Установка и первый запуск

Урок про то, как поставить TensorFlow, проверить установку и не споткнуться о типичные проблемы окружения.

Окружение — это изолированный набор библиотек определённых версий, в котором запускается ваш проект; для ML его почти всегда делают отдельным.

Глубокое обучение чувствительно к версиям: TensorFlow тянет за собой конкретные версии Python, CUDA (для GPU) и сопутствующих пакетов. Поэтому первое правило — ставить TF в отдельное виртуальное окружение, а не в системный Python.

Виртуальное окружение

Создаём изолированное окружение и активируем его. Команды для терминала:

python -m venv tf-env
source tf-env/bin/activate   # Windows: tf-env\Scripts\activate
pip install --upgrade pip

Установка TensorFlow

Одной командой ставится версия для CPU (и GPU, если есть поддержка):

pip install tensorflow

После установки проверим, что всё работает. Этот код не исполняется в браузере — нужен установленный TF:

import tensorflow as tf

print("TF версия:", tf.__version__)
print("Устройства:", [d.device_type for d in tf.config.list_physical_devices()])

# простейшая операция над тензорами
a = tf.constant([[1.0, 2.0], [3.0, 4.0]])
b = tf.constant([[1.0, 0.0], [0.0, 1.0]])
print(tf.matmul(a, b))

CPU или GPU

На CPU TF работает везде, но обучение крупных сетей идёт медленно. GPU (видеокарта NVIDIA с CUDA) ускоряет матричные операции в десятки раз. Если GPU нет — не страшно: учебные примеры этого курса считаются на CPU за секунды.

Как работает под капотом

Когда вы вызываете tf.matmul, TensorFlow выбирает оптимальную реализацию операции под доступное устройство: на CPU это многопоточный код, на GPU — ядро CUDA. Сам тензор живёт в памяти устройства, и TF старается не гонять данные между CPU и GPU без нужды — лишние пересылки замедляют обучение.

Частые ошибки

• Ставить TF в системный Python. Это ломает версии других проектов; используйте venv или conda.
• Ждать GPU «из коробки». Для GPU нужны совместимые драйверы NVIDIA и CUDA; несовпадение версий — самая частая боль.
• Смешивать tensorflow и tensorflow-gpu. Со свежими версиями отдельный пакет -gpu не нужен.

Итог

• TensorFlow ставят в отдельное виртуальное окружение через pip install tensorflow.
• После установки проверяйте версию и список устройств.
• CPU подходит для учёбы, GPU — для тяжёлого обучения; Colab даёт GPU бесплатно.
• Большинство проблем установки — это несовпадение версий Python/CUDA.