用树莓派4b构建深度学习应用（五）Tersorflow篇

前言

上回我们把 pytorch 的环境安装好了，这篇我们建立一下 tensorflow 和 keras 的开发环境。

不得不说，相对于pytorch来说，tensorflow 对各个系统的支持真的很完善，无论是各种平台还是各个版本都有对应的预编译安装包，官方文档也很详细（但不代表没有坑，详见下文），是工程化不错的选择。

而pytorch代码更pythonic，所以最新的模型和算法很多都由pytorch发布，两者长远来说会是个互相学习，互相追赶良性竞争的状态。对开发者来说，就都应该有所了解。

现在 树莓派上 tensorflow 比较成熟的版本是 1.14.0，最新版本是 2.3.0。主流应用还是 1.x 系列的比较多，但 2.x 集成keras化后明显更好用些，特别是在模型转化方面，也面向未来，所以这里用虚拟环境两者都部署一下。

安装 tensorflow 1.14

1. 建立 tensorflow 1.14 的虚拟环境

python3 -m venv --system-site-packages ~/my_envs/tensorflow
source ~/my_envs/tensorflow/bin/activate

Tip:

带参数 system-site-packages 是为了引用系统已安装的基础包，方便共享一些基础库。可以通过在虚拟环境 lib/python3.7 目录下新建 no-global-site-packages.txt 文件来切换引用状态。

2. 下载 whl 安装包

下载编译版本的 whl 安装包：

wget https://github.com/lhelontra/tensorflow-on-arm/releases/download/v1.14.0-buster/tensorflow-1.14.0-cp37-none-linux_armv7l.whl
wget https://github.com/lhelontra/tensorflow-on-arm/releases/download/v2.3.0/tensorflow-2.3.0-cp37-none-linux_armv7l.whl

3. 安装 tensorflow 1.14.0

pip install tensorflow-1.14.0-cp37-none-linux_armv7l.whl 
# 测试安装
python
>>> import tensorflow as tf
>>> print(tf.reduce_sum(tf.random.normal([1000, 1000])))
>>> tf.__version__

Tip:

这里官网的教程（https://www.tensorflow.org/in...）里推荐用 pip install tensorflow，会遇到 HadoopFileSystem load error: libhdfs.so: cannot open shared object file: No such file or directory 的错误。

主要是树莓派里没有安装 Hadoop 文件系统引起的，我们这里暂时还用不到，所以用懒加载的方式就能修复。官方 pip 库里的 1.14.0 版本仍有问题，所以上文推荐用 github 上的开源编译版本。

4. 安装 keras 2.2.5

与 tensorflow 1.14.0 匹配的 keras 是 2.2.5 版本

pip install keras==2.2.5

Tip:

tensorflow 和 keras 有严格的版本对应关系，更多的版本可以参考这个网站的表格。https://docs.floydhub.com/gui...

安装 tensorflow 2.3

1. 建立 tensorflow 2.3.0 的虚拟环境

# 退出虚拟环境
deactivate
python3 -m venv --system-site-packages ~/my_envs/tf2
source ~/my_envs/tf2/bin/activate

2. 安装 tensorflow 2.3.0‍

pip install tensorflow-2.3.0-cp37-none-linux_armv7l.whl
# 测试安装
python
>>> import tensorflow as tf
>>> print(tf.reduce_sum(tf.random.normal([1000, 1000])))
>>> tf.__version__

3. 安装 keras 2.4.3

pip install keras==2.4.3

安装包下载

本期相关文件资料，可在公众号后台回复：“rpi05”，获取下载链接。

下一篇预告

我们将安装 tensorflow lite，
并做一下图像分类和目标检测任务，
敬请期待...

---