安装 Installation

TensorLayer 需要一些预安装库,如 TensorFlow , numpy 和 matplotlib。 对于 GPU 加速,需要安装 CUDA 和 cuDNN。

如果你遇到麻烦,可以查看 TensorFlow 安装手册 ,它包含了在不同系统中安装 TensorFlow 的步骤。或发邮件到 hao.dong11@imperial.ac.uk 询问。

步骤 1 : 安装依赖库 dependencies

TensorLayer 是运行在 python 版本的 TensorFlow 之上的,所以请先安装 python。

注解

着眼于未来,我们建议使用 python3 而不是 python2

Python 的 pip 可以帮助您很快地安装库,此外 虚拟环境(Virtual environment)virtualenv 可以帮助你管理 python 包。

以 python3 和 Ubuntu 为例,可如下安装 python 及 pip:

sudo apt-get install python3
sudo apt-get install python3-pip
sudo pip3 install virtualenv

接着在虚拟环境中安装 dependencies 到虚拟环境如下: (您也可以跳过该部分,在步骤3中让 TensorLayer 自动安装 dependencies)

virtualenv env
env/bin/pip install matplotlib
env/bin/pip install numpy
env/bin/pip install scipy
env/bin/pip install scikit-image

安装完后,若无报错,可以如下在命令窗口中显示列出安装好的包:

env/bin/pip list

最后,你可以用虚拟环境中的 python 来运行 python 代码,如下:

env/bin/python *.py

步骤 2 : TensorFlow

TensorFlow 的安装步骤在 TensorFlow 官网中有非常详细的说明,不过有一些东西是需要考虑的。 如 TensorFlow 官方目前支持 Linux, Mac OX 和 Windows 系统。

警告

对于使用 ARM 架构的机器,你需要用源码来编译安装 TensorFlow。

步骤 3 : TensorLayer

最便捷安装 TensorLayer 只需要一个指令,如下:

pip install git+https://github.com/zsdonghao/tensorlayer.git

不过,若你是高级玩家,你想要在 TensorLayer 的基础上拓展或修改源码,你可以从 Github 中把整个项目下载下来, 然后如下安装。

cd 到项目文件
pip install -e .

这个命令会运行 setup.py 来安装 TensorLayer。 其中, -e 代表 可编辑的(editable),因此你可以直接修改 tensorlayer 文件夹中的源代码,然后 import 该文件夹来使用修改后的 TensorLayer。

步骤 4 : GPU 加速

非常感谢 NVIDIA 的支持,在 GPU 上训练全连接神经网络比在 CPU 上训练往往要快 10~20 倍。 对于卷积神经网络,往往会快 50 倍。这需要有一个 NIVIDA 的 GPU,以及安装 CUDA 和 cuDNN。

CUDA

TensorFlow 官网讲了如何安装 CUDA 和 cuDNN,TensorFlow GPU 支持

可在 NIVIDIA 官网下载与安装最新版本的 CUDA。

若 CUDA 被正确地安装,下面的指令可以在命令窗口中打印出 GPU 的信息。

python -c "import tensorflow"

cuDNN

出了 CUDA,NVIDIA 还专门提供另一个库来加速神经网络的运算,特别是用来加速卷积神经网络。 这个库也可以从 NIVIDIA 官网中下载安装,但你要先注册为 NIVIDA 开发者(这需要一些审核时间)。 下载时,请在 Deep Learning Framework 处在 Other 中输入 TensorLayer。

最新 cuDNN 下载与安装链接:

下载后, 复制 *.h 文件到 /usr/local/cuda/include 以及复制 lib* 文件到 /usr/local/cuda/lib64

Windows 用户

Tensorflow于2016年11月28日发布0.12版本,添加了windows版本支持,Tensorlayer使用Tensorflow作为后端,也因此支持windows版本。根据Tensorflow官网说明,windows版本的最低系统要求为windows7,最低语言版本要求为python3.5。可以选择CPU和GPU两个版本。

Python 环境搭建

Python环境搭建我们建议使用科学计算集成python发行版Anaconda,Anaconda里面集成了大量常用的科学计算库,并且自带matlab风格的IDE Spyder,方便平时的开发使用。当然用户也可以根据自己的使用习惯选择合适的安装方式,但是python的版本最低要求为python3.5。

Anaconda 下载地址

GPU 环境搭建

如果想使用GPU版本的 TensorLayer,需要安装GPU支持,而CPU版本不需要。

编译环境 Microsoft Visual Studio

安装NVIDIA的CUDA显卡驱动需要预安装编译环境VS,VS最低的版本要求为VS2010,但我们建议安装较新的版本VS2015或者VS2013。其中CUDA7.5仅支持2010、2012、2013,CUDA8.0同时支持2015版本。

CUDA 驱动安装

为了使用显卡进行GPU加速运算,需要安装NVIDIA的CUDA驱动,我们建议安装最新版的CUDA8.0,并根据操作系统下载对应的版本。我们建议使用local安装的方式,以防出现安装过程中因为网络中断造成安装失败的现象。安装过程中所有的选择直接选择默认,如果C盘空间足够,不建议手动更改安装目录。

CUDA下载地址

加速库 cuDNN 安装

cuDNN是NVIDIA针对深度学习计算的一个加速,建议安装。您可能需要注册一个账号才能下载cuDNN,然后根据CUDA的版本和windows的版本下载相应的cuDNN源码,我们建议下载最新版的cuDNN5.1。下载下来之后直接解压,解压之后有三个夹bin,lib,include,把解压之后的三个文件夹直接复制到CUDA的安装目录。(默认的安装目录为:C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0

TensorLayer 框架搭建

首先我们需要安装TensorFlow框架,在CMD命令行直接用pip命令进行安装:

pip install tensorflow      # CPU 版本 (二选一)
pip install tensorflow-gpu  # GPU 版本 (二选一)
pip install tensorlayer     # 之后安装 TensorLayer 框架

测试

在CMD命令行输入python进入Python环境,输入:

import tensorlayer

如果未报错并且显示以下输出,则GPU版本安装成功

successfully opened CUDA library cublas64_80.dll locally
successfully opened CUDA library cuDNN64_5.dll locally
successfully opened CUDA library cufft64_80.dll locally
successfully opened CUDA library nvcuda.dll locally
successfully opened CUDA library curand64_80.dll locally

如果未报错则CPU版本安装成功。

困难

当你 import tensorlayer 时出现如下错误,请阅读  FQA

_tkinter.TclError: no display name and no $DISPLAY environment variable