tensorflow centos 安装

安装过程

目前较为稳定的版本为 0.12，本文以此为例。其他版本请读者自行甄别安装步骤是否需要根据实际情况修改。
TensorFlow 支持以下几种安装方式：

• PIP 安装
• 源码编译安装
• Docker 镜像安装

---

PIP 安装

PIP 是一种包管理系统，用于安装和管理用 Python 写的软件包。 —— [ Python PIP ]

安装 PIP

# Ubuntu/Linux 64-bit$ sudo apt-get install python-pip python-dev# CentOS, Fedora, RHEL$ sudo yum install python-pip python-devel# Mac OS X$ sudo easy_install pip

安装 TensorFlow

# Python 2$ sudo pip install --upgrade $TF_BINARY_URL# Python 3$ sudo pip3 install --upgrade $TF_BINARY_URL其中环境变量 TF_BINARY_URL 根据你的环境进行设置，典型选项如下：# Ubuntu/Linux 64-bit, CPU only, Python 2.7$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.1-cp27-none-linux_x86_64.whl# Ubuntu/Linux 64-bit, GPU enabled, Python 2.7# 需要 CUDA toolkit 8.0 和 CuDNN v5. 其他版本只能用源码方式安装$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-0.12.1-cp27-none-linux_x86_64.whl# Mac OS X, CPU only, Python 2.7:$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-0.12.1-py2-none-any.whl# Mac OS X, GPU enabled, Python 2.7:$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/gpu/tensorflow_gpu-0.12.1-py2-none-any.whl# Ubuntu/Linux 64-bit, CPU only, Python 3.4$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.1-cp34-cp34m-linux_x86_64.whl# Ubuntu/Linux 64-bit, GPU enabled, Python 3.4# 需要 CUDA toolkit 8.0 和 CuDNN v5. 其他版本只能用源码方式安装$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-0.12.1-cp34-cp34m-linux_x86_64.whl# Ubuntu/Linux 64-bit, CPU only, Python 3.5$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.1-cp35-cp35m-linux_x86_64.whl# Ubuntu/Linux 64-bit, GPU enabled, Python 3.5# Requires CUDA toolkit 8.0 and CuDNN v5. For other versions, see "Installing from sources" below.$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-0.12.1-cp35-cp35m-linux_x86_64.whl# Mac OS X, CPU only, Python 3.4 or 3.5:$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-0.12.1-py3-none-any.whl# Mac OS X, GPU enabled, Python 3.4 or 3.5:$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/mac/gpu/tensorflow_gpu-0.12.1-py3-none-any.whl

我的做法是先把 whl 文件下载到本地，然后拷贝到其他机器上安装。
运行记录如下：

# pip install tensorflow_gpu-0.12.1-cp27-none-linux_x86_64.whlYou are using pip version 7.1.0, however version 9.0.1 is available.You should consider upgrading via the 'pip install --upgrade pip' command.Processing ./tensorflow_gpu-0.12.1-cp27-none-linux_x86_64.whlCollecting mock>=2.0.0 (from tensorflow-gpu==0.12.1)  Using cached mock-2.0.0-py2.py3-none-any.whlCollecting protobuf>=3.1.0 (from tensorflow-gpu==0.12.1)  Downloading protobuf-3.1.0.post1-py2.py3-none-any.whl (347kB)    100% |████████████████████████████████| 348kB 164kB/sCollecting numpy>=1.11.0 (from tensorflow-gpu==0.12.1)  Downloading numpy-1.11.3.zip (4.7MB)    100% |████████████████████████████████| 4.7MB 34kB/sCollecting wheel (from tensorflow-gpu==0.12.1)  Downloading wheel-0.29.0-py2.py3-none-any.whl (66kB)    100% |████████████████████████████████| 69kB 58kB/sCollecting six>=1.10.0 (from tensorflow-gpu==0.12.1)  Downloading six-1.10.0-py2.py3-none-any.whlCollecting funcsigs>=1 (from mock>=2.0.0->tensorflow-gpu==0.12.1)  Downloading funcsigs-1.0.2-py2.py3-none-any.whlCollecting pbr>=0.11 (from mock>=2.0.0->tensorflow-gpu==0.12.1)  Downloading pbr-1.10.0-py2.py3-none-any.whl (96kB)    100% |████████████████████████████████| 98kB 93kB/sRequirement already satisfied (use --upgrade to upgrade): setuptools in /usr/lib/python2.7/site-packages (from protobuf>=3.1.0->tensorflow-gpu==0.12.1)Installing collected packages: funcsigs, six, pbr, mock, protobuf, numpy, wheel, tensorflow-gpu  Found existing installation: six 1.9.0    Uninstalling six-1.9.0:      Successfully uninstalled six-1.9.0  Running setup.py install for numpySuccessfully installed funcsigs-1.0.2 mock-2.0.0 numpy-1.11.3 pbr-1.10.0 protobuf-3.1.0.post1 six-1.10.0 tensorflow-gpu-0.12.1 wheel-0.29.0

从运行记录可以看到 pip 安装 TensorFlow 时会自动将依赖安装。如果你需要在另一台没有网络的机器上安装 TensorFlow，需要将依赖打包拷过去才能正常运行。

PIP 安装的优缺点

优点：应该是几种安装方法中最快的一种
缺点：不能灵活定制，操作系统、GPU 硬件、CUDA 版本、cuDNN 版本必须与官方标称一致

pip安装过程中遇到的问题

（1）

raise SSLError(e, request=request)SSLError: [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:765)

解决方案

pip install certifi==2015.04.28

（2）

本人已开始安装的版本是https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.8.0-cp27-none-linux_x86_64.whl
导致，只在某个目录下可以执行TensorFlow，其他目录 import tensorflow as tf 时，会提示：段错误 吐核。注意在pycharm中不会提示任何错误，但是就是不执行。

最后删除0.8版本，安装 https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.12.1-cp27-none-linux_x86_64.whl版本，问题解决。不知道是什么原因

源码编译安装

本小节的安装方法适合对 TensorFlow 做定制的场景。

下载源码

$ Git clone --recurse-submodules https://github.com/tensorflow/tensorflow

安装 Bazel

参考 http://bazel.io/docs/install.html

配置

$ ./configure
根据你的实际情况如实回答一系列问题。回答之后 bazel 会对环境进行配置，此时需要机器可以访问外网，便于获取一些编译依赖包。一些包可能需要翻墙。

编译

仅 CPU 支持，无 GPU 支持：
$ bazel build -c opt //tensorflow/tools/pip_package:build_pip_package
有 GPU 支持：
$ bazel build -c opt --config=cuda //tensorflow/tools/pip_package:build_pip_package
- 生成 pip 安装包
$ bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg
- 使用 PIP 工具安装
$ pip install /tmp/tensorflow_pkg/tensorflow-x.x.x-py2-none-linux_x86_64.whl

源码安装的优缺点

优点：灵活定制，可按需增加新特性
缺点：门槛高，配置编译环境耗时较长

Docker 镜像安装

Docker 是一个开源的应用容器引擎，让开发者可以打包他们的应用以及依赖包到一个可移植的容器中，然后发布到任何流行的Linux 机器上，也可以实现虚拟化。 —— [ Docker ]

当你通过 Docker 安装和运行 TensorFlow 时，它与你机器上之前已安装的软件包完全隔离。

官方镜像

官方提供了 4 个 Docker 镜像可供使用：

• 仅 CPU 版，无开发环境：gcr.io/tensorflow/tensorflow
• 仅 CPU 版，有开发环境：gcr.io/tensorflow/tensorflow:latest-devel
• 支持 GPU，无开发环境：gcr.io/tensorflow/tensorflow:latest-gpu
• 支持 GPU，有开发环境：gcr.io/tensorflow/tensorflow:latest-devel-gpu

另外提供了对应某个发布版本的镜像，只需将上面 tag 中 latest 替换为发布版本号。安装详细步骤如下：

创建 Docker 用户组

允许普通用户无需 sudo 即可启动容器。

usermod -a -G docker YOURNAME

启动 Docker 容器

选择上述 4 个镜像中的一个，创建容器。第一次执行该命令时会自动下载镜像，以后不需要再次下载。

docker run -it gcr.io/tensorflow/tensorflow

如果你使用了支持 GPU 的容器，在运行该命令时需要增加额外参数，目的是将宿主机上的 GPU 设备暴露给容器。使用 TensorFlow 源码中提供的脚本可以实现该功能

$ cd $TENSORFLOW_ROOT/tensorflow/tools/docker/$ ./docker_run_gpu.sh gcr.io/tensorflow/tensorflow:gpu

好奇心驱使我们查看该脚本的具体细节：

#!/usr/bin/env bashset -eexport CUDA_HOME=${CUDA_HOME:-/usr/local/cuda}if [ ! -d ${CUDA_HOME}/lib64 ]; then  echo "Failed to locate CUDA libs at ${CUDA_HOME}/lib64."  exit 1fiexport CUDA_SO=$(\ls /usr/lib/x86_64-linux-gnu/libcuda.* | \                    xargs -I{} echo '-v {}:{}')export DEVICES=$(\ls /dev/nvidia* | \                    xargs -I{} echo '--device {}:{}')if [[ "${DEVICES}" = "" ]]; then  echo "Failed to locate NVidia device(s). Did you want the non-GPU container?"  exit 1fidocker run -it $CUDA_SO $DEVICES "$@"

主要做了几件事：

• 暴露宿主机的 CUDA_HOME 环境变量给容器使用；
• 暴露宿主机的 libcuda.* 动态链接库给容器访问；
• 暴露宿主机的 /dev/nvidia* 设备给容器访问；

Docker 镜像安装的优缺点

优点：适合在大量相同环境机器构成的集群上批量部署
缺点：有墙的孩子像根草，增加了 Docker 学习成本