tutorial)，并解壓。

3. 啟動anaconda下`tensorflow-gpu`環境**Open Terminal**，輸入`activate tensorflow-gpu`，cd到步驟2解壓目錄。

4. 執行`python mnist_xx.py`

以上是“tensorflow安裝及常見錯誤有哪些”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！