1.2 TensorFlow的环境搭建

本节介绍在几个主要的平台上，如何安装TensorFlow，以及简单的运行测试。

1.2.1 安装环境介绍

目前TensorFlow社区推荐的环境是Ubuntu，但是TensorFlow同时支持Mac、Windows上的安装部署。

因为深度学习计算过程大量的操作是向量和矩阵的计算，而GPU在向量和矩阵计算方面比CPU有一个数量级的速度提升，所以机器学习在GPU上运算效率更高，推荐在装有GPU的机器上运行TensorFlow程序。

1.CUDA简介

显卡厂商NVIDIA推出的运算平台CUDA（Compute Unified Device Architecture），是一种通用的并行计算架构，该架构使GPU能够解决复杂的计算问题，它包含了CUDA指令集及GPU内部的并行计算引擎。提供了硬件的直接访问接口，而不必像传统方式一样必须依赖图形API接口来实现GPU的访问，从而给大规模的数据计算应用提供了一种比GPU更加强大的计算能力。程序开发人员通过C语言，利用CUDA的指令接口，就可以编写CUDA架构的程序了。

2.CuDNN简介

CuDNN的全称是CUDA Deep Neural Network library，CuDNN是专门针对深度学习框架设计的一套GPU计算加速方案，最新版本的CuDNN提供了对深度神经网络中的向前向后的卷积、池化及RNN的性能优化。目前大部分深度学习框架都支持CuDNN。

目前包括TensorFlow在内的大部分深度学习框架，都支持CUDA。所以，为了让我们的深度神经网络的程序在TensorFlow上运行得更好，推荐配置至少一块支持CUDA和CuDNN的NVIDIA的显卡。

3.查看机器的GPU信息

下面从Windows系统上查看机器的GPU信息。

在“运行”对话框中输入“dxdiag”命令，如图1-2所示，然后单击“确定”按钮，此时会打开“DirectX诊断工具”对话框。单击其中的“显示”标签页，可以查看Windows的显卡信息，如图1-3所示。

由图1-3可以看到，这个Windows上的芯片类型是“Intel(R)HD Graphics Family”。

1.2.2 安装TensorFlow

TensorFlow的Python语言API支持Python3.3以上的版本。GPU版本推荐使用Cuda Toolkit 8.0和CuDNN v5.版本，Cuda和CuDNN的其他版本也支持，不过需要用户用编译源码的方式安装。

1.安装pip

pip是用来安装和管理Python包的管理工具，在此先介绍它在各个平台上的安装方法。在安装pip之前，请先自行安装好Python。

1）Ubuntu/Linux

在Ubuntu/Linux系统上安装pip的命令：

2）Mac

在Mac系统上安装pip的命令：

3）Windows

在Windows系统上安装pip的命令：

在Windows环境变量的PATH变量的最后添加“\Python安装目录\Scripts”。

目前，TensorFlow在Windows上只支持64位的Python3.6.5版本。

2.通过pip安装TensorFlow

TensorFlow已经把最新版本的安装程序上传到了Pypi，所以我们可以通过最简单的方式来安装TensorFlow（要求pip版本在8.1或者更高）。

安装支持GPU版本的TensorFlow的命令如下：

在Windows系统上安装CPU版本（0.12版本）的命令如下：

TensorFlow在Windows上依赖MSVCP140.DLL，这里需要提前安装Visual C++2015 redistributable（x64位），其下载地址为https://www.microsoft.com/en-us/download/details.aspx?id=53587，下载文件为vc_redist.x64.exe。

3.源码编译安装TensorFlow

有时候，我们需要单独自定义一下TensorFlow的安装，如我们的CUDA是7.5版本的，这时可能需要用户自己编译源码进行安装。在此只介绍在Ubuntu系统上如何通过源码编译安装。

1）从git上下载源码

从git上下载源码的地址：

2）安装Bazel

Bazel是Google开源的一套自动化构建工具，可以通过源的方式安装，也可以通过编译源码安装，这里只介绍最简单的通过源的安装方式。

首先，安装JDK8：

然后，添加Bazel源的地址：

3）编码TensorFlow

编译TensorFlow的命令：

注意，在编译安装的过程中可能出现一些其他依赖需要手动安装，相关命令如下：

1.2.3 Cuda和CuDNN的安装

如果我们要使用TensorFlow的GPU版本，则还需要安装Cuda和CuDNN。

1.NVIDIA驱动安装

NVIDIA驱动安装的下载地址：

其实现驱动安装的命令：

2.Cuda安装

根据自己的系统选择不同版本的Cuda下载安装，其下载地址：

安装过程会提示一些选项，需要注意的是，在前面已经安装了NVIDIA的驱动，所以在提示是否需要安装NVIDIA Accelerated Graphics Driver的时候选择n。

选择参考如下：

安装成功后，提示我们需要把路径添加到环境变量中：

3.CuDNN安装

根据自己的系统环境和Cuda的版本，选择下载CuDNN。

CuDNN的下载地址：

其安装过程命令：

对应设置的环境变量：

安装完成之后，让我们来测试一下Cuda，运行：

运行输出：

至此，即说明NVIDIA的驱动和Cuda已经安装成功了。

上面的显示表示本机有3个GPU，GPU核心为GeForce GTX TITAN，每个GPU有12GB显存，因为没有在上面运行任何程序，所以目前GPU显存利用了0MB，GPU利用率0%。

此处，如果进行顺利，那么我们已经成功安装好了TensorFlow。

1.2.4 Geany开发环境

Geany是一个小巧的使用GTK+2开发的跨平台的开源集成开发环境，以GPL许可证分发源代码，是免费的自由软件，当前版本是1.31。Geany支持基本的语法高亮、代码自动完成、调用提示、插件扩展。支持文件类型：C、CPP、Java、Python、PHP、HTML、DocBook、Perl、LateX和Bash脚本。Geany小巧、启动迅速，主要缺点是界面简陋、运行速度慢、功能简单。

要下载Windows Geany安装程序，可访问http://geany.org/，单击“Download”下拉菜单中的“Releases”按钮，找到安装程序geany-1.25_setup.exe或类似的文件。下载安装程序后，运行它并接受所有的默认设置。

启动Geany，选择“文件→另存为”命令，将当前的空文件保存为“hello_world.py”，再在编辑窗口中输入代码：

Windows系统下的Geany编辑器如图1-4所示。

现在选择“生成→设置生成命令”，将看到文字Compile和Execute，它们旁边都有一个命令。在默认情况下，这两个命令都是“python”，但Geany不知道这个命令位于系统的什么地方。需要添加启动终端会话时使用的路径。在编译命令和执行中，添加命令Python所在的驱动器和文件夹。编译命令效果如图1-5所示。

提示：务必确定空格和大小都与图1-5中显示的完全相同。正确地设置这些命令后，单击“确定”按钮，即可成功运行程序。

在Geany中运行程序的方式有3种，可选择“生成→Execute”命令；单击按钮；按“F5”键。