TensorFlow的安装
前言
在本篇文章中，我们将会介绍TensorFlow的安装，TensorFlow是Google公司在2015年11月9日开源的一个深度学习框架。
- 官网文档地址为：https://www.tensorflow.org/
- 官方GitHub仓库：https://github.com/tensorflow/tensorflow
TensorFlow目前支持4种开发语言，分别是Python（包括Python2和Python3）、Java、Go、C。笔者使用的环境如下：
- 开发语言：Python 3.6
- 使用操作系统：Ubuntu 16.04、Windows 10
- 硬件环境：CPU
基于这些环境，我们来安装TensorFlow吧，笔者将会通过两种操作系统来安装，分别是Ubuntu 16.04和Windows 10。
Ubuntu下安装TensorFlow
在Ubuntu上我们准备两种安装方式，分别是原生pip、Virtualenv 环境 和 Docker容器，下面我们就在三个环境下安装。
原生pip安装TensorFlow
使用原生的pip安装时最简单的，直接安装使用一条命令就可以安装完成了。
首先确认Python环境，Ubuntu会自带Python环境的，不用我们自己安装，使用python3 -V可以查询安装的Python环境，输出如下：
Python 3.5.2
安装TensorFlow需要使用pip命令，默认是没有安装的，所以我们需要安装pip命令：
sudo apt-get install python3-pip python3-dev
这里笔者要说一下，默认的镜像源太慢了，笔者修改成阿里镜像源了，修改方式如下：
- 备份源列表文件：
sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak
- 编辑源列表文件：
sudo vi /etc/apt/sources.list
- 清空里面的内容，添加以下的的信息：
deb http://mirrors.aliyun.com/ubuntu/ xenial main
deb-src http://mirrors.aliyun.com/ubuntu/ xenial main
deb http://mirrors.aliyun.com/ubuntu/ xenial-updates main
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-updates main
deb http://mirrors.aliyun.com/ubuntu/ xenial universe
deb-src http://mirrors.aliyun.com/ubuntu/ xenial universe
deb http://mirrors.aliyun.com/ubuntu/ xenial-updates universe
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-updates universe
deb http://mirrors.aliyun.com/ubuntu/ xenial-security main
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-security main
deb http://mirrors.aliyun.com/ubuntu/ xenial-security universe
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-security universe
- 最后执行更新列表命令：
sudo apt update
安装完成pip命令之后，可以使用pip3 -V查看是否已经安装成功及安装的版本，输出如下，官方要求pip的版本要不小于8.1：
pip 8.1.1 from /usr/lib/python3/dist-packages (python 3.5)
- 如果觉得版本太低，也可以升级，先要下载一个升级文件，命令如下：
wget https://bootstrap.pypa.io/get-pip.py
- 下载完成之后，可以使用这个文件安装最新的pip了：
sudo python3 get-pip.py
一切多准备完成，那就可以开始安装TensorFlow了，只要使用以下一条命令就可以：
sudo pip3 install tensorflow
- 如果使用上面安装比较慢的话，我们还可指定使用的镜像源，比如这里笔者使用的是阿里的镜像源，之后使用到
pip安装的同样的操作：
sudo pip3 install -i https://mirrors.aliyun.com/pypi/simple/ tensorflow
安装完成之后，可以使用以下命令查看是否完成及安装的版本：
pip3 list
**注意：**如果在运行报以下错误，多数是电脑的CPU不支持AVX指令集：
非法指令 (核心已转储)
如何知道自己的电脑是不是支持AVX指令集呢，可以通用以下的命令查看，输出Yes就是支持，No就是不支持：
if cat /proc/cpuinfo | grep -i avx; then echo Yes; else echo No; fi
TensorFlow在1.6版本之后都会使用AVX指令集，如果读者的电脑不支持AVX指令集，就要安装低版本的，如下是安装1.5版本的：
pip3 install tensorflow==1.5
安装完成之后，可以进行测试，测试情阅读最后的测试部分。
Virtualenv安装TensorFlow
首先通过以下的命令来安装 pip 和 Virtualenv：
sudo apt-get install python3-pip python3-dev python-virtualenv
然后通过下面的命令来创建 Virtualenv 环境：
virtualenv --system-site-packages -p python3 ~/tensorflow
最后通过下面的命令激活 Virtualenv 环境：
source ~/tensorflow/bin/activate
这时会发现控制台已经发生了变化，变成如下状态，这表明已经进入了 Virtualenv 环境：
(tensorflow) yeyupiaoling@tensorflow:~$
接下来的操作都是在这个Virtualenv 环境下操作，比我们的pip命令也是在这里的，可以使用pip3 -V查看：
pip 10.0.1 from /home/yeyupiaoling/tensorflow/lib/python3.5/site-packages/pip (python 3.5)
我们在Virtualenv 环境里通过以下的命令即可完成安装TensorFlow：
pip3 install tensorflow
不支持AVX的请安装1.5版本：
pip3 install tensorflow==1.5
使用完成之后，可以通过以下命令退出Virtualenv 环境：
deactivate
Docker下安装TensorFlow
要使用Docker，就要先安装Docker，以下命令就是安装Docker的命令：
sudo apt-get install docker.io
安装完成之后，可以使用docker --version查看Docker的版本，如果有显示，就证明安装成功了。
然后我们可以通过以下的命令拉取TensorFlow的镜像，我们也可以通过dockerhub获取更多Docker镜像：
docker pull tensorflow/tensorflow:1.8.0-py3
如果电脑不支持AVX指令集的，请安装低版本的TensorFlow镜像：
docker pull tensorflow/tensorflow:1.5.1-py3
拉取完成镜像，就可以使用docker images查看已经安装的镜像：
REPOSITORY TAG IMAGE ID CREATED SIZE
tensorflow/tensorflow 1.8.0-py3 a83a3dd79ff9 2 months ago 1.33 GB
使用TensorFlow的Docker镜像有个好处就是自带了jupyter notebook，启动镜像之后可以直接使用jupyter。
sudo docker run -it -p 80:8888 tensorflow/tensorflow:1.8.0-py3
然后终端会输出以下信息，要注意输出的token：
[I 07:08:38.160 NotebookApp] Writing notebook server cookie secret to /root/.local/share/jupyter/runtime/notebook_cookie_secret
[W 07:08:38.177 NotebookApp] WARNING: The notebook server is listening on all IP addresses and not using encryption. This is not recommended.
[I 07:08:38.186 NotebookApp] Serving notebooks from local directory: /notebooks
[I 07:08:38.186 NotebookApp] 0 active kernels
[I 07:08:38.187 NotebookApp] The Jupyter Notebook is running at:
[I 07:08:38.187 NotebookApp] http://[all ip addresses on your system]:8888/?token=ab489f0445846cb7f9d5c9613edcf7b9537cd245dbecf2a6
[I 07:08:38.187 NotebookApp] Use Control-C to stop this server and shut down all kernels (twice to skip confirmation).
[C 07:08:38.187 NotebookApp]
Copy/paste this URL into your browser when you connect for the first time,
to login with a token:
http://localhost:8888/?token=ab489f0445846cb7f9d5c9613edcf7b9537cd245dbecf2a6
然后我们在浏览器上输入IP地址，如何是在本地，那就就输入localhost，得到的页面如下，输入终端输出的token和新密码就可以登录使用jupyter了：
得到的jupyter网页如下：
如果停止运行镜像了，可以使用以下的命令找到之前使用这个进行run生成的一个容器：
sudo docker ps -a
会得到以下信息，其中最重要的是CONTAINER ID：
CONTAINER ID IMAGE COMMAND CREATED STATUS PORTS NAMES
44aa680ac51f tensorflow/tensorflow:1.8.0-py3 "/run_jupyter.sh -..." 14 minutes ago Exited (0) 21 seconds ago cranky_elion
通过这个CONTAINER ID可以再次启动这个容器，这样就不用每次都run一个容器出来，占用磁盘容量，同时也可以保存原来的环境，可以使用以下的命令启动容器：
sudo docker start 44aa680ac51f
启动之后是在后台运行的，那么如何让容器有信息输入的同时会输出到控制台呢，可以用使用以下的命令实现：
sudo docker attach 44aa680ac51f
如果要以终端的方式进入到容器中，可以使用以下的命令：
sudo docker exec -it 44aa680ac51f /bin/bash
安装完成之后，可以进行测试，测试情阅读最后的测试部分。
Windows下安装TensorFlow
在Windows上，笔者同样介绍三种安装方式，分别是原生pip、Docker容器、Windows的Linux子系统。
原生pip安装TensorFlow
在Windows上默认是没有安装Python的，所以要先安装Python，这里笔者安装Python 3.6.5，首先到Python官网上下载对应的版本，必须是64位的Python。然后安装Python，安装过程笔者就不介绍了，主要安装完成之后，还有配置一下环境变量。在默认的安装路径为：
C:\Python36
首页我们要在环境变量的Path上添加以下l两条环境变量：
C:\Python36
C:\Python36\Scripts
如果读者同时还安装了Python2，笔者建议修改一下Python3的文件，首先把C:\Python36\Scripts里面的pip.exe删除，避免与Python2的冲突，然后把C:\Python36的python.exe和pythonw.exe修改成python.exe和pythonw3.exe。以后在使用Python3的时候，分别是使用pip3和python3命令。
现在就开始安装TensorFlow，命令如下：
pip3 install tensorflow
如果在使用pip3报以下错误：
Fatal error in launcher: Unable to create process using '"'
可以使用以下命令修复：
python3 -m pip install --upgrade pip
**注意：**如果以下错误，是因为缺少DLL动态库，可以看到最后提供下载动态库的链接：
Traceback (most recent call last):
File "C:\Python36\lib\site-packages\tensorflow\python\platform\self_check.py", line 47, in preload_check
ctypes.WinDLL(build_info.msvcp_dll_name)
File "C:\Python36\lib\ctypes\__init__.py", line 348, in __init__
self._handle = _dlopen(self._name, mode)
OSError: [WinError 126] 找不到指定的模块。
During handling of the above exception, another exception occurred:
Traceback (most recent call last):
File "test.py", line 1, in <module>
import tensorflow as tf
File "C:\Python36\lib\site-packages\tensorflow\__init__.py", line 24, in <module>
from tensorflow.python import *
File "C:\Python36\lib\site-packages\tensorflow\python\__init__.py", line 49, in <module>
from tensorflow.python import pywrap_tensorflow
File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow.py", line 30, in <module>
self_check.preload_check()
File "C:\Python36\lib\site-packages\tensorflow\python\platform\self_check.py", line 55, in preload_check
% build_info.msvcp_dll_name)
ImportError: Could not find 'msvcp140.dll'. TensorFlow requires that this DLL be installed in a directory that is named in your %PATH% environment variable. You may install this DLL by downloading Visual C++ 2015 Redistributable Update 3 from this URL: https://www.microsoft.com/en-us/download/details.aspx?id=53587
我们通过这个链接去下载并安装这个动态库即可：
https://www.microsoft.com/en-us/download/details.aspx?id=53587
如果在执行TensorFlow程度的是报以下错误，多数是CPU不支持AVX指令集：
Traceback (most recent call last):
File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 14, in swig_import_helper
return importlib.import_module(mname)
File "C:\Python36\lib\importlib\__init__.py", line 126, in import_module
return _bootstrap._gcd_import(name[level:], package, level)
File "<frozen importlib._bootstrap>", line 994, in _gcd_import
File "<frozen importlib._bootstrap>", line 971, in _find_and_load
File "<frozen importlib._bootstrap>", line 955, in _find_and_load_unlocked
File "<frozen importlib._bootstrap>", line 658, in _load_unlocked
File "<frozen importlib._bootstrap>", line 571, in module_from_spec
File "<frozen importlib._bootstrap_external>", line 922, in create_module
File "<frozen importlib._bootstrap>", line 219, in _call_with_frames_removed
ImportError: DLL load failed: 动态链接库(DLL)初始化例程失败。
During handling of the above exception, another exception occurred:
Traceback (most recent call last):
File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow.py", line 58, in <module>
from tensorflow.python.pywrap_tensorflow_internal import *
File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 17, in <module>
_pywrap_tensorflow_internal = swig_import_helper()
File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 16, in swig_import_helper
return importlib.import_module('_pywrap_tensorflow_internal')
File "C:\Python36\lib\importlib\__init__.py", line 126, in import_module
return _bootstrap._gcd_import(name[level:], package, level)
ModuleNotFoundError: No module named '_pywrap_tensorflow_internal'
During handling of the above exception, another exception occurred:
Traceback (most recent call last):
File "test.py", line 1, in <module>
import tensorflow as tf
File "C:\Python36\lib\site-packages\tensorflow\__init__.py", line 24, in <module>
from tensorflow.python import pywrap_tensorflow # pylint: disable=unused-import
File "C:\Python36\lib\site-packages\tensorflow\python\__init__.py", line 49, in <module>
from tensorflow.python import pywrap_tensorflow
File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow.py", line 74, in <module>
raise ImportError(msg)
ImportError: Traceback (most recent call last):
File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 14, in swig_import_helper
return importlib.import_module(mname)
File "C:\Python36\lib\importlib\__init__.py", line 126, in import_module
return _bootstrap._gcd_import(name[level:], package, level)
File "<frozen importlib._bootstrap>", line 994, in _gcd_import
File "<frozen importlib._bootstrap>", line 971, in _find_and_load
File "<frozen importlib._bootstrap>", line 955, in _find_and_load_unlocked
File "<frozen importlib._bootstrap>", line 658, in _load_unlocked
File "<frozen importlib._bootstrap>", line 571, in module_from_spec
File "<frozen importlib._bootstrap_external>", line 922, in create_module
File "<frozen importlib._bootstrap>", line 219, in _call_with_frames_removed
ImportError: DLL load failed: 动态链接库(DLL)初始化例程失败。
During handling of the above exception, another exception occurred:
Traceback (most recent call last):
File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow.py", line 58, in <module>
from tensorflow.python.pywrap_tensorflow_internal import *
File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 17, in <module>
_pywrap_tensorflow_internal = swig_import_helper()
File "C:\Python36\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 16, in swig_import_helper
return importlib.import_module('_pywrap_tensorflow_internal')
File "C:\Python36\lib\importlib\__init__.py", line 126, in import_module
return _bootstrap._gcd_import(name[level:], package, level)
ModuleNotFoundError: No module named '_pywrap_tensorflow_internal'
Failed to load the native TensorFlow runtime.
See https://www.tensorflow.org/install/install_sources#common_installation_problems
for some common reasons and solutions. Include the entire stack trace
above this error message when asking for help.
那就要安装低版本的TensorFlow：
pip3 install tensorflow==1.5
Docker容器安装TensorFlow
关于如果在Windows上安装Docker容器，可以参考笔者的《我的PaddlePaddle学习之路》笔记一——PaddlePaddle的安装》的在Windows上安装Docker容器部分，这里就不在展开介绍了。
启动容器之后，就可以拉取TensorFlow的镜像了：
docker pull tensorflow/tensorflow:1.8.0-py3
同样可以使用docker images查看已经安装的镜像：
REPOSITORY TAG IMAGE ID CREATED SIZE
tensorflow/tensorflow 1.8.0-py3 a83a3dd79ff9 2 months ago 1.33 GB
Linux子系统安装TensorFlow
关于如果在Windows上安装Linux子系统，可以参考笔者之前的文章《Windows10安装Linux子系统Ubuntu》
安装完成Linux子系统之后，就可以在PowerShell上输入bash命令进入到Linux子系统，在这个子系统上安装TensorFlow请参考Ubuntu使用原生pip安装TensorFlow的方法，这个笔者就不在重复介绍了。
源码编译安装
在这一部分，我们介绍如何在Ubuntu上使用TensorFlow的源码编译安装。
- 克隆 TensorFlow 代码库
git clone https://github.com/tensorflow/tensorflow
- 安装 TensorFlow Python 依赖项
sudo apt-get install python3-numpy python3-dev python3-pip python3-wheel
- 安装 Bazel
1、安装依赖库
sudo apt-get install pkg-config zip g++ zlib1g-dev unzip python
2、下载bazel-0.15.0-installer-linux-x86_64.sh文件，下载地址如下：
https://github.com/bazelbuild/bazel/releases
3、运行安装Bazel
chmod +x bazel-0.15.0-installer-linux-x86_64.sh
./bazel-0.15.0-installer-linux-x86_64.sh --user
4、添加到环境变量，编写vim ~/.bashrc，在最后的加上以下信息：
export PATH="$PATH:$HOME/bin"
- 进入到源码中：
cd tensorflow
- 如果想编译其他版本的TensorFlow可以切换到对应的版本，首先可以查看有哪些版本：
git branch -a
输出的版本信息：
root@tensorflow:/home/yeyupiaoling/test/tensorflow# git branch -a
* master
remotes/origin/0.6.0
remotes/origin/HEAD -> origin/master
remotes/origin/achowdhery-patch-1
remotes/origin/andrewharp-patch-1
remotes/origin/martinwicke-patch-1
remotes/origin/martinwicke-patch-2
remotes/origin/master
remotes/origin/r0.10
remotes/origin/r0.11
remotes/origin/r0.12
remotes/origin/r0.7
remotes/origin/r0.8
remotes/origin/r0.9
remotes/origin/r1.0
remotes/origin/r1.1
remotes/origin/r1.2
remotes/origin/r1.3
remotes/origin/r1.4
remotes/origin/r1.5
remotes/origin/r1.6
remotes/origin/r1.7
remotes/origin/r1.8
remotes/origin/r1.9
remotes/origin/release-notes-1.9-tfdbg
remotes/origin/yifeif-patch-1
remotes/origin/yifeif-patch-2
remotes/origin/yifeif-patch-3
比如笔者想切换到1.5版本，使用以下命令即可切换：
git checkout origin/r1.5
- 执行配置信息文件：
./configure
- 然后会输出以下信息，这些注意是配置信息，比如我们指定Python的环境路径
/usr/bin/python3.5，也可以指定是否要编译GPU版本的，具体读者可以查看笔者的配置信息，笔者多数是默认的。
Extracting Bazel installation...
WARNING: --batch mode is deprecated. Please instead explicitly shut down your Bazel server using the command "bazel shutdown".
You have bazel 0.15.0 installed.
Please specify the location of python. [Default is /usr/bin/python]: /usr/bin/python3.5
Found possible Python library paths:
/usr/local/lib/python3.5/dist-packages
/usr/lib/python3/dist-packages
Please input the desired Python library path to use. Default is [/usr/local/lib/python3.5/dist-packages]
Do you wish to build TensorFlow with jemalloc as malloc support? [Y/n]:
jemalloc as malloc support will be enabled for TensorFlow.
Do you wish to build TensorFlow with Google Cloud Platform support? [Y/n]: n
No Google Cloud Platform support will be enabled for TensorFlow.
Do you wish to build TensorFlow with Hadoop File System support? [Y/n]:
Hadoop File System support will be enabled for TensorFlow.
Do you wish to build TensorFlow with Amazon AWS Platform support? [Y/n]:
Amazon AWS Platform support will be enabled for TensorFlow.
Do you wish to build TensorFlow with Apache Kafka Platform support? [Y/n]:
Apache Kafka Platform support will be enabled for TensorFlow.
Do you wish to build TensorFlow with XLA JIT support? [y/N]:
No XLA JIT support will be enabled for TensorFlow.
Do you wish to build TensorFlow with GDR support? [y/N]:
No GDR support will be enabled for TensorFlow.
Do you wish to build TensorFlow with VERBS support? [y/N]:
No VERBS support will be enabled for TensorFlow.
Do you wish to build TensorFlow with OpenCL SYCL support? [y/N]:
No OpenCL SYCL support will be enabled for TensorFlow.
Do you wish to build TensorFlow with CUDA support? [y/N]: N
No CUDA support will be enabled for TensorFlow.
Do you wish to download a fresh release of clang? (Experimental) [y/N]:
Clang will not be downloaded.
Do you wish to build TensorFlow with MPI support? [y/N]:
No MPI support will be enabled for TensorFlow.
Please specify optimization flags to use during compilation when bazel option "--config=opt" is specified [Default is -march=native]:
Would you like to interactively configure ./WORKSPACE for Android builds? [y/N]:
Not configuring the WORKSPACE for Android builds.
Preconfigured Bazel build configs. You can use any of the below by adding "--config=<>" to your build command. See tools/bazel.rc for more details.
--config=mkl # Build with MKL support.
--config=monolithic # Config for mostly static monolithic build.
Configuration finished
- 配置好之后，就要编译 pip 软件包：
bazel build --config=opt //tensorflow/tools/pip_package:build_pip_package
- 然后在执行这一条命令生成pip软件包：·
bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg
- 通过上一步编译获得的pip软件包，我们就可以安装这个 pip 软件包，它的路径在
/tmp/tensorflow_pkg/tensorflow-1.5.1-cp35-cp35m-linux_x86_64.whl，可能读者的版本会跟笔者的不一样，根据实际的版本信息安装：
sudo pip install /tmp/tensorflow_pkg/tensorflow-1.5.1-cp35-cp35m-linux_x86_64.whl
到这里就完成了TensorFlow的编译安装，安装完成之后，可以参考文章的最后一部分进行测试环境。
测试
安装完成之后，我们要测试一下环境是不是已经成功安装并且可以正常使用了。
首先编译一个测试test1.py文件：
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
然后我们执行这个文件python3 test1.py就可以运行它了，正常情况下会输出以下内容：
2018-07-08 15:11:05.240607: I tensorflow/core/platform/cpu_feature_guard.cc:140] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
b'Hello, TensorFlow!'
我们也可以编写一个稍微有训练效果的程序test2.py：
import tensorflow as tf
import numpy as np
# 使用 NumPy 生成假数据(phony data), 总共 100 个点.
x_data = np.float32(np.random.rand(2, 100)) # 随机输入
y_data = np.dot([0.100, 0.200], x_data) + 0.300
# 构造一个线性模型
#
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b
# 最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
# 初始化变量
init = tf.initialize_all_variables()
# 启动图 (graph)
sess = tf.Session()
sess.run(init)
# 拟合平面
for step in range(0, 201):
sess.run(train)
if step % 20 == 0:
print (step, sess.run(W), sess.run(b))
# 得到最佳拟合结果 W: [[0.100 0.200]], b: [0.300]
同样我们执行它python3 test1.py可以得到以下信息：
WARNING:tensorflow:From /usr/local/lib/python3.5/dist-packages/tensorflow/python/util/tf_should_use.py:118: initialize_all_variables (from tensorflow.python.ops.variables) is deprecated and will be removed after 2017-03-02.
Instructions for updating:
Use `tf.global_variables_initializer` instead.
2018-07-08 15:14:15.455774: I tensorflow/core/platform/cpu_feature_guard.cc:140] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
0 [[0.260745 0.56325 ]] [-0.00149411]
20 [[0.15775657 0.30871654]] [0.20844586]
40 [[0.11969341 0.23245212]] [0.27153042]
60 [[0.10656733 0.20975856]] [0.29113895]
80 [[0.10215606 0.2029533 ]] [0.29723996]
100 [[0.10069981 0.20089868]] [0.2991398]
120 [[0.10022521 0.20027474]] [0.2997318]
140 [[0.10007201 0.20008431]] [0.29991636]
160 [[0.10002291 0.20002596]] [0.2999739]
180 [[0.10000726 0.20000802]] [0.29999185]
200 [[0.1000023 0.20000248]] [0.29999745]
以上是在终端上操作的，那么使用Docker应该如何执行这些文件呢。有两种方法，一种就是以命令终端的方式进入到TensorFlow镜像中，之后的操作就跟在Ubuntu操作差不多了：
docker run -it -v $PWD:/work tensorflow/tensorflow:1.8.0-py3 /bin/bash
另一种就是挂载目录到镜像上，然后直接通过命令执行代码文件：
docker run -it -v $PWD:/work -w /work tensorflow/tensorflow:1.8.0-py3 python3 /work/test1.py
使用模型预测图片
这里笔者使用官方提供的模型，这里官方提供的丰富的模型。这次笔者使用的是mobilenet_v1_1.0_224.tgz模型，我们下载这个模型之后解压可以以下文件：
我们使用到的模型文件是mobilenet_v1_1.0_224_frozen.pb，其中mobilenet_v1_1.0_224_info.txt是说明网络输入输出的字段，该文件的内容如下：
Model: mobilenet_v1_1.0_224
Input: input
Output: MobilenetV1/Predictions/Reshape_1
有了上面的模型，我们就来编写预测代码，全部的代码如下：
import numpy as np
import tensorflow as tf
from PIL import Image
# 数据预处理
def load_image(file):
im = Image.open(file)
im = im.resize((224, 224), Image.ANTIALIAS)
im = np.array(im).astype(np.float32)
# 减去均值
im -= 128.0
im /= 128.0
im = np.expand_dims(im, axis=0)
return im
def infer(image_path, pd_path):
# 将（frozen）TensorFlow模型载入内存
detection_graph = tf.Graph()
with detection_graph.as_default():
od_graph_def = tf.GraphDef()
with tf.gfile.GFile(pd_path, 'rb') as fid:
serialized_graph = fid.read()
od_graph_def.ParseFromString(serialized_graph)
tf.import_graph_def(od_graph_def, name='')
with detection_graph.as_default():
with tf.Session(graph=detection_graph) as sess:
# 设置探测图的输入和输出张量
image_tensor = detection_graph.get_tensor_by_name('input:0')
detection_classes = detection_graph.get_tensor_by_name('MobilenetV1/Predictions/Reshape_1:0')
# infer image
image_np = load_image(image_path)
# Actual detection.
result = sess.run([detection_classes], feed_dict={image_tensor: image_np})
result = np.squeeze(result)
idx = np.argsort(-result)
label = idx[0] - 1
print("result label is :", label)
if __name__ == '__main__':
image_path = "0b77aba2-9557-11e8-a47a-c8ff285a4317.jpg"
pd_path = 'models/mobilenet_v1_1.0_224_frozen.pb'
infer(image_path, pd_path)
其中以下这个函数是数据预处理，处理方式要跟训练的时候一样：
# 数据预处理
def load_image(file):
im = Image.open(file)
im = im.resize((224, 224), Image.ANTIALIAS)
im = np.array(im).astype(np.float32)
# 减去均值
im -= 128.0
im /= 128.0
im = np.expand_dims(im, axis=0)
return im
以下的代码片段是把模型加载到内存中，这个模型就是我们使用的mobilenet_v1_1.0_224_frozen.pb模型。
detection_graph = tf.Graph()
with detection_graph.as_default():
od_graph_def = tf.GraphDef()
with tf.gfile.GFile(pd_path, 'rb') as fid:
serialized_graph = fid.read()
od_graph_def.ParseFromString(serialized_graph)
tf.import_graph_def(od_graph_def, name='')
设置模型的输出输出，这字段就是来自刚才的mobilenet_v1_1.0_224_info.txt文件中。
image_tensor = detection_graph.get_tensor_by_name('input:0')
detection_classes = detection_graph.get_tensor_by_name('MobilenetV1/Predictions/Reshape_1:0')
以下的代码片段就是输入图片得到预测结果的，如果需要预测多张图片，可以把该代码片段放在循环中。要注意的是，输出的大小是1001，包括的第一个label是background。
image_np = load_image(image_path)
result = sess.run([detection_classes], feed_dict={image_tensor: image_np})
result = np.squeeze(result)
idx = np.argsort(-result)
label = idx[0]
print("result label is :", label)
参考资料
- https://opsx.alibaba.com/mirror
- https://www.tensorflow.org/install/install_linux
- https://www.tensorflow.org/install/install_windows
- https://www.tensorflow.org/install/install_sources
- https://blog.csdn.net/u014132659/article/details/51544754
- http://www.tensorfly.cn/tfdoc/get_started/introduction.html
- https://blog.csdn.net/u010099080/article/details/53418159
- https://blog.csdn.net/u010397369/article/details/41045251
- https://github.com/tensorflow/models/tree/master/research/slim#pre-trained-models