如何在 Ubuntu 上安装 TensorFlow

在 Ubuntu 上安装 TensorFlow 的完整指南

一 环境准备与版本选择

• 建议使用 Ubuntu 20.04/22.04 LTS，并优先在 Python 3.7–3.11 的虚拟环境中安装，避免依赖冲突。
• 硬件与驱动：如需 GPU 加速，需 NVIDIA 显卡且驱动支持目标 CUDA 版本；可用 nvidia-smi 查看驱动与最高支持的 CUDA 版本。
• 版本匹配要点（示例）：
  • TensorFlow 2.10–2.12 → CUDA 11.8，cuDNN 8.6
  • TensorFlow 2.13+ → CUDA 12.1，cuDNN 8.9
• 安装方式概览：原生 pip、Docker 镜像、或 Anaconda/venv 虚拟环境。以上要点与匹配关系可显著提升安装成功率与稳定性。

二 原生 pip 安装步骤（CPU 或 GPU）

• 1）创建并激活虚拟环境（推荐）
  • 使用 venv：
    • python3 -m venv tf-env & & source tf-env/bin/activate
  • 使用 conda：
    • conda create -n tf-env python=3.9 -y & & conda activate tf-env
  • 升级 pip：pip install -U pip
• 2）安装 TensorFlow
  • CPU 与 GPU 的统一包（推荐）：pip install tensorflow（自 2.x 起该包同时包含 CPU 与 GPU 支持，实际是否启用 GPU 取决于系统是否配置好 CUDA/cuDNN 与驱动）。
  • 如确需单独安装 GPU 包（部分教程仍使用）：pip install tensorflow-gpu，但务必与 CUDA/cuDNN 版本匹配。
• 3）验证安装
  • python - < < 'PY' import tensorflow as tf print("TF version:", tf.__version__) print("GPUs:", tf.config.list_physical_devices("GPU")) PY
    若输出包含 GPU 设备信息，则 GPU 可用。以上流程与命令适用于 Ubuntu 上的 pip 安装场景。

三 GPU 支持与 Docker 方式（更省心）

• 使用 Docker 是在 GPU 上运行 TensorFlow 的最简方式之一：主机仅需安装 NVIDIA 驱动，无需在主机安装完整的 CUDA Toolkit。
• 步骤：
  • 安装 NVIDIA Container Toolkit（添加 GPG 与 APT 源后安装 nvidia-container-toolkit）。
  • 验证 GPU 与容器运行时：
    • docker run --gpus all --rm nvidia/cuda nvidia-smi
  • 拉取并运行带 GPU 的 TensorFlow 镜像（含 Jupyter）：
    • docker pull tensorflow/tensorflow:latest-gpu-jupyter
    • docker run -it -p 8888:8888 tensorflow/tensorflow:latest-gpu-jupyter
  • 浏览器访问：http://localhost:8888。如需长期运行与自动重启，可加上 --restart=always --name tf-gpu 等参数。该方式隔离性好、依赖冲突少，适合快速上手与复现实验。

四 常见问题与排查

• 驱动与兼容性：用 nvidia-smi 确认驱动正常且支持的 CUDA 版本；TensorFlow 与 CUDA/cuDNN 版本必须匹配（如 2.12→CUDA 11.8/cuDNN 8.6，2.13+→CUDA 12.1/cuDNN 8.9）。
• 库路径问题：若报找不到 CUDA 动态库（如 libcudart.so），检查并设置环境变量：
  • export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
  • export CUDA_HOME=/usr/local/cuda
• GPU 不可见：在 Python 中确认 tf.config.list_physical_devices('GPU') 是否返回设备；若为空，优先检查驱动、CUDA/cuDNN 版本匹配与容器运行时配置。
• 显存不足：训练时报 OOM，可减小 batch_size、启用内存按需增长：
  • gpus = tf.config.experimental.list_physical_devices('GPU')
  • tf.config.experimental.set_memory_growth(gpus[0], True)
• 虚拟环境未生效：确保已激活对应的 venv/conda 环境后再 pip install 与运行 python。以上排查思路覆盖最常见的驱动、版本与资源问题。

声明：本文内容由网友自发贡献，本站不承担相应法律责任。对本内容有异议或投诉，请联系2913721942#qq.com核实处理，我们将尽快回复您，谢谢合作！