3.1 tensorflow的編譯及安裝

安裝TensorFlow有兩種主要情況：

• 使用CPU，安裝相對簡單。
• 使用GPU，需要先安裝CUDA和cuDNN，過程較為復雜。

無論哪種情況，我們都建議使用Anaconda作為Python的環境管理工具，因為它可以有效避免許多兼容性問題。

TensorFlow目前在Linux和Mac系統上支持較為完善（對Windows的支持尚不全面）。在Mac系統上，主要使用CPU版本（因為Mac系統很少使用NVIDIA顯卡，而TensorFlow對CUDA的支持較好，對AMD的OpenCL支持仍處于實驗階段），其安裝方式與Linux的CPU版本基本一致。

安裝Anaconda

Anaconda是一個用于科學計算的Python發行版，內置了數百個常用的Python庫，包括用于機器學習和數據挖掘的庫，如Scikit-learn、numpy、scipy和pandas等，其中一些可能是TensorFlow的依賴庫。

Anaconda的下載地址：

在Mac上，有兩種安裝方式：一種是圖形界面的安裝程序(.pkg)，另一種是命令行安裝程序(.sh)，通常選擇后者。下載后，執行以下命令：

bash Anaconda3-4.4.0-MacosX-x86_64.sh

TensorFlow CPU版本的安裝

TensorFlow的CPU版本安裝相對簡單，分為兩種情況：

1. 安裝預編譯的release版本，推薦大多數用戶使用這種方式。
2. 使用分支源碼進行編譯安裝。

第一種：安裝release版本

從https://github.com/tensorflow/tensorflow下載最新的release版本(.whl)到本地，然后執行：

pip install --gpgrade tensorflow-1.3.0rc0-py3-none-any.whl

第二種：使用源碼編譯安裝

首先，確保系統已安裝gcc（版本最好在4.8到5.4之間），并安裝構建工具bazel。bazel是Google的編譯工具，以其快速、可擴展、靈活和可靠著稱，下載和安裝方式如下：

安裝步驟：

(1) 下載源碼包并解壓：

wget https://github.com/tensorflow/tensorflow/archive/v1.3.0-rc0.tar.gztar -zxvf v1.3.0-rc0.tar.gz

(2) 進入源碼目錄并配置：

cd tensorflow-1.3.0-rc0./configure

選擇Python路徑，確保使用Anaconda的Python路徑；選擇CPU編譯優化選項，默認-march=native即可；是否使用jemalloc作為默認的malloc實現（僅Linux），默認即可；是否開啟Google云平臺支持，選擇否；是否需要支持hadoop File System，如果需要讀取hdfs數據，選擇yes；是否開啟XLA JIT編譯功能，建議選擇no；選擇Python的Library路徑，依然使用Anaconda的路徑；不選擇使用GPU，包括OpenCL和CUDA。

(3) 執行編譯：

bazel build --copt=-march=native -c opt //tensorflow/tools/pip_package:build_pip_package

(4) 編譯結束后，生成pip安裝包：

bazel-bin/tensonflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg

(5) 最后安裝：

pip install /tmp/tensorflow_pkg/tensorflow-xxx-xxx-xxx-xxx.whl

TensorFlow GPU版本的安裝

TensorFlow的GPU版本安裝相對復雜。首先需要NVIDIA顯卡，然后安裝顯卡驅動、CUDA和cuDNN。

CUDA的安裝

CUDA是NVIDIA推出的用于通用計算（General Purpose GPU）的SDK，安裝包通常包含顯卡驅動。

先下載NVIDIA CUDA：

(1) 暫停NVIDIA驅動的X server：

sudo init 3

(2) 將CUDA的安裝包權限設置為可執行，并安裝：

chmod u+x cuda_8.0.61_375.26_linux.runsudo ./cuda_8.0.61_375.26_linux.run

(3) 按q鍵跳過協議說明，接受協議后選擇安裝驅動程序。

(4) 選擇安裝路徑，通常默認/usr/local/cuda-8.0。

(5) 不安裝CUDA例子。

(6) 安裝完畢。

cuDNN的安裝

cuDNN是NVIDIA推出的深度學習中cnn和rnn的高度優化的實現。

下載cuDNN：

進入安裝目錄并解壓包：

cd /usr/localsudo tar -zxvf cudnn-8.0-linux-x64-v5.1.tgz

這樣就完成了cuDNN的安裝。

CUDA的環境變量設置

vim ~/.bashrcexport LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:/usr/local/cuda-8.0/extras/CUPTI/lib64:$LD_LIBRARY_PATHexport CUDA_HOME=/usr/local/cuda-8.0export PATH=/usr/local/cuda-8.0/bin:$PATHsource ~/.bashrc

安裝TensorFlow

從https://github.com/tensorflow/tensorflow下載最新的GPU release版本(.whl)到本地，執行：

pip install --gpgrade tensorflow_gpu-1.3.0rc0-cp35-cp35m-linux_x86_64.whl

然后一步步選擇安裝完成。