TensorFlow2-开发环境安装(1)

淡淡的烟草味﹌ 2022-11-29 03:02 210阅读 0赞

### 文章目录 ###

*  开发环境安装
 *   *  深度学习框架介绍
     *  学习建议
     *  开发环境安装
     *   *  CUDA安装
         *  python虚拟环境安装
         *   *  安装虚拟环境包
             *  编辑环境变量
             *  使环境变量生效
         *  创建并进入虚拟环境
         *   *  创建虚拟环境
             *  切换虚拟环境
             *  退出虚拟环境
             *  列出
             *  删除
         *  安装TensorFlow和torch
     *  为什么使用TensorFlow
     *  TensorFlow GPU与CPU运算
     *  TensorFlow2 自动求导
     *  TensorFlow2 与torch 简单语法比较

# 开发环境安装 #

## 深度学习框架介绍 ##

*  Scikit-learn
    
     *  Machinelearning，No GPU
 *  Caffe
    
     *  2013，第一个面向深度学习的框架
     *  No auto-grad，C++
 *  Keras
    
     *  wrapper
 *  Theano
    
     *  开发难，调试难
 *  Torch
    
     *  Lua语言

## 学习建议 ##

*  Pytorch和TensorFlow选一主修
    
     *  两者都要掌握
 *  Keras逐渐淡出
    
     *  TF+Keras
     *  PyTorch+Caffe2

## 开发环境安装 ##

*  Manjaro
    
     *  sudo pacman -Syyu
 *  Python 3.8
    
     *  自带python3.8.3
 *  CUDA 10.x
    
     *  cuDNN
     *  sudo pacman -S cuda cudnn
 *  TensorFlow 2.x
 *  PyCharm

### CUDA安装 ###

sudo pacman -S cuda cudnn                                                
    正在解析依赖关系...
    :: 有 6 个软件包可提供 opencl-nvidia ：
    :: 软件仓库 extra
       1) opencl-nvidia-340xx  2) opencl-nvidia-390xx  3) opencl-nvidia-418xx
       4) opencl-nvidia-430xx  5) opencl-nvidia-435xx  6) opencl-nvidia-440xx
    
    输入某个数字 ( 默认=1 ): 6
    正在查找软件包冲突...
    
    软件包 (5) gcc8-8.4.0-1  gcc8-libs-8.4.0-1  opencl-nvidia-440xx-440.100-1
               cuda-10.2.89-5  cudnn-7.6.5.32-4
    
    下载大小：  1994.55 MiB
    全部安装大小：  5182.63 MiB
    
    :: 进行安装吗？ [Y/n]

### python虚拟环境安装 ###

*  manjaro默认python3

#### 安装虚拟环境包 ####

pip install virtualenvwrapper

#### 编辑环境变量 ####

nano ~/.bashrc
    or 
    nano ~/.zshrc
    
    # >>> virtualenvwrapper initialize >>>
    export WORKON_HOME=$HOME/.virtualenvs
    VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3
    source $HOME/.local/bin/virtualenvwrapper.sh
    # <<< virtualenvwrapper initialize <<<

#### 使环境变量生效 ####

source ~/.bashrc
    or
    source ~/.zshrc

### 创建并进入虚拟环境 ###

#### 创建虚拟环境 ####

mkvirtualenv deep_learning_py38

#### 切换虚拟环境 ####

workon deep_learning_py38

#### 退出虚拟环境 ####

deactivate

#### 列出 ####

lsvirtualenv

#### 删除 ####

rmvirtualenv deep_learning_py38

### 安装TensorFlow和torch ###

*  切换环境变量
    
     *  workon deep\_learning\_py38
 *  查看是否切换成功
    
     *  pip -V
 *  安装 tensorflow
    
     *  pip install tensorflow tensorflow-gpu torch
 *  测试

(deep_learning_py38) ~ python                                         [130]
    Python 3.8.3 (default, May 17 2020, 18:15:42) 
    [GCC 10.1.0] on linux
    Type "help", "copyright", "credits" or "license" for more information.
    
    ~ import tensorflow as tf
    
    ~ tf.constant(1.)+tf.constant(2.)
    <tf.Tensor: shape=(), dtype=float32, numpy=3.0>
    
    
    ~ tf.test.is_gpu_available()
    False  # 未安装GPU驱动
    
    ~ quit()

## 为什么使用TensorFlow ##

*  GPU加速
 *  自动求导
 *  神经网络Layers

## TensorFlow GPU与CPU运算 ##

import tensorflow as tf
    import timeit
    
    
    with tf.device('/cpu:0'):
    	cpu_a = tf.random.normal([10000, 1000])
    	cpu_b = tf.random.normal([1000, 2000])
    	print(cpu_a.device, cpu_b.device)
    
    with tf.device('/gpu:0'):
    	gpu_a = tf.random.normal([10000, 1000])
    	gpu_b = tf.random.normal([1000, 2000])
    	print(gpu_a.device, gpu_b.device)
    
    def cpu_run():
    	with tf.device('/cpu:0'):
    		c = tf.matmul(cpu_a, cpu_b)
    	return c 
    
    def gpu_run():
    	with tf.device('/gpu:0'):
    		c = tf.matmul(gpu_a, gpu_b)
    	return c 
    
    
    # warm up
    cpu_time = timeit.timeit(cpu_run, number=10)
    gpu_time = timeit.timeit(gpu_run, number=10)
    print('warmup:', cpu_time, gpu_time)
    
    
    cpu_time = timeit.timeit(cpu_run, number=10)
    gpu_time = timeit.timeit(gpu_run, number=10)
    print('run time:', cpu_time, gpu_time)

/job:localhost/replica:0/task:0/device:CPU:0 /job:localhost/replica:0/task:0/device:CPU:0
    /job:localhost/replica:0/task:0/device:CPU:0 /job:localhost/replica:0/task:0/device:CPU:0
    warmup: 1.7047466650001297 1.916131809000035
    run time: 1.6430040090001512 1.641810919000136

## TensorFlow2 自动求导 ##

y = a 2 ∗ x + b ∗ x + c y = a^2 \* x + b\*x + c y=a2∗x\+b∗x\+c

x=1
    a=2
    b=3
    c=4

import tensorflow as tf 
    
    
    x = tf.constant(1.)
    a = tf.constant(2.)
    b = tf.constant(3.)
    c = tf.constant(4.)
    
    
    with tf.GradientTape() as tape:
    	tape.watch([a, b, c])
    	y = a**2 * x + b * x + c
    
    
    [dy_da, dy_db, dy_dc] = tape.gradient(y, [a, b, c])
    print(dy_da, dy_db, dy_dc)

tf.Tensor(4.0, shape=(), dtype=float32) tf.Tensor(1.0, shape=(), dtype=float32) tf.Tensor(1.0, shape=(), dtype=float32)

## TensorFlow2 与torch 简单语法比较 ##

# TensorFlow2
    import tensorflow as tf
    a = tf.constant(1.)
    b = tf.constant(2.)
    c = tf.add(a,b)
    print(float(c))

# torch
    import torch
    a = torch.tensor(1.)
    b = torch.tensor(3.)
    c = torch.add(a,b)
    print(c.item())