centos tensorflow安装？centos8官网下载教程
本篇文章给大家谈谈centos tensorflow安装，以及centos8官网下载教程对应的知识点，文章可能有点长，但是希望大家可以阅读完，增长自己的知识，最重要的是希望对各位有所帮助，可以解决了您的问题，不要忘了收藏本站喔。
5分钟内完成DeePMD-kit的安装(二)
在过去的两年里，DeePMD-kit的安装流程取得了显著的进展。本文旨在分享这些最新进展，并为其他科学计算软件的安装提供参考。首先，我们优化了pip安装LAMMPS接口及提供更多平台的轮子。
依托Python社区打包工程的发展，如PEP-517、PEP-518、PEP-621等规范的通过，以及setuptools、pip、wheel、build、auditwheel等工具的定位，DeePMD-kit在两年前已经采用scikit-build实现pip安装，并使用cibuildwheel构建轮子，并上传至pypi。然而，此前使用pip install deepmd-kit并非最佳实践，原因在于存在一些问题。
为了提升安装的稳定性，DeePMD-kit的安装模块进行了全面重构。依据PEP-517规范，构建自定义后端，确保在检测到未安装TensorFlow时，pip自动添加TensorFlow CPU版本作为构建依赖。同时，利用setuptools新特性，将setup.py中的元数据迁移到pyproject.toml。
考虑到TensorFlow的C++库版本可能改变ABI，之前的轮子并未固定TensorFlow版本，导致安装后可能发现不兼容。在近期更新中，我们读取TensorFlow版本号，以此固定TensorFlow版本，确保与构建所用的TensorFlow版本一致。此外，我们新增了Linux aarch64、macOS x86-64和Windows x86-64平台的轮子，并修复了其他平台的bug。同时，构建CUDA 11.8版本的GPU支持，当GPU不可用时回退至CPU版本。值得一提的是，由于CUDA 11改进了兼容性，构建的包在CUDA 11.2版本下同样可用。此外，我们对每个平台只构建一个轮子，避免对每个Python版本进行构建，因为DeePMD-kit仅链接TensorFlow，不会影响二进制库。
进一步，我们构建了LAMMPS的pypi轮子，作为DeePMD-kit的可选依赖，并通过entry points提供了CLI和plugin的入口。在加载plugin时，自动将DeePMD-kit的plugin加载到LD_LIBRARY_PATH等环境变量中。同时，_pywrap_tensorflow_internal.so文件暴露了C++接口，因此我们构建了C++库和LAMMPS plugin，使得LAMMPS支持plugin模式和从环境变量读取plugin列表。
最新版本2.2.0b中的pip安装命令已全面更新，Linux轮子需要GLIBC 2.28或以上版本，因为TensorFlow已切换至_GLIBCXX_USE_CXX11_ABI=1。然而，当前的manylinux2014镜像（如CentOS 7）的编译器不支持_GLIBCXX_USE_CXX11_ABI=1，需要采用其他方法解决。在macOS方面，GitHub Actions计划于今年Q3提供Apple M1机器，macOS arm64的轮子届时将可以构建。
在conda安装方面，libdeepmd和LAMMPS成功解耦，不再存在依赖关系。然而，当两者同时安装并在conda环境中激活时，LAMMPS plugin的环境变量加载，LAMMPS也能加载DeePMD-kit的plugin。conda-forge社区已经全面支持macOS x86-64和arm64平台，并加快了TensorFlow的构建速度，支持最新版本的macOS x86-64和arm64的Python库和C++库。LAMMPS也支持plugin包，并已添加macOS arm64支持。因此，conda-forge的DeePMD-kit与LAMMPS解耦，全面支持macOS平台。
考虑到C++接口在不同编译环境下的ABI差异，DeePMD-kit推出了C接口，不包含任何依赖，并提供一个C++实现的头文件，以便与原来的C++接口实现无缝迁移。通过GitHub Actions打包和分发Linux环境下、支持CUDA 11的libdeepmd_c.tar.gz，用户可以直接下载并解压后，与AMBER程序进行集成，大大节省了安装时间。
总之，DeePMD-kit在安装流程上的优化和新功能的引入，不仅提升了软件的稳定性和兼容性，还为用户提供了更简便的安装体验。这些改进不仅适用于DeePMD-kit自身，也为其他科学计算软件的安装提供了有益的参考。
CentOS7 Anaconda3(Python3.7)安装Tensorflow1.20.0
当前最新版TensorFlow1.12.0官网中的.whl文件下载链接仅支持到Python3.6版本，而Anaconda3配备的是Python3.7，因此安装了Anaconda3后无法顺利安装TensorFlow1.12.0。本文提供在Python3.7环境下安装TensorFlow1.20.0的方法。
安装环境包括CentOS7、Anaconda 2018.12 for Linux(Python3.7)、TensorFlow1.12.0等。
安装步骤如下：
1.检查配置环境
python3--version
pip3--version
virtualenv--version
2.升级pip、virtualenv和scipy
pip3 install--upgrade pip3
pip3 install--upgrade virtualenv
pip3 install--upgrade scipy
3.下载TensorFlow的安装包（.whl文件）
下载CPU版本的TensorFlow，将下载链接中的cp36替换为cp37（cp36表示3.6版本，替换后为cp37表示3.7版本）。将下载的文件名修改为tensorflow-1.12.0-cp37-cp37m-linux_x86_64.whl。
4.安装TensorFlow
将下载的.whl文件移动到指定目录，并在Terminal执行以下命令：
pip3 install tensorflow-1.12.0-cp37-cp37m-linux_x86_64.whl
5.测试安装
运行测试代码，可能会出现RuntimeWarning：compiletime version 3.6 of module'tensorflow.python.framework.fast_tensor_util' does not match runtime version 3.7，但运行正常。
注意：在GitHub的TensorFlow Issue上提及async and await是Python 3.7的保留关键字，若遇到无法执行import tensorflow as tf的问题，可参考相关链接。但在CentOS7的Anaconda2018.12版本中并未发现需要替换修改的关键字。
祝读者新年技术进阶，本文旨在帮助TensorFlow学习者顺利安装，若有任何错误或疑问，欢迎留言更正。
Linux环境下anaconda3安装并配置
官网: anaconda.com/products/d...
清华镜像: mirrors.tuna.tsinghua.edu.cn... anaconda/archive/
启动浏览器,下载合适的Anaconda3版本，确保下载路径空间充足，下载完成后用cp或mv命令将文件移至/tmp目录下。
以非root用户身份移至/tmp目录下,执行安装命令，确认安装位置、是否安装、是否使用默认值等均选择默认。
安装完成后，执行source~/.bashrc激活。使用conda list查看清单，确认安装成功。
安装Python环境配置工具后，通过conda查看并创建最新版本Python3的环境（my_env），最好在良好网络环境下进行。
使用conda列出当前虚拟环境，切换至my_env。
在my_env下进行jupyter的下载配置，生成配置文件，通过ipython3在root用户下配置远程登录密码，并复制该密码。
启动jupyter notebook，开始数据科学交互式编程。
在my_env环境下下载sklearn，配置并启动。
对于tensorflow配置，在使用conda指令下载时遇到错误，需直接下载无版本号的文件以解决。
在centos上下载镜像时，确保有足够空间，使用浏览器直接下载清华镜像文件。若通过命令下载，遇到未获得许可证问题，可去掉https中的s、下载证书或选择跳过证书验证，建议非root用户进行安装。
在kali的ipython3生成密码后，通过Windows端提供的网址与端口以及先前设置的密码访问jupyter notebook，可能无法成功进入。解决方案为确认端口开放正确且网络连接稳定。
