Linux系统如何安装TensorFlow

发布时间：2022-01-24 11:03:03 作者：小新
来源：亿速云阅读：205

# Linux系统如何安装TensorFlow

## 前言

TensorFlow是由Google Brain团队开发的开源机器学习框架，广泛应用于深度学习、神经网络构建和数值计算。在Linux系统上安装TensorFlow可以获得更好的性能和开发体验。本文将详细介绍在主流Linux发行版（Ubuntu/CentOS）上安装TensorFlow的多种方法，包括：

- pip安装（CPU/GPU版本）
- Anaconda虚拟环境安装
- Docker容器化安装
- 源码编译安装

---

## 一、环境准备

### 1.1 系统要求
- **操作系统**：Ubuntu 16.04+/CentOS 7+
- **Python版本**：3.6-3.9（推荐3.7）
- **硬件要求**：
  - CPU版本：支持AVX指令集的x86处理器
  - GPU版本：NVIDIA显卡（需CUDA/cuDNN支持）

### 1.2 检查Python环境
```bash
python3 --version  # 检查Python版本
pip3 --version    # 检查pip版本

若未安装Python3：

# Ubuntu/Debian
sudo apt update && sudo apt install python3 python3-pip

# CentOS/RHEL
sudo yum install python3 python3-pip

二、安装方法

2.1 pip直接安装（推荐）

2.1.1 CPU版本安装

pip3 install --upgrade pip
pip3 install tensorflow

验证安装：

python3 -c "import tensorflow as tf; print(tf.__version__)"

2.1.2 GPU版本安装

需先安装NVIDIA驱动和CUDA工具包：

安装NVIDIA驱动：

ubuntu-drivers devices  # 查看推荐驱动
sudo apt install nvidia-driver-470

安装CUDA 11.2：

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin
sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/7fa2af80.pub
sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/ /"
sudo apt-get update
sudo apt-get -y install cuda-11-2

安装cuDNN 8.1：需从NVIDIA官网下载后手动安装。
安装TensorFlow GPU版：

pip3 install tensorflow-gpu

2.2 通过Anaconda安装

下载安装Anaconda：

wget https://repo.anaconda.com/archive/Anaconda3-2021.05-Linux-x86_64.sh
bash Anaconda3-2021.05-Linux-x86_64.sh

创建虚拟环境：

conda create -n tf_env python=3.7
conda activate tf_env

安装TensorFlow：

conda install tensorflow  # CPU版本
conda install tensorflow-gpu  # GPU版本

2.3 Docker方式安装

安装Docker引擎：

sudo apt install docker.io
sudo systemctl start docker

拉取官方镜像：

# CPU版本
docker pull tensorflow/tensorflow:latest

# GPU版本
docker pull tensorflow/tensorflow:latest-gpu

运行容器：

# CPU版本
docker run -it tensorflow/tensorflow bash

# GPU版本（需先安装nvidia-docker2）
docker run --gpus all -it tensorflow/tensorflow:latest-gpu bash

2.4 源码编译安装（高级用户）

安装Bazel构建工具：

sudo apt install bazel

克隆TensorFlow源码：

git clone https://github.com/tensorflow/tensorflow.git
cd tensorflow
git checkout v2.6.0

配置编译选项：

./configure

开始编译：

bazel build --config=opt //tensorflow/tools/pip_package:build_pip_package

生成whl安装包：

./bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg
pip install /tmp/tensorflow_pkg/tensorflow-*.whl

三、安装验证

3.1 基础验证

import tensorflow as tf
print("TensorFlow版本:", tf.__version__)
print("GPU可用:", tf.config.list_physical_devices('GPU'))

3.2 性能测试

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

四、常见问题解决

4.1 报错”Could not load dynamic library ‘libcudart.so.11.0’”

解决方法：

export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

4.2 报错”Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2”

建议使用官方预编译版本或从源码编译。

4.3 多版本管理

使用virtualenv管理不同版本：

python3 -m venv tf1.15
source tf1.15/bin/activate
pip install tensorflow==1.15

五、性能优化建议

对于GPU用户：

使用tf.config.optimizer.set_jit(True)启用XLA编译

使用混合精度训练：


policy = tf.keras.mixed_precision.Policy('mixed_float16')
tf.keras.mixed_precision.set_global_policy(policy)

通用优化：
- 使用tf.data.Dataset进行数据管道优化
- 启用Eager Execution调试模式：
```
tf.config.run_functions_eagerly(True)
```

结语

本文详细介绍了Linux系统下安装TensorFlow的四种主流方法，推荐大多数用户使用pip直接安装。对于需要环境隔离的场景，Anaconda是更好的选择，而Docker则适合快速部署。源码编译虽然复杂，但能获得最佳的硬件适配性。

建议访问TensorFlow官方文档获取最新的安装指南和版本兼容性信息。 “`