在这篇文章中，我们将在Ubuntu 18.04/Debian上安装Tensorflow机器学习库9.如果我们需要Tensorflow GPU，我们应该在Ubuntu 18.04 - Nvidia，AMD 等上有专用显卡。
安装了Tensorflow GPU的软件是CUDA Toolkit。

在Ubuntu 18.04 LTS/Debian 9上安装Tensorflow(仅限CPU)

要在Ubuntu 18.04上安装Tensorflow(仅限CPU)，我们将使用TensorFlow No GPU支持的版本，该版本需要Python 2.7或者Python 3.3+。
通过运行以下命令来安装Python和所需的模块：

sudo apt update
sudo  apt -y install python python-pip python-setuptools python-dev

然后使用python包管理器安装tensorflow。

pip install --upgrade tensorflow requests

如果我们有启用了CUDA的GPU卡，则可以安装GPU包。

pip install tensorflow-gpu

但不要忘记GPU包需要启用CUDA®的GPU卡。

验证Tensorflow是否正常工作。

python -c "import tensorflow as tf; tf.enable_eager_execution(); print(tf.reduce_sum(tf.random_normal([1000, 1000])))"

2016-12-19 00:53:36.272184: I tensorflow/core/platform/cpu_feature_guard.cc:141] 
Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
tf.Tensor(820.4219, shape=(), dtype=float32)

运行测试模型：

mkdir ~/tensorflow_projects
cd ~/tensorflow_projects
git clone https://github.com/tensorflow/models.git
export PYTHONPATH="$PYTHONPATH:$(pwd)/models"
cd models/official/mnist
python mnist.py

使用TensorBoard.

Tensorboard是一组可视化工具，使得更容易理解，调试和优化TensorFlow程序。
使用Tensorboard来可视化TensorFlow图表，绘制关于图表执行的定量度量，并显示了像通过它的图像的其他数据。

通过运行启动Tensorboard：

mkdir ~/tensor_logs
tensorboard --logdir=~/tensor_logs

在运行时 tensorboard命令，下面的输出将在屏幕中打印。

TensorBoard 1.12.1 at http://ubuntu-01:6006 (Press CTRL+C to quit)

通过按下，我们可以杀死Tensorboard过程 CTRL+C并非默认情况下，TensorFlow输出存储在下面 /tmp目录。
完全配置TensorBoard时，访问URL http://[ServerHostname|IPAddress]:6006。
仪表板看起来像这样：

在Docker容器中运行tensorflow(仅限CPU)

我们还可以在Docker容器中运行TensorFlow。
如果我们没有在Ubuntu 18.04上安装了Docker引擎，我们的教程应该派上用场。

如何在Ubuntu/debian/fedora/arch/centos上安装Docker CE

TensoRFlow Docker图像已配置为运行TensorFlow。
Docker容器在虚拟环境中运行，是设置GPU支持的最简单方法。

下载Tensorflow Docker图片：

docker pull tensorflow/tensorflow

一旦下载，通过运行启动Jupyter Notebook服务器：

docker run -it -p 8888:8888 tensorflow/tensorflow

如果我们只想运行Tensorflow测试，请使用：

docker run -it --rm tensorflow/tensorflow \
python -c "import tensorflow as tf; tf.enable_eager_execution(); print(tf.reduce_sum(tf.random_normal([1000, 1000])))"