Configuración del entorno TensorFlow

TensorFlow 2.x tiene requisitos específicos de versión de Python:

Se recomienda usar Python 3.9-3.11Estas versiones ofrecen la mejor compatibilidad y estabilidad.

Verificar la versión actual de Python

# 检查 Python 版本
python --version
# o 
python3 --version

# 检查 pip 版本
pip --version
# o 
pip3 --version

Opciones de instalación de Python

Opción 1: Python oficial (recomendado para principiantes)

• Visitapython.orgDescargar e instalar
• Durante la instalación, marca "Add Python to PATH"
• Incluye el gestor de paquetes pip

Opción 2: Anaconda/Miniconda (recomendado para ciencia de datos)

• Anaconda: entorno completo de ciencia de datos
• Miniconda: versión ligera
• Gestión integrada de entornos y paquetes

Opción 3: gestor de paquetes del sistema

# Ubuntu/Debian
sudo apt update
sudo apt install python3 python3-pip

# macOS (使用 Homebrew)
brew install python3

# Windows (使用 Chocolatey)
choco install python3

Configuración del entorno virtual (muy recomendado)

¿Por qué usar entornos virtuales?

Beneficios：

• Aislamiento de dependenciasEvita conflictos de versiones de paquetes entre proyectos
• Entorno limpioMantiene limpio el entorno de Python del sistema
• Fácil gestiónPermite eliminar y recrear entornos fácilmente
• ReproducibilidadFacilita la reproducción del entorno en diferentes máquinas

Crear un entorno virtual con venv

# 创建虚拟环境
python -m venv tensorflow_env

# 激活虚拟环境
# Windows:
tensorflow_env\Scripts\activate
# macOS/Linux:
source tensorflow_env/bin/activate

# 确认激活（提示符会显示环境名）
which python  # 应该指向虚拟环境中的 python

# 升级 pip
python -m pip install --upgrade pip

Crear un entorno virtual con Conda

# 创建新环境
conda create -n tensorflow_env python=3.10

# 激活环境
conda activate tensorflow_env

# 列出所有环境
conda env list

# 在环境中安装包
conda install pip

Gestión de entornos virtuales

# 查看已安装的包
pip list

# 生成依赖文件
pip freeze > requirements.txt

# 从文件安装依赖
pip install -r requirements.txt

# 退出虚拟环境
deactivate  # venv
conda deactivate  # conda

# 删除虚拟环境
rm -rf tensorflow_env  # venv
conda env remove -n tensorflow_env  # conda

Instalación de TensorFlow

Instalación de la versión CPU (apta para aprendizaje y tareas ligeras)

# 确保在虚拟环境中
pip install tensorflow

# 验证安装
python -c "import tensorflow as tf; print('TensorFlow version:', tf.__version__)"

Características de la versión CPU：

• VentajasInstalación sencilla, sin configuración adicional
• DesventajasVelocidad de entrenamiento más lenta; adecuada para datos a pequeña escala
• Casos de usoAprendizaje, desarrollo de prototipos, despliegue de inferencia

Instalación de la versión GPU (apta para entrenamiento a gran escala)

La aceleración por GPU puede aumentar significativamente la velocidad de entrenamiento, especialmente para tareas de aprendizaje profundo.

3.2.1 Requisitos de GPU NVIDIA

Requisitos de hardware：

• GPU NVIDIA (capacidad de cómputo 3.5 o superior)
• 8 GB+ de memoria de video (recomendado)

Consultar información de la GPU：

# Windows
nvidia-smi

# Linux
lspci | grep -i nvidia

Instalación de CUDA y cuDNN

Correspondencia entre TensorFlow 2.15+ y versiones de CUDA：

Pasos de instalación：

1. Descargar e instalar CUDA Toolkit

   • VisitaNVIDIA CUDA Toolkit
   • Selecciona la versión correspondiente para descargar e instalar
   • Agregar a la variable PATH del sistema

2. Descargar e instalar cuDNN

   • VisitaNVIDIA cuDNN
   • Se requiere una cuenta NVIDIA registrada
   • Extraer al directorio de instalación de CUDA

3. Verificar la instalación de CUDA

   nvcc --version
   nvidia-smi

Instalar la versión GPU de TensorFlow

# TensorFlow 2.10+ 统一包名
pip install tensorflow

# 验证 GPU 可用性
python -c "
import tensorflow as tf
print('TensorFlow version:', tf.__version__)
print('GPU available:', tf.config.list_physical_devices('GPU'))
print('Built with CUDA:', tf.test.is_built_with_cuda())
"

Instalación mediante Conda

# CPU 版本
conda install tensorflow

# 或从 conda-forge
conda install -c conda-forge tensorflow

# GPU 版本（自动安装 CUDA）
conda install tensorflow-gpu

Instalar una versión específica

# 安装特定版本
pip install tensorflow==2.14.0

# 安装预发布版本
pip install tf-nightly

# 升级到最新版本
pip install --upgrade tensorflow

Instalación de herramientas de desarrollo

upyter Notebook/Lab

Jupyter es el entorno de desarrollo estándar para ciencia de datos y aprendizaje automático:

# 安装 Jupyter Notebook
pip install jupyter notebook

# 或安装 JupyterLab（推荐）
pip install jupyterlab

# 启动 Jupyter
jupyter notebook
# o 
jupyter lab

Extensiones de Jupyter：

# 安装有用的扩展
pip install jupyter_contrib_nbextensions
jupyter contrib nbextension install --user

# 变量检查器
pip install nbextensions

Elección del IDE

Visual Studio Code (recomendado)：

• Instalar la extensión de Python
• Instalar la extensión de Jupyter
• Autocompletado inteligente de código y depuración

PyCharm：

• IDE profesional de Python
• Potentes funciones de depuración
• Soporte integrado de Git

Google Colab (opción en la nube)：

• Uso gratuito de GPU
• Bibliotecas comunes preinstaladas
• Sin necesidad de configuración local

Paquetes de Python necesarios

# 数据处理
pip install numpy pandas matplotlib seaborn

# 科学计算
pip install scipy scikit-learn

# 图像处理
pip install pillow opencv-python

# 进度条和实用工具
pip install tqdm

# 创建完整的要求文件
cat > requirements.txt << EOF
tensorflow>=2.12.0
numpy>=1.21.0
pandas>=1.3.0
matplotlib>=3.5.0
seaborn>=0.11.0
scikit-learn>=1.0.0
jupyter>=1.0.0
tqdm>=4.60.0
pillow>=8.0.0
EOF

# 批量安装
pip install -r requirements.txt

Verificación de la configuración

Script completo de verificación de instalación

Crearverify_installation.pyarchivo:

Ejecutar la verificación:

python verify_installation.py

Prueba de rendimiento (benchmark)

Crear una prueba de rendimiento simple:

Problemas comunes y soluciones

Problemas de instalación

Problema 1: tiempo de espera agotado en la instalación con pip

pip install --user tensorflow

Problema 2: error de permisos

# 创建新的虚拟环境
python -m venv fresh_env
source fresh_env/bin/activate  # Linux/Mac
# o  fresh_env\Scripts\activate  # Windows
pip install tensorflow

Problema 3: conflicto de versiones

# 创建新的虚拟环境
python -m venv fresh_env
source fresh_env/bin/activate  # Linux/Mac
# o  fresh_env\Scripts\activate  # Windows
pip install tensorflow

Problemas relacionados con GPU

Problema 1: versión de CUDA no coincidente

• Verifica la compatibilidad de versiones de TensorFlow y CUDA
• Reinstala la versión de CUDA compatible

Problema 2: memoria de GPU insuficiente

# 设置 GPU 内存增长
gpus = tf.config.experimental.list_physical_devices('GPU')
if gpus:
    for gpu in gpus:
        tf.config.experimental.set_memory_growth(gpu, True)

Problema 3: no se puede encontrar la GPU

# 检查 NVIDIA 驱动
nvidia-smi

# 检查 CUDA 安装
nvcc --version

# 重新安装 GPU 支持
pip uninstall tensorflow
pip install tensorflow

Problemas relacionados con Jupyter

Problema 1: el entorno virtual no es visible en Jupyter

# 安装 ipykernel
pip install ipykernel

# 添加虚拟环境到 Jupyter
python -m ipykernel install --user --name tensorflow_env --display-name "Python (TensorFlow)"

Problema 2: Jupyter no puede iniciarse

# 重新安装 Jupyter
pip uninstall jupyter notebook
pip install jupyter notebook

# 或使用 conda
conda install jupyter

Optimización del entorno de desarrollo

Gestión de memoria de GPU

# GPU 配置优化
import tensorflow as tf

# 方法 1：设置内存增长
gpus = tf.config.experimental.list_physical_devices('GPU')
if gpus:
    try:
        for gpu in gpus:
            tf.config.experimental.set_memory_growth(gpu, True)
    except RuntimeError as e:
        print(e)

# 方法 2：限制内存使用
if gpus:
    try:
        tf.config.experimental.set_memory_limit(gpus[0], 4096)  # 4GB
    except RuntimeError as e:
        print(e)

Configuración de optimización del rendimiento

# 启用混合精度训练（提升性能）
from tensorflow.keras.mixed_precision import experimental as mixed_precision

policy = mixed_precision.Policy('mixed_float16')
mixed_precision.set_policy(policy)

# 启用 XLA 编译优化
tf.config.optimizer.set_jit(True)

Configuración de herramientas de desarrollo

Configuración de VS Code (.vscode/settings.json)：

{
    "python.defaultInterpreterPath": "./tensorflow_env/bin/python",
    "python.linting.enabled": true,
    "python.linting.pylintEnabled": true,
    "jupyter.defaultKernel": "tensorflow_env"
}

Mantenimiento del entorno

Actualizaciones periódicas

# 更新 TensorFlow
pip install --upgrade tensorflow

# 更新所有包
pip list --outdated
pip install --upgrade package_name

# 或批量更新
pip freeze | grep -v "^-e" | cut -d = -f 1 | xargs pip install -U

Copia de seguridad y migración del entorno

# 导出环境
pip freeze > requirements.txt
conda env export > environment.yml

# 在新机器上恢复环境
pip install -r requirements.txt
conda env create -f environment.yml