【一】tensorflow安装、常用python镜像源、tensorflow 深度学习强化学习教学

【一】需要进行安装操作, 使用常用的镜像源来获取资源, 并且要参与深度学习以及强化学习的教学环节。

【二】在调试的过程中出现了错误报告, 同时在进行深度学习以及强化学习方面的教学相关内容的展开或者推进。

【三】先安装好软件, 然后开始使用它进行教学相关的活动, 并且记录下在这一过程中所碰到的一切问题。

【四】这个安装过程是非常非常快的, 速度超级超级快。

实现和迁移环境, 这种教学方式。

  1. 深度学习

书本链接是"深度学习>笔记版.深度学习基于-互联网文档类资源-CSDN下载", 这个网址可以供您参考阅读。

您可以找到对应的码源, 还能够获取学习资料, 您要是觉得好的话, 欢迎关注并且进行一键三连。

  1. 我们正在进行安装的操作, 具体是关于常用的镜像源这一块的内容。

    #豆瓣

python 复制代码
#LFD

https://www.lfd.uci.edu/~gohlke/pythonlibs/

python 复制代码
#清华大学
复制代码
#中国科技大学

#阿里

#本地安装例子

Twisted‑18.4.0‑cp35‑cp35m‑win_amd64.whl

#//文件名说明 该版本 适用于python 3.5 的windows 64位

#//D:\Twisted‑18.4.0‑cp35‑cp35m‑win_amd64.whl 下载文件的路径

#//安装

pip install D:\Twisted‑18.4.0‑cp35‑cp35m‑win_amd64.whl

在线安装举例

复制代码
pip install " 你需要安装的包" -i https://pypi.douban.com/simple  

2.2 安装

关于具体安装教程, 您可以参考该博客文章中的超简洁安装指导部分内容。该文章标题为【1】安装超简洁教程, 配置环境、创建虚拟环境、添加镜像源。作者是汀、, 发布平台为知乎的博客页面, 链接指向CSDN网站。

通过安装该软件, 咱们就能够同时获得解释器、包管理以及虚拟环境等等一系列的便捷功能。我们从该网址进入下载页面, 选择最新版本的下载链接即可进行下载。下载完成之后安装就可以了, 这样就能进入安装程序了。

把那个东西给装好之后, 该怎么去查验一下, 看看它到底是已经安装到位了, 还是说根本就没有安装成功?

2.针对CPU版本的软件, 进行安装的操作。

打开的命令程序

随后, 进行数据的录入操作:

python 复制代码
conda create -n tf2   #tf2环境名称自定义

conda activate tf2 #激活环境

复制代码
pip install tensorflow -i https://mirrors.aliyun.com/pypi/simple/

因此就可以把最新的版本给安装好了。

这就意味着已经成功地把东西给安装好了。

或者使用下面的这个方法来进行查看。

复制代码
conda activate tf1_cpu

pip show tensorflow

2.更新指令, 以及第二种安装方法 2.4.1 更新指令。

python 复制代码
import tensorflow as tf

tf.__version__

python 复制代码
tf.__path__
python 复制代码
pip install --upgrade tensorflow

2.在第四点第二项中, 所探讨的是第二种具体的方法。

你可以前往该镜像网站【网址见上面】, 把对应版本下载下来:

然后再去安装一下, 具体的步骤就是你先要进入那个名为tf2的虚拟环境里, 接着再用cd命令切换到那个.whl文件所在的文件夹目录下, 从而进行安装工作。

python 复制代码
(tf2) PS D:\package> pip install tensorflow_gpu-2.2.0-cp36-cp36m-win_amd64.whl

这样就可以了, 然后我们再去把那个版本号给仔细检查一遍。

2.接下来是 5 GPU 版本的安装流程, 这里需要特别关注一下 2.5.1 GPU 版本的相关内容对照。

你要先将自己电脑上的控制面板这个东西给打开, 然后在里面去进行查看, 弄清楚哪些是可以被安装的版本都有哪些, 并且紧接着再去寻找和匹配适合自己电脑使用的那个特定的版本。

2.第5点2节, 关于CUDA的安装。

下载地址:

当今的大部分深度学习环境都是建立在特定的显卡硬件基础之上, 以便利用该设备进行高效的计算操作。为此, 开发人员务必配置官方推出的那个程序库。在此之前, 大家需要核实一下自己的硬件设施, 确保确实拥有能够配合该加速功能使用的显示卡部件。

第一步是要把 CUDA 的软件给装上, 接着再弄 cuDNN 深度神经网络加速库的安装工作, 最后还得去配置一下环境变量的内容。

对于CUDA软件安装这一过程, 应当先采取的操作是访问那个专门用于下载CUDA程序的官方网站网页。

在这里, 我们采用.2这个版本, 按照以下步骤进行: 依次找到平台菜单并点击进入, 接着选择架构选项并确认, 然后定位到win10系统相关设置并展开, 在其中找到名为exe与local结合的本地安装包这一项, 最后点击选择操作以启动CUDA安装软件的下载流程。

在安装程序下载完毕之后, 你需要启动该安装软件, 并在里面找到所谓为空白引用的那个选项, 接着去点击名为NEXT的那个按钮, 这样就进入了。

你在这个安装程序的选择列表里面进行选择, 把那些你想要去安装的对应的程序组件给挑选出来, 同时把这些你不想去使用的对应程序组件给取消掉。

要是那个东西的数值比新的情况还要大, 那就得把对应的选择框里的勾给去掉, 要是那个数值是比新的情况小或者是跟它一样大, 那就不用管, 默认就是已经勾好的状态, 这样设置弄好之后, 安装的程序就能够正常地走下去了。

等到所有的软件都安装完毕之后, 我们来对CUDA这个软件是否已经成功进行一下测试操作。第一步是打开cmd命令行界面, 接着在其中输入"nvcc -V"这一串代码字符, 通过这样的操作就可以得到当前阶段所拥有的CUDA的版本信息显示在屏幕上面, 具体的显示情况可以参见图中所展示的内容部分。

如果你输入的命令系统提示无法识别出它是什么意思, 那就证明安装过程大概率已经失败了。另外, 咱们还可以去 CUDA 软件的安装目录底下瞧一瞧, 具体路径是"C:\ Files\ GPU \CUDA\v11.2\bin", 看看能不能找到那个名叫"nvcc.exe"的程序文件在不在。

2.5.3 cuDNN 神经网络加速库安装

网址:

CUDA 并不是专门给神经网络用的 GPU 加速库, 它是面向各种需要并行计算的应用来设计。如果希望针对神经网络应用进行加速, 那就得额外加装 cuDNN 这个库。

要特别注意的一点是, cuDNN 这个库并不是啥运行时程序, 你只是需要把 cuDNN 的文件下载并解压, 然后配置一下 Path 这个环境变量就可以搞定。。

2.5.4 环境变量 Path 配置

上面的 cudnn 文件夹的复制操作就是已经做完了, 这就相当于 cuDNN 的安装步骤已经完成。可是, 要想让咱们的系统能够知道 cuDNN 那些文件到底放在什么位置呢? 那就还必须得再额外设置一下 Path 这个环境变量才行。

在成功安装完毕之后, <环境变量>这个设置的地方里面, 应当是包含了一些东西的。

具体的路径, 它可能会根据实际的状况呀有一点点的小出入, 在确认了没有错误以后, 要依次点击那个确定按钮, 把所有的对话框都给关闭掉。

2.5.5 --GPU安装

激活环境这个操作步骤的意思。

python 复制代码
conda create -n tf2   #tf2环境名称自定义

conda activate tf2 #激活环境

上述这条命令会自动执行下载工作, 同时完成安装步骤, 你所看到的当前这个版本, 就是那个编号为2.4的正式版本。

python 复制代码
pip install tensorflow-gpu -i https://mirrors.aliyun.com/pypi/simple/

现在我们来进行关于GPU版本的测试, 看看它是已经成功地完成了安装步骤。

python 复制代码
import tensorflow as tf

print(tf.test.is_gpu_available())

复制代码
# 如果出现:

WARNING:tensorflow:From :2: is_gpu_available (from tensorflow.python.framework.test_util) is deprecated and will be removed in a future version.

Instructions for updating:

Use `tf.config.list_physical_devices('GPU')` instead.

True

需要表明的是当前这个显卡是处于可用状态, 不过这里出现的警告信息是在告诉你说, 原本的这个测试指令马上就要被废弃掉了, 应当改为来使用tf..s('GPU')来进行操作, 具体的情况说明如下。

python 复制代码
import tensorflow as tf

print(tf.config.list_physical_devices('GPU'))

python 复制代码
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

当您遇到错误警告的时候, 请去查看2.7安装GPU遇到的各类坑总结!

2.对于测试GPU效果这一事项, 其编号为5.6。

python 复制代码
import tensorflow as tf

import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

print('GPU', tf.test.is_gpu_available())

a = tf.constant(2.0)

b = tf.constant(4.0)

print(a + b)

当结果呈现出来之后, 你会发现只要对下方那两个进行核对即可, 至于其余那些, 是不用去理会它们的。

python 复制代码
...................

GPU True

...................

tf.Tensor(6.0, shape=(), dtype=float32)

python 复制代码
# 设置 GPU 显存使用方式

# 获取 GPU 设备列表

gpus = tf.config.experimental.list_physical_devices('GPU')

if gpus:

try:

# 设置 GPU 为增长式占用

for gpu in gpus:

tf.config.experimental.set_memory_growth(gpu, True)

except RuntimeError as e:

# 打印异常

print(e)

2.在操作6的过程中, 针对因为某些原因而安装GPU失败的状况, 下面提供一些用来补救的方法。

python 复制代码
# 创建名为 tf2 的虚拟环境,并根据预设环境名 tensorflow-gpu

# 自动安装 CUDA,cuDNN,TensorFlow GPU 等

conda create -n tf2 tensorflow-gpu

# 激活 tf2 虚拟环境

conda activate tf2

这是一个极简版的安装方法。你是使用发通过极简版进行安装的, 在使用的时候必须先激活对应的虚拟环境, 这个步骤是需要和标准版有所区别的。标准版的安装是放在环境的默认环境也就是base里面的, 通常情况下是不需要手动激活base环境的。

通常情况下, 一些被很多人使用的库也可以在这个时候进行安装,具体的操作步骤是通过执行以下命令来完成的:

复制代码
# 使用阿里源安装常用 python 库

pip install ipython numpy matplotlib pillow pandas -i

2.关于在安装GPU过程中所遇到的各种问题的总结, 首先提到的第一点便是安装程序本身遭遇了失败的结果, 其具体的表现为所有应该被安装的组件全部都未能完成安装操作, 这种状况归根结底就归结为安装失败的这一事实。

解决方法:

  1. 安装程序出现了失败的情况, 其具体表现是所有的组件都未能被成功安装, 因此得出了最终安装的失败这一结论。

解决方法:

3.执行 GPU 进行的测试操作, 具体为调用 tf.test.() 这个函数。这个函数返回的结果是 false 值。

解决方法:

请前往C:\ Files\ GPU \CUDA\v11.2\bin这个路径, 把缺失的文件重新命名, 在我的情况里是.dll文件缺失, 那就将.dll重命名为.dll就可以了。

  1. 在使用gpu版本的时候出了问题, 具体的报错信息显示为Not XLA , vices not set。

据悉, 版本号好像是-gpu 2.4.1, 在该版本里, 系统默认不会再去注册XLA: CPU设备以及XLA: GPU设备了。要是您这边确实需要用到这些设备的话, 那么请进行相关设置, 不过需要注意, 带有此性质的标志最终会在后续的发行版本里面被删除掉。

python 复制代码
os.environ['TF_XLA_FLAGS'] = '--tf_xla_enable_xla_devices'
python 复制代码
import tensorflow as tf

import os

os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

print(tf.__version__)

a = tf.constant(1.)

b = tf.constant(2.)

print(a+b)

print('GPU:', tf.test.is_gpu_available())

这样的话, 那个错误的提示就不会再出现了。

python 复制代码
import tensorflow as tf

import os

os.environ['TF_XLA_FLAGS'] = '--tf_xla_enable_xla_devices'

os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

print(tf.__version__)

a = tf.constant(1.)

b = tf.constant(2.)

print(a+b)

print('GPU:', tf.test.is_gpu_available())

python 复制代码
Not creating XLA devices, tf_xla_enable_xla_devices not set

5.显卡显示都已经安装成功了, 但是还是不能运行程序, 又在文件夹下创建了环境, 结果文件夹里面是空的, 把它装到了那个名为base的大环境下边去了, 也没法儿修正清楚, 说是因为这个pip工具没装上才导致的问题。

出现这个问题的主要原因在于, 当前所使用的tf版本低到只有2.3.0, 而并没有包含2.4.1这个版本的gpu配置, 此外还在这个环境里忘记安装了pip, 这一点尤其重要, 必须予以注意。

1.可以试着先去进行一次版本的更新操作, 然后再去执行针对带有显卡加速功能的那个组件的安装事情。

python 复制代码
先执行,conda update conda,先把conda更新到最新版

然后输入conda update anaconda,把anaconda更新的新版。

输入conda update --all

如果你感觉到速度太慢的话, 可以考虑去添加一下镜像源。

复制代码
2.添加国内镜像源

全局代理这个办法,这里不做讲解了,需要使用的朋友可以自己去研究一下。这里说一下添加国内镜像源的方法。

运行Anaconda Prompt

conda config --add channels

conda config --add channels

2.设置启动设置好的国内镜像源

conda config --set show_channel_urls yes

3.查看是否添加上了源

conda config --show

如果镜像源失效了,或者想换成其他的源,怎么删除呢?

conda config --remove channels

conda config --remove channels

2.安装pip

Cobol 复制代码
conda install pip

然后去找到那个文件夹, 然后再打开该文件夹底下的子文件夹, 接着查看一下这里面是不是有pip.exe这个文件, 最后再查看一下环境变量到底有没有配置好。

要是没有的话, 那就加上以下这些内容。

3.再重新

复制代码
pip install tensorflow-gpu -i https://mirrors.aliyun.com/pypi/simple/

建议再次添加一个镜像源地址, 然后去检查一下近期发布的最新版本程序是否已经成功安装到系统中, 操作到此即可完成。

相关推荐
tellmewhoisi2 小时前
深度学习0:数学知识:最大似然推导过程
人工智能·深度学习·概率论
学无止境小袁同学3 小时前
LlamaIndex Workflows 学习
python·llm·tensorflow·llamaindex·agent开发·多agent·workflows
罗西的思考21 小时前
【轻量化复现大模型 / KIMI K3】训练模块梳理 & Muon P2P 优化器
人工智能·深度学习·机器学习
伞伞悦读1 天前
【第90期】KNN分类回归流水线与K值对照的实验与排查
大数据·人工智能·python·深度学习·机器学习
会飞锦鲤1 天前
基于 RT-DETR 的 PCB 缺陷检测
深度学习·目标检测·计算机视觉·pyqt5·rt-detr·工业质检·pcb缺陷检测
高洁012 天前
世界模型的因果内核:从预测表象到理解机制
人工智能·python·深度学习·transformer·迁移学习
算法小强2 天前
TensorFlow batch_normalization
tensorflow
算法小强2 天前
TensorFlow bn 变量复用
tensorflow
意念回复2 天前
从 RNN 到 GQA:自注意力与多头注意力机制全解析
人工智能·rnn·深度学习