Как найти, какая версия TensorFlow установлена в моей системе?
В названии говорится все. Я использую долгосрочную поддержку Ubuntu 16.04.
ОТВЕТЫ
Ответ 1
Это зависит от того, как вы установили TensorFlow. Я собираюсь использовать те же заголовки, что и инструкции по установке TensorFlow, чтобы структурировать этот ответ.
Установка пистолета
Обратите внимание, что python символически привязан к /usr/bin/python3 в некоторых дистрибутивах Linux, поэтому используйте python вместо python3 в этих случаях.
pip list | grep tensorflow для Python 2 или pip3 list | grep tensorflow для Python 3 также будет показана версия Tensorflow.
Установка Virtualenv
pip list | grep tensorflow также покажет версию Tensorflow.
Например, я установил TensorFlow 0.9.0 в virtualenv для Python 3. Итак, я получаю:
Ответ 2
Для тензорного потока это будет
Для старых версий tenorflow (ниже 0.10) используйте tf.__version__
Кстати, если вы планируете установить tf, установите его с помощью conda, а не pip
Ответ 3
Ответ 4
Если вы установили через pip, просто запустите следующую
Ответ 5
Если вы используете дистрибутив anaconda для Python,
Чтобы проверить это, используя Jupyter Notebook (IPython Notebook)
Ответ 6
Ответ 7
Я установил Tensorflow 0.12rc из исходного кода, и следующая команда выдаст мне информацию о версии:
На следующем рисунке показан результат:
Ответ 8
Чтобы получить больше информации о tenorflow и его параметрах, вы можете использовать следующую команду:
Ответ 9
>>import keras; print(keras.__version__)
Using TensorFlow backend.
>>import tensorflow as tf; print(tf.__version__)
Ответ 10
Ответ 11
В последней версии TensorFlow 1.14.0
устарело, вместо этого используйте
ОШИБКА:
Ответ 12
Версия tenorflow может быть проверена на терминале или консоли, а также в любом редакторе IDE (например, блокнот Spyder или Jupyter и т.д.)
spk921 / TensorFlow version check
This comment has been minimized.
Copy link Quote reply
divya1md commented Jul 25, 2017 •
This comment has been minimized.
Copy link Quote reply
wednesy commented Oct 18, 2017
I got the following error. Any idea?
This comment has been minimized.
Copy link Quote reply
Khoa-NT commented Oct 18, 2017
This comment has been minimized.
Copy link Quote reply
IU2FQT commented Nov 3, 2017 •
import tensorflow as tf
tf. version
This comment has been minimized.
Copy link Quote reply
IU2FQT commented Nov 3, 2017 •
import tensorflow as tf
tf.__version__
import tensorflow as tf
help(tf)
This comment has been minimized.
Copy link Quote reply
mphz commented Jan 8, 2018
above is correct one
This comment has been minimized.
Copy link Quote reply
ssa21 commented Mar 26, 2018 •
import tensorflow as tf
tf.VERSION
This comment has been minimized.
Copy link Quote reply
TethysSun commented Apr 6, 2018 •
Errors showed up:
AttributeError: module ‘tensorflow’ has no attribute ‘VERSION’
or
AttributeError: module ‘tensorflow’ has no attribute ‘__version__’
and I also tried this
pip list | grep tensorflow
Any idea? BTW, I built it from source.
This comment has been minimized.
Copy link Quote reply
poethan commented May 21, 2020
Hi all, I got similar problem here.
from tensorflow.contrib.slim import parallel_reader, tfexample_decoder
ModuleNotFoundError: No module named ‘tensorflow.contrib’
if Tensorflow.contrib does not exist anymore in the Colab, can I change the code » from tensorflow.contrib.slim import parallel_reader, tfexample_decoder» into any other wording to achieve the function please?
Thanks,
You can’t perform that action at this time.
You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session.
How To Check TensorFlow Version
Home » SysAdmin » How To Check TensorFlow Version
TensorFlow is one of the most prominent machine learning packages. Knowing which version is on the system is vital as different builds have different options. There are multiple ways to check the TensorFlow version depending on the installation method.
This article shows how to check the TensorFlow version in six different ways.
Check TensorFlow Version in Python
The simplest way to check the TensorFlow version is through a Python IDE or code editor. The library has built-in methods for displaying basic information.
To print the TensorFlow version in Python, enter:
TensorFlow Newer Versions
The TensorFlow 2.x versions provide a method for printing the TensorFlow version.
To check which one is on your system, use:
TensorFlow Older Versions
TensorFlow 1.x has a slightly different method for checking the version of the library. Print the version for older TensorFlow builds in Python by running:
Check TensorFlow Version in CLI
Display the TensorFlow version through Python invocation in the CLI with the python command. Using the -c option executes code.
If your machine has multiple instances of Python installed, use the python command.
Check TensorFlow Version in Linux Terminal
Print the TensorFlow version in the terminal by running:
If there are multiple instances of Python on the system, use:
Check TensorFlow Version in Windows Command Line
Show the TensorFlow version in the command line by running:
Check with a specific version of Python by adding the version number to the python command:
Check TensorFlow Version in Pip
The most common way to install Python libraries is using the pip package manager. There are two ways to print the version with pip.
Method 1: Using pip show
The pip show command prints information for any installed package.
To show the TensorFlow data, run this command:
Method 2: Using pip list
For Windows, use findstr to filter the pip list results:
Check TensorFlow Version in Virtual Environment
The TensorFlow documentation recommends installing the platform through a virtual environment. Activate the virtual environment before checking the version.
Step 1: Activate Virtual Environment
To activate the virtual environment, use the appropriate command for your OS:
The environment shows up in the CLI as active:
Step 2: Check Version
Check TensorFlow Version in Anaconda
For Linux, filter the results with the grep command:
For Windows, combine the conda list and findstr commands to print the TensorFlow version:
Note: The conda package manager comes with all Anaconda and Miniconda versions. To install Anaconda, follow our guides: How to Install Anaconda on CentOS7, How to Install Anaconda on CentOS8, How to Install Anaconda on Ubuntu.
Check TensorFlow Version in Jupyter Notebook
The Jupyter Notebook runs commands and Python code directly in the environment. There are two ways to check the TensorFlow version in Jupyter Notebooks.
Method 1: Using Import
Import the TensorFlow library and print the version by running the following code:
Method 2: Using Pip
Show the TensorFlow version using the pip command with an exclamation point:
This tutorial explains how to check the TensorFlow version for different cases in different environments. For additional TensorFlow material, check out our comparison of PyTorch vs TensorFlow.
Как узнать, какая версия TensorFlow установлена в моей системе?
Мне нужно найти, какую версию TensorFlow я установил. Я использую долгосрочную поддержку Ubuntu 16.04.
16 ответов
Как узнать, какая версия MDAC установлена на компьютере?
Я создаю надстройку для word с помощью c#. моя надстройка может работать в word 2010 и 2013. как узнать, какая версия word установлена из моей надстройки?
Это зависит от того, как вы установили TensorFlow. Я собираюсь использовать те же заголовки, которые используются в инструкциях по установке TensorFlow, чтобы структурировать этот ответ.
Pip установка
pip list | grep tensorflow для Python 2 или pip3 list | grep tensorflow для Python 3 также покажет установленную версию Tensorflow.
Virtualenv установка
pip list | grep tensorflow также покажет установленную версию Tensorflow.
Например, я установил TensorFlow 0.9.0 в virtualenv для Python 3. Таким образом, я получаю:
Для tensorflow это будет
Для старых версий tensorflow (ниже 0.10) используйте tf.__version__
Если вы установили через pip, просто выполните следующие действия
Если вы используете anaconda распределение Python,
Чтобы проверить это, используйте Jupyter Notebook (IPython Notebook)
Я установил Tensorflow 0.12rc из исходного кода, и следующая команда дает мне информацию о версии:
На следующем рисунке показаны выходные данные:
Мне нужно знать, какая версия Firefox установлена в моей системе из командной строки Windows или Linux.
Чтобы узнать любую версию библиотеки python, то если ваша библиотека установлена с помощью pip, то используйте следующую команду.
Выходные данные приведенной выше команды будут показаны ниже:-
Чтобы получить более подробную информацию о tensorflow и его параметрах, вы можете использовать приведенную ниже команду:
На последнем выпуске TensorFlow 1.14.0
является устаревшим, вместо этого используйте
ERROR:
>>import keras; print(keras.__version__)
Using TensorFlow backend.
>>import tensorflow as tf; print(tf.__version__)
Версию tensorflow можно проверить либо на terminal, либо на консоли, либо в любом редакторе IDE (например, Spyder или Jupyter notebook и т. д)
Простая команда для проверки версии:
Tensorflow версия в записной книжке Jupyter:-
Если у вас есть TensorFlow 2.x:
Еще одна вариация, я думаю 😛
Похожие вопросы:
Пожалуйста, предложите команду, чтобы узнать, какая версия savon уже установлена?
Кто-нибудь знает, как я могу узнать, какая версия Susy установлена в моей системе windows? Например, вы можете написать в командной строке compass-v, чтобы узнать, какая версия Compass установлена.
Как я могу сказать, какая версия MVC (т. е. MVC 2 Beta, MVC 2 RC) установлена на моей машине?
Как узнать, какая версия MDAC установлена на компьютере?
Я создаю надстройку для word с помощью c#. моя надстройка может работать в word 2010 и 2013. как узнать, какая версия word установлена из моей надстройки?
Мне нужно знать, какая версия Firefox установлена в моей системе из командной строки Windows или Linux.
Краткое руководство по Tensorflow
В этой статье мы рассмотрим TensorFlow — библиотеку для машинного обучения с открытым исходным кодом. Она используется для проектирования, построения и тренировки моделей глубокого обучения. Вычисления в TensorFlow выполняются при помощи графа потоков данных (dataflow graph). Этот граф состоит из узлов (node), отображающих операции, и ребер (edge), отображающих потоки данных между теми узлами графа, которые они соединяют.
Мы рассмотрим три основные темы:
TensorFlow — это отличная библиотека, разработанная компанией Google, в которой используется парадигма программирования потоков данных для оптимизации математических вычислений.
Некоторые особенности TensorFlow:
Благодаря всем этим особенностям и широкому спектру алгоритмов машинного обучения, которые реализует TensorFlow, она хорошо подходит для крупномасштабных разработок. Давайте углубимся в концепции TensorFlow, а после разберем пару примеров.
Установка TensorFlow
Поскольку для работы с TensorFlow мы будем использовать Python API, полезно знать, что TensorFlow работает как с Python 2.7, так и с Python версии 3.3+. Прежде чем перейти к реальным примерам и концепциям, давайте установим библиотеку. Есть два способа установки:
1) При помощи менеджера пакетов Python, pip:
2) При помощи менеджера пакетов conda (если вы используете Anaconda):
Больше информации по установке вы можете найти в официальной документации TensorFlow.
Мы будем использовать Anaconda для всех примеров в этой статье. Для начала запустим Jupyter Notebook:
Теперь, когда мы готовы писать код, давайте начнем погружаться в пакет SciPy с некоторыми практическими примерами.
Что такое тензоры?
Тензоры — это основная структура данных, используемая в Tensorflow. Да, это просто способ представления данных в глубоком обучении. Давайте изобразим их:
Как видно из рисунка, тензором можно назвать n-мерный массив, который позволяет нам представлять данные в сложных измерениях. Мы можем рассматривать каждое измерение как отдельный признак в глубоком обучении. Это означает, что тензоры могут стать довольно сложными, когда речь заходит о сложных наборах данных (dataset) с большим количеством признаков.
Программы TensorFlow используют тензоры для представления всех данных, также тензоры передаются между операциями в графе вычислений. Таким образом, в TensorFlow основным объектом, которым вы манипулируете и который передаете, является тензор.
Константы в TensorFlow
TensorFlow позволяет нам для получения результата выполнять алгоритмы машинного обучения при помощи тензоров. С TensorFlow построение и тренировка моделей глубокого обучения становится значительно проще.
Как упоминалось выше, работа с TensorFlow построена вокруг создания и выполнения графа вычислений. Граф вычислений — это граф потоков данных, в котором математические операции представлены в виде узлов, а данные — в виде ребер между этими узлами. Давайте напишем очень простой фрагмент кода, чтобы посмотреть, как это работает:
Когда мы запустим этот пример, мы увидим следующий вывод:
Почему умножение работает неверно? Это совсем не то, что мы ожидали. Это произошло потому, что операции в TensorFlow выполняются иначе. Для начала, нам нужно создать сессию, а затем выполнить в ней граф вычислений.
Объект сессии инкапсулирует среду, в которой выполняются операции графа и вычисляются тензоры. Это означает, что сессия также может сохранять результат графа вычислений, чтобы затем передавать его следующей операции. Давайте создадим сессию, чтобы получить правильный результат умножения:
На этот раз мы создали сессию и выполнили операции графа в сессии. Когда мы запустим этот пример, мы увидим следующий вывод:
Несмотря на предупреждение от TensorFlow, мы все же получили правильные результаты вычислений.
Операции над тензорами
В последнем примере мы умножили две константы, но в TensorFlow можно выполнять много других операций с отдельными элементами:
Когда речь идет об операциях с отдельными элементами (single-element operations), подразумевается, что даже когда вы передаете массив, операции будут выполняться над каждым элементом этого массива. Например:
Когда мы запустим этот пример, мы увидим следующий вывод:
Из этого мы можем сделать следующие выводы:
Плейсхолдеры и переменные
В одном из предыдущих разделов мы рассмотрели, как можно использовать константы TensorFlow для построения графов вычислений. Но TensorFlow также позволяет нам передавать входные данные при выполнении, чтобы граф вычислений был динамическим. Это возможно с помощью плейсхолдеров (placeholder) и переменных (variable).
На самом деле плейсхолдеры не содержат никаких данных и просто отмечают места для подстановки «внешних» значений. Допустимые входные данные должны быть предоставлены во время выполнения. При отсутствии входных данных они сгенерируют ошибку.
Согласно официальной документации TensorFlow, плейсхолдер — это обещание подставить значение потом. Вот пример использования плейсхолдеров:
Когда мы запустим этот пример, мы увидим следующий вывод:
Теперь, когда мы познакомились с плейсхолдерами, давайте обратим внимание на переменные. Мы знаем, что выходные данные уравнения могут изменяться для одного и того же набора входных данных с течением времени. Поэтому, когда мы обучаем нашу переменную модели, она может со временем изменить свое поведение. В этом сценарии переменная позволяет нам добавить эти обучаемые параметры в наш вычислительный граф. Переменная может быть определена следующим образом:
В приведенном выше примере x — это переменная, которой присваивается ее начальное значение и тип данных. Если мы не укажем тип данных, TensorFlow выберет тот тип данных, который может представлять указанное начальное значение. Больше о типах данных в TensorFlow вы можете прочитать здесь.
В отличие от константы, для инициализации всех переменных графа нам нужно вызвать функцию Python:
Обязательно запустите вышеупомянутую функцию TensorFlow, прежде чем использовать наш граф.
Линейная регрессия с использованием TensorFlow
Здесь m — угловой коэффициент, и здесь — это вектор, представляющий веса (weight). А c — свободный член (точка пересечения с осью y ), и здесь он представляет смещение (bias). Вес и смещение называются параметрами модели.
Линейная регрессия позволяет нам оценивать значения веса и смещения таким образом, чтобы минимизировать функцию стоимости. Наконец, x — это независимая переменная в уравнении, а y — зависимая переменная. А теперь давайте начнем строить линейную модель в TensorFlow:
Здесь мы сделали только то, что объяснили ранее. Давайте подведем итоги:
Когда мы запустим этот пример, мы увидим следующий вывод:
Этот простой фрагмент кода дает базовое представление о том, как мы можем построить регрессионную модель. Но нам нужно сделать еще несколько шагов, чтобы завершить построенную нами модель:
Функция потерь и валидация модели
Чтобы проверить правильность работы модели, нам нужно измерить степень отклонения полученного выходного значения от ожидаемого. Существуют различные функции потерь, которые можно использовать здесь для проверки, но мы рассмотрим один из наиболее распространенных методов — сумму квадратов ошибок (Sum of Squared Error — SSE).
Уравнение для SSE имеет следующий вид:
E = среднеквадратическая ошибка (Mean Squared error — MSE)
t = полученный результат
у = ожидаемый результат
Теперь давайте напишем фрагмент кода в продолжение последнего фрагмента, чтобы рассчитать значение потерь:
Когда мы запустим этот пример, мы увидим следующий вывод:
Очевидно, что значение потерь очень низкое для данной модели линейной регрессии.
Заключение
В этой статье мы рассмотрели одну из самых популярных библиотек глубокого обучения и машинного обучения — TensorFlow. Также мы создали модель линейной регрессии с очень высокой точностью.
