如何在CPU上运行Tensorflow

当我们在CPU上运行TensorFlow时，首先需确保安装了正确版本的TensorFlow。TensorFlow支持CPU和GPU两种运行环境，但默认情况下，如果系统中没有检测到GPU，TensorFlow会自动在CPU上运行。

安装TensorFlow

1. 安装Python： TensorFlow需要Python环境，建议使用Python 3.5到3.8之间的版本。

2. 创建虚拟环境（可选）： 使用虚拟环境可以避免依赖冲突，为TensorFlow创建一个隔离的环境。可以使用venv（Python内置）或conda（Anaconda套件）来创建虚拟环境。

   bash
   # 使用venv
   python -m venv tf_env
   source tf_env/bin/activate  # 在Windows上使用 tf_env\Scripts\activate
   
   # 使用conda
   conda create -n tf_env python=3.8
   conda activate tf_env

3. 安装TensorFlow： 使用pip安装TensorFlow。为了确保在CPU上运行，可以直接安装tensorflow包，而不是tensorflow-gpu。

   bash
   pip install tensorflow

验证安装

安装完成后，可以通过运行一个简单的TensorFlow程序来验证是否正确安装并能在CPU上运行。

python
import tensorflow as tf

# 创建一个TensorFlow常量
hello = tf.constant('Hello, TensorFlow!')

# 启动TF session
tf_session = tf.compat.v1.Session()

# 运行session 获取结果
print(tf_session.run(hello))

配置TensorFlow使用CPU

虽然TensorFlow会自动在CPU上运行，但有时我们可能需要显式地配置它只使用CPU，尤其当系统同时具备CPU和GPU时。可以通过设置环境变量或在代码中配置来实现。

python
import os
import tensorflow as tf

os.environ['CUDA_VISIBLE_DEVICES'] = '-1'  # 这会告诉TensorFlow忽略GPU

# 创建一些TensorFlow操作
a = tf.constant([[1.0, 2.0], [3.0, 4.0]])
b = tf.constant([[1.0, 1.0], [0.0, 1.0]])
c = tf.matmul(a, b)

print(c)

实例

例如，我们可以试着使用TensorFlow的CPU版本来实现一个简单的线性模型。

python
import tensorflow as tf
import numpy as np

# 模型和数据参数
X_data = np.array([[1.0, 2.0], [2.0, 3.0], [3.0, 4.0], [4.0, 5.0]])
y_data = np.array([[1.0], [2.0], [3.0], [4.0]])

# 构建模型
X = tf.placeholder(tf.float32, shape=[None, 2])
y = tf.placeholder(tf.float32, shape=[None, 1])
W = tf.Variable(tf.random_normal([2, 1]), name='weight')
b = tf.Variable(tf.random_normal([1]), name='bias')
hypothesis = tf.matmul(X, W) + b

# 损失函数和优化器
cost = tf.reduce_mean(tf.square(hypothesis - y))
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(cost)

# 初始化变量
init = tf.global_variables_initializer()

# 启动session
with tf.Session() as sess:
    sess.run(init)

    # 训练模型
    for step in range(2000):
        cost_val, hy_val, _ = sess.run([cost, hypothesis, optimizer], feed_dict={X: X_data, y: y_data})
        if step % 500 == 0:
            print(step, "Cost:", cost_val, "\nPrediction:\n", hy_val)

以上示例展示了如何在CPU上使用TensorFlow创建、训练一个简单的线性回归模型。这些步骤确保了TensorFlow有效地在CPU上运行并处理数据。