如何安装TensorFlow？与sklearn/pytorch有什么关系？

我们相信：世界是美好的，你是我也是。 来玩一下解压小游戏吧！

本文描述一下深度学习领域最拉风的TensorFlow，如何安装及基础的测试使用。当然很多功能上来说，使用sklearn或者pytorch也是可以的。那么，TensorFlow和sklearn、pytorch有什么联系？

苏南大叔的“程序如此灵动”博客，记录苏南大叔的代码编程经验总结。测试环境：win10，python@3.12.9，tensorflow@2.19.0。

tensorflow

TensorFlow是一个开源的机器学习框架，广泛应用于深度学习和人工智能领域。tensorflow是谷歌公司开发的源码，所以，这决定了其官方网站在国内是有极大概率打不开的。

• http://www.tensorflow.org/
• https://github.com/tensorflow/tensorflow

安装tensorflow

就简单安装合适版本的python，不建议安装venv或者Anaconda。

安装python

python安装的两个原则：

• 涉及到python的相关源码，只要是安装最新版的python，一定不是明智的选择。所以，可能需要降级安装python。
• 网上的教程里面，一定会要求你安装虚拟环境venv，或者conda。但这也不是个明智的选择，凭空制造麻烦。

对于windows环境来说，只是需要配置一下path，就可以兼容多个python的。参考：

安装tensorflow

多次尝试后，使用python@3.12.9安装的tensorflow@2.19.0。

pip install tensorflow

可以通过下面的命令，查看tensorflow的具体情况：

pip show tensorflow

可能遇到的问题

苏南大叔的测试机是个集成显卡，算力提供方是CPU，使用tensorflow时，可能会遇到一些奇怪的问题。

问题一，禁用oneDNN自定义

在运行tensorflow的过错中，可能会遇到下面的报错：

I tensorflow/core/util/port.cc:153] oneDNN custom operations are on. You may see slightly different numerical results due to floating-point round-off errors from different computation orders. To turn them off, set the environment variable `TF_ENABLE_ONEDNN_OPTS=0`.

解决方案是：添加代码以禁用oneDNN自定义操作。

import os
os.environ['TF_ENABLE_ONEDNN_OPTS'] = '0'

问题二，禁用CPU指令优化

I tensorflow/core/platform/cpu_feature_guard.cc:210] This TensorFlow binary is optimized to use available CPU instructions in performance-critical operations.

解决方案是：添加代码以禁用CPU指令优化的警告。

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 禁用CPU指令优化的警告

测试代码

下面的代码是用于测试tensorflow是否安装成功的。

import os
os.environ['TF_ENABLE_ONEDNN_OPTS'] = '0'
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

import tensorflow as tf
print(f'TensorFlow Version: {tf.__version__}')
hello = tf.constant('Hello, TensorFlow!')
tf.print(hello)

三者关系

sklearn（scikit-learn）、PyTorch 和 TensorFlow 是三个广泛使用的机器学习和深度学习框架，它们在功能和应用场景上有一些重叠，但也有各自的特点和适用范围。

• sklearn：适用于传统机器学习任务，简单易用，适合初学者和快速原型开发。
• PyTorch：适用于需要灵活性和动态计算图的深度学习任务，广泛用于研究和开发新模型。
• TensorFlow：适用于需要高性能和大规模分布式训练的深度学习任务，提供丰富的工具和生态系统。

scikit-learn (sklearn)

• 简介：scikit-learn是一个用于数据挖掘和数据分析的机器学习库，基于Python构建。

• 特点：

  • 提供了简单易用的API，适合初学者和快速原型开发。
  • 包含了大量的经典机器学习算法，如回归、分类、聚类、降维等。
  • 主要用于传统的机器学习任务，而不是深度学习。
• 适用范围：适用于需要快速实现和测试传统机器学习算法的场景，如数据预处理、特征工程、模型选择和评估等。

PyTorch

• 简介：PyTorch是一个开源的深度学习框架，由Facebook的人工智能研究团队开发。

• 特点：

  • 动态计算图：允许在运行时改变网络结构，方便调试和开发。
  • 强大的GPU加速能力，适合大规模深度学习任务。
  • 广泛用于研究和生产环境，特别是在自然语言处理和计算机视觉领域。
• 适用范围：适用于需要灵活性和动态计算图的深度学习任务，如研究和开发新模型、快速迭代和调试等。

TensorFlow

• 简介：TensorFlow是一个开源的深度学习框架，由Google Brain团队开发。

• 特点：

  • 静态计算图：在构建图时定义所有操作，然后在会话中执行，适合大规模分布式训练。
  • 提供了丰富的工具和生态系统，如TensorBoard、TensorFlow Serving等。
  • 支持多种平台和设备，包括移动设备和嵌入式系统。
• 适用范围：适用于需要高性能和大规模分布式训练的深度学习任务，如生产环境中的模型部署和优化。

结语

所以，对于tensorflow来说，也不是想象中的那么厚重。苏南大叔的集成显卡的测试机也能跑。
更多苏南大叔的tensorflow相关经验文字，请点击：

• https://newsn.net/tag/tensorflow

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。