過去バージョン

この記事の要点

CPU 版: pip install tensorflow で 1 行完了 GPU 版 (TF 2.13+): pip install tensorflow[and-cuda] で CUDA も自動取得 バージョン整合が最重要: TF 2.15 は CUDA 12.2 + cuDNN 8.9。公式テーブル必読 Conda 経由: conda install -c conda-forge tensorflow (CUDA も Conda 環境に閉じる) Docker: tensorflow/tensorflow:latest-gpu が最もトラブルなし GPU 動作確認: tf.config.list_physical_devices("GPU") で空でない Apple Silicon は tensorflow + tensorflow-metal で GPU 加速可能 PyTorch との比較: TF は本番デプロイ (TF Serving / TFLite)、PyTorch は研究で優勢

事前準備

# 1. Ubuntu の更新
sudo apt update && sudo apt upgrade -y

# 2. Python 3.10 / 3.11 / 3.12 を確認 (TensorFlow 2.16+ 推奨)
python3 --version
sudo apt install -y python3 python3-pip python3-venv

# 3. ビルド依存
sudo apt install -y build-essential libhdf5-dev

# 4. 仮想環境作成 (★ 強く推奨)
python3 -m venv ~/tf-env
source ~/tf-env/bin/activate

# 5. pip 最新化
pip install -U pip wheel setuptools

方法1: CPU 版インストール

# 最新版
pip install tensorflow

# バージョン指定
pip install tensorflow==2.15.0

# 確認
python -c "import tensorflow as tf; print(tf.__version__)"
# → 2.15.0

# Hello World
python -c "
import tensorflow as tf
x = tf.constant([[1, 2], [3, 4]])
print(x * 2)
"

方法2: GPU 版インストール (TensorFlow 2.13+ の新方式)

TF 2.13 から pip install tensorflow[and-cuda] でCUDA Toolkit と cuDNN も自動で入るようになり、劇的に簡単になりました:

# 1. NVIDIA ドライバ確認 (これだけは手動)
nvidia-smi
# Driver Version: 535.xx  CUDA Version: 12.2 と表示されれば OK

# ドライバ未インストールなら
sudo ubuntu-drivers autoinstall
sudo reboot

# 2. TensorFlow + CUDA を一発インストール
pip install tensorflow[and-cuda]

# 3. GPU 認識確認
python -c "
import tensorflow as tf
print('TF version:', tf.__version__)
print('GPUs:', tf.config.list_physical_devices('GPU'))
"
# → GPUs: [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

# 4. GPU で計算が走るかテスト
python -c "
import tensorflow as tf
with tf.device('/GPU:0'):
    a = tf.random.normal((1000, 1000))
    b = tf.random.normal((1000, 1000))
    c = tf.matmul(a, b)
    print('OK on GPU')
"

バージョン整合 (重要)

TF バージョン × CUDA × cuDNN × Python の組合せを間違えると動きません。公式テーブル:

TF	Python	CUDA	cuDNN	備考
2.16+	3.9-3.12	12.3	8.9	Keras 3 デフォルト
2.15	3.9-3.11	12.2	8.9
2.14	3.9-3.11	11.8	8.7
2.13	3.8-3.11	11.8	8.6	[and-cuda] 初登場
2.12	3.8-3.11	11.8	8.6	手動 CUDA 必要
2.10	3.7-3.10	11.2	8.1	最後の Windows GPU 公式版

常に最新は 公式の動作確認済構成表 を参照してください。

方法3: Conda 経由 (推奨)

# Miniconda が入っている前提
conda create -n tf python=3.11
conda activate tf

# CPU 版
conda install -c conda-forge tensorflow

# GPU 版 (CUDA も Conda 環境に閉じる → 楽)
conda install -c conda-forge tensorflow-gpu

# 確認
python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

方法4: Docker (最も再現性高い)

環境問題を一切気にしないなら Docker:

# NVIDIA Container Toolkit 事前インストール
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/libnvidia-container/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list \
    | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt update && sudo apt install -y nvidia-container-toolkit
sudo systemctl restart docker

# CPU 版イメージ
docker run -it --rm tensorflow/tensorflow:latest python -c "import tensorflow as tf; print(tf.__version__)"

# GPU 版イメージ
docker run -it --rm --gpus all tensorflow/tensorflow:latest-gpu \
  python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

# Jupyter 付き
docker run -it --rm -p 8888:8888 --gpus all tensorflow/tensorflow:latest-gpu-jupyter

Apple Silicon (M1/M2/M3 Mac)

# Mac で GPU 加速 (Metal)
pip install tensorflow tensorflow-metal

# 確認
python -c "
import tensorflow as tf
print('Devices:', tf.config.list_physical_devices())
"
# → GPU 名が 'METAL' で出れば成功

動作確認: 簡単な学習

import tensorflow as tf

# MNIST データ
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# モデル
model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation='softmax'),
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 学習 (GPU があれば自動で使う)
model.fit(x_train, y_train, epochs=3, batch_size=32)
model.evaluate(x_test, y_test)

トラブルシューティング

症状	原因	対処
Could not load dynamic library libcudart.so.12.0	CUDA バージョン不一致	整合表通りに揃える / [and-cuda] 利用
GPU 未認識 (list_physical_devices 空)	ドライバ古い / CUDA 不整合	nvidia-smi 確認 / TF 再インストール
Illegal instruction (core dumped)	CPU が AVX 非対応	Atom 等の場合は古い TF (1.5 等) を使う
OOM (Out of Memory)	VRAM 不足	batch_size 小さく / 混合精度 (set_global_policy('mixed_float16'))
Windows ネイティブで GPU 動かない	TF 2.11+ は Windows GPU 非サポート	WSL2 + Ubuntu に移行

PyTorch との比較

項目	TensorFlow	PyTorch
研究での主流度	低下中	★★★
本番デプロイ	★★★ TF Serving / TFLite / TensorFlow.js	TorchServe / ONNX
API の簡潔さ	Keras で簡単	本来 Pythonic
動的計算グラフ	Eager Mode (2.x)	元から動的
モバイル	★ TFLite	PyTorch Mobile
分散学習	★ tf.distribute	★ DDP / FSDP

FAQ

Q: GPU が認識されない
A: ①nvidia-smi でドライバ確認、②TF と CUDA のバージョン整合確認、③pip install tensorflow[and-cuda] で再インストール。

Q: Windows でも GPU 版を使いたい
A: TF 2.11 以降は Windows ネイティブで GPU 非サポート。WSL2 + Ubuntu で動かしてください。

Q: tensorflow と tensorflow-cpu パッケージの違い
A: TF 2.0+ では tensorflow 1 つに統合。tensorflow-cpu は明示的に CPU 専用ホイールが欲しい場合のみ。