UbuntuにTensorFlowをインストールする手順【GPU対応・2.x系】

「UbuntuにTensorFlowを入れたいけど、GPU対応とかCUDAとか難しそう」と身構えていませんか。結論から言うと、CPUだけならpip install tensorflowの一行で終わりです。GPUを使う場合も、昔のように自分でCUDA ToolkitやcuDNNを手で入れる必要はもうありません。本記事では実際に Ubuntu 24.04 のコンテナでpip install tensorflowを実行し、TensorFlow 2.21.0 が入るまでの実ログ・バージョン・GPU検出結果をすべて実測で載せます。

TensorFlowをインストールする前に決めること

TensorFlow（テンソルフロー）は Google 製の機械学習ライブラリで、ニューラルネットワークの学習・推論を行うための定番ツールです。インストール手順自体は単純ですが、「CPU版」か「GPU版」かを最初に決めると迷いません。

①CPU版とGPU版のどちらを入れるか

判断はシンプルです。手元のマシンにNVIDIA製GPUが載っていて、かつ大きなモデルを高速に学習させたいならGPU版。それ以外（学習の練習・小さなモデル・推論だけ）ならCPU版で十分です。インストール手順の全体像は次の通りです。

大事なのは、CPU版でもGPU版でも「前提パッケージを入れる→venvを作る→pipで入れる」という流れは同じだという点です。違うのは最後のpip installのところだけです。

②TensorFlow 2.x のどのバージョンが入るか

本記事執筆時点（2026-06-15）でpip install tensorflowすると最新の安定版が入ります。実際にpip index versions tensorflowで確認すると、利用可能なバージョンは次のように返ってきました。

特に理由がなければ最新の2.21.0でかまいません。古いコードや特定のチュートリアルに合わせる場合だけpip install tensorflow==2.17.1のようにバージョンを固定します。

前提環境を確認する

まずは検証に使った環境です。Ubuntu の最小イメージにはpython3 すら入っていないので、そこから確認していきます。

このように、Ubuntu 24.04 LTS（コードネーム noble）の最小環境ではpython3が最初から入っているとは限りません。次の手順で前提パッケージをまとめて入れます。

手順1：前提パッケージをインストールする

TensorFlow は pip（Pythonのパッケージ管理ツール）で入れるので、python3本体・python3-pip・仮想環境用のpython3-venvの3つを apt で入れます。

Ubuntu 24.04 ではPython 3.12.3が入りました。参考までに、ひとつ前のLTSである Ubuntu 22.04 では Python 3.10 系が標準です。TensorFlow 2.21 はPython 3.10〜3.13に対応しているので、24.04 標準の3.12をそのまま使えます。

手順2：仮想環境（venv）を作る

TensorFlow をシステム全体のPythonに直接入れるのはおすすめしません。理由は2つあります。1つは依存ライブラリ（NumPyやKerasなど）が他のツールと衝突するのを防ぐため。もう1つは、Ubuntu 24.04 ではそもそもシステムPythonへの直接インストールがブロックされるためです。試しにvenvなしで入れようとすると、こうなります。

これは Ubuntu 24.04 が採用したPEP 668という仕組みによるものです。OSが管理するPythonを壊さないよう、システムPythonへの直接pip installを止めてくれています。なので、仮想環境（venv）を作るのが正解です。

プロンプトの先頭に(tfenv)と付けば仮想環境が有効になっています。以降のpip installはこの中で行います。仮想環境から抜けたいときはdeactivateです。

「externally-managed-environmentって何のエラー？」と検索してたどり着いた方も多いと思います。これはバグではなく、Ubuntu 24.04 がわざと出している安全装置です。venvを1つ作るだけで解決するので、落ち着いて進めましょう。

手順3：TensorFlowをインストールする（CPU版）

仮想環境の中でpip install tensorflowを実行します。CPU版・GPU版を問わず、まずはこのコマンドが基本です。実際に流したログがこちらです。

TensorFlow 本体だけでなく、keras 3.14.1・numpy 2.4.6・h5py・protobufといった依存ライブラリも自動でまとめて入ります。ダウンロード量は全体で数百MBあるので、回線が細いVPSでは少し時間がかかります。

インストールできたか確認する

正しく入ったかは、バージョンを表示させるのが手っ取り早いです。

2.21.0と表示されればインストール成功です。import tensorflowで時間がかかったり、初回だけ警告が出ることがありますが、バージョンが表示されれば問題ありません。

手順4：GPUが使えるか確認する

ここがこの記事の本題です。TensorFlow がGPUを認識しているかどうかは、次のワンライナーで確認できます。

今回の検証マシンにはNVIDIA GPUが無いので、list_physical_devices('GPU')は空リスト[]を返しました。これがGPUを使えていないときの正常な出力です。GPUが正しく認識されていれば、ここに[PhysicalDevice(name='/physical_device:GPU:0', ...)]のように1つ以上のデバイスが並びます。

ちなみにnvidia-smi（NVIDIAドライバ付属のGPU状態確認コマンド）も、GPU・ドライバが無い環境ではcommand not foundになります。GPUを使う前提なら、まずnvidia-smiでGPUとドライバが見えていることが大前提です。

手順5：GPU版TensorFlowをインストールする

NVIDIA GPUを積んだ x86_64 のUbuntuサーバーでGPUを使う場合は、インストールコマンドを少しだけ変えます。

ポイントは[and-cuda]という指定です。これを付けると、対応バージョンのCUDA・cuDNNがpip経由で一緒に入ります。昔のように NVIDIA のサイトからCUDA Toolkitを手動ダウンロードしてパスを通して……という作業はもう不要です（GPU側のNVIDIAドライバだけは別途ホストに入れておく必要があります）。

どのTensorFlowがどのCUDA/cuDNNに対応しているかは、公式の検証済み構成表で確認できます。実際に公式ページを取得して整理したのが次の表です。

tensorflow[and-cuda]を使えばこのCUDA/cuDNNは自動で揃うので、自分でバージョンを合わせる手間はありません。GPUが本当に使えるかは、インストール後にもう一度tf.config.list_physical_devices('GPU')を実行し、GPUデバイスが並ぶことを確認してください。

手元にGPU搭載サーバーが無い場合は、GPUインスタンスを時間貸ししているVPS／クラウドを借りるのが手軽です。NVIDIA GPU付きのプランなら、ドライバ導入済みのUbuntuイメージが用意されていることも多く、pip install tensorflow[and-cuda]だけで動きます。

動作確認：TensorBoardを開いてみる

TensorFlow の学習状況を可視化するWebツールにTensorBoardがあります。ここで1つ実測でわかった注意点があります。最近のTensorFlow（2.21.0）ではpip install tensorflowしてもTensorBoardは一緒に入りません。tf.summary.scalarを呼ぶと「TensorBoard is not installed」というエラーが出ました。そこで、TensorBoardは別途インストールします。

ブラウザでhttp://<サーバーのIP>:6006を開くと、損失（loss）や精度（accuracy）の推移がグラフで表示されます。実際に起動して撮ったのが次の画面です。

このように学習の進み具合がリアルタイムで見られるので、モデルを実際に学習させ始めたら重宝します。左メニューから実行（run）を切り替えたり、グラフを拡大したりできます。

TensorBoard が開けたら、TensorFlow のインストールは完全に成功です。ここまでくれば、あとはチュートリアルのモデルを学習させてみるだけです。

よくあるエラーと解決策

error: externally-managed-environment が出る

手順2で説明したPEP 668のエラーです。venvを作らずにシステムPythonへpip installしようとすると出ます。python3 -m venv ~/tfenv && source ~/tfenv/bin/activateで仮想環境を作ってから入れ直してください。どうしてもシステムに入れたい場合のみ--break-system-packagesがありますが、OS環境を壊すリスクがあるので非推奨です。

list_physical_devices(‘GPU’) が空（[]）のまま

GPUが認識されていません。まずnvidia-smiでGPUとドライバが見えているか確認します。見えていない場合はNVIDIAドライバの導入が先です。ドライバは見えているのに空の場合は、CPU版の無印tensorflowを入れている可能性が高いので、pip install tensorflow[and-cuda]で入れ直します。Dockerで動かしているなら--gpus allの付け忘れも定番です。

Could not load dynamic library ‘libcudart.so’ などの警告

CUDA関連のライブラリが見つからないという警告です。CPUだけで使うなら無視してかまいません（CPUにフォールバックして動きます）。GPUを使うつもりなら、tensorflow[and-cuda]で入れ直すか、NVIDIAドライバのバージョンが古すぎないかを確認してください。

ImportError や NumPy のバージョン衝突

既存環境に古いNumPyなどが混ざっていると起きがちです。これも仮想環境をまっさらに作り直すのが一番早い解決策です。python3 -m venv ~/tfenv2で新しいvenvを作り、その中でpip install tensorflowし直してください。

まとめ

本記事で検証した内容をまとめます。

• Ubuntu 24.04 でapt install python3 python3-pip python3-venvを入れると Python 3.12.3 が使えます
• venvを作り、その中でpip install tensorflowすると TensorFlow 2.21.0 が一発で入りました（実測）
• Ubuntu 24.04 はPEP 668のため、システムPythonへの直接インストールはブロックされます。venvが必須です
• GPU認識はtf.config.list_physical_devices('GPU')で確認。空リストならCPU動作です
• GPUを使うならpip install tensorflow[and-cuda]でCUDA/cuDNNごと入ります（要NVIDIAドライバ）

CPU版なら学習の練習や小さなモデルの推論には十分です。本格的にモデルを学習させてGPUの速さが欲しくなったら、NVIDIA GPU付きのVPSやクラウドGPUに移行するのがおすすめです。まずは無料のCPU版で手を動かしてみて、必要になってからGPUへ広げていくのが失敗の少ない進め方です。

サーバー上でTensorFlowを動かす環境を用意したい方は、VPSの比較記事も参考にしてください。