前言：
此时你们对“opencv树莓派python安装”可能比较关心，你们都需要了解一些“opencv树莓派python安装”的相关文章。那么小编也在网上收集了一些对于“opencv树莓派python安装””的相关知识，希望兄弟们能喜欢，兄弟们一起来了解一下吧！介绍
本页将指导您在Raspberry Pi 4 64位操作系统Bullseye 上安装 TensorFlow 2.10.0 或更早版本。
TensorFlow是一个专门为深度学习开发的大型软件库。它消耗大量资源。你可以在Raspberry Pi 4上执行TensorFlow，但不要指望奇迹。它可以运行您的模型，如果不是太复杂，但它将无法训练新模型。它也不能执行所谓的迁移学习。除了运行预先构建的深度学习模型外，您还可以使用该库将所谓的冻结 TensorFlow 模型转换为 TensorFlow Lite 平面缓冲区模型。
如果你只是想对深度学习有一些印象，请考虑安装TensorFlow Lite。它的速度要快得多，使用的资源要少得多，因为它是为Raspberry Pi等小型计算机设计的。您可以使用许多现成的生成模型。在此处查看我们的 64 位 Raspberry 安装指南。
路线图
TensorFlow继续增长。每个新版本都需要更多的资源、支持软件和库。它越来越多地给你的树莓派带来了沉重的负担。它解释了为什么最新版本在具有“过时”操作系统的“旧”Raspberry Pis上不能很好地运行。
另一方面，不建议在最新的Bullseye上安装非常旧的TensorFlow版本。您将被迫降级某些系统库，这将阻止其他软件运行。这里最好遵循：“顺其自然”。
以下是概述。绿色复选标记表示有版本可用。空的绿色盒子意味着没有版本，但仍然可以安装。灰色框指定不允许“正常”安装的硬件或软件限制。
提示
通常，我们会收到一个问题，如果我们有一个带有预装框架和深度学习示例的 Raspberry Pi 4 的 SD 图像。
我们很乐意遵守这一要求。请在我们的GitHub页面上找到一个完整的Raspberry Pi 4，专门用于深度学习。 从我们的GDrive网站下载zip文件，解压缩并在16 GB SD卡上刷新图像，然后开始吧！
我们讨论了两个安装，一个用于 Python 3，一个用于 API 库C++。 不幸的是，没有官方的 aarch64 pip3 轮可用于 2.7、2.6 或 2.5 版本。但是，为了您的方便，我们使用 Bazel 创建了我们的轮子并将它们放在 GitHub 上。
本指南的最后一部分讨论了Keras的安装。
准备
Numpy
Tensorflow在最新版本的numpy中遇到了问题。将 TensorFlow 移植到 numpy 1.20 变得非常困难。现在，随着TensorFlow版本2.8.0的出现，它终于成功了。最后，安装TensorFlow时不再有numpy版本冲突。
但是，TensorFlow 2.7.0仍然报告了一些问题。为了安全起见，请使用 numpy 版本 1.19.5为了TF 2.7.0 以确保一切正常。
libclang 9.0.1
TensorFlow 2.7.0 依赖于 libclang 9.0.1。没有适用于 Debian 10 的发行版。这就是为什么只有TensorFlow 2.7安装在Debian11Bullseye上，。你可以从头开始在Buster RPi上安装libclang 9.0.1，这样你就可以安装TensorFlow了。请注意，clang构建需要大量资源，超过5 GB。最好切换到Bullseye，并在半小时内启动并运行TensorFlow
Protobuffer 4.21
最新版本的Protobuffer 4.21.0与以前的版本3.20.1相比有一些重大改进。但是，TensorFlow尚不支持这些更改。为了使 TensorFlow 正常工作，如果您安装了4.21 ，则需要将 Protobuf 降级到 3.20版本。
有关如何降级的更多信息，请访问我们的 GitHub 页面。
Tensorflow-io-gcs-filesystem
所有依赖项都可以只用一个命令安装，除了 tensorflow-io-gcs 文件系统。由于没有 aarch64 机器的发行版，我们必须从头开始构建 tensorflow-io-gcs 文件系统。整个过程可以在下面找到，应该在安装TensorFlow本身之前完成。如果让TensorFlow安装io-gcs，它将选择错误的版本并且不起作用。
# get a fresh start$ sudo apt-get update$ sudo apt-get upgrade# install pip3$ sudo apt-get install git python3-pip# install correct version protobuf$ sudo -H pip3 install --upgrade protobuf==3.20.0Method 1# download tensorflow io$ git clone -b v0.23.1 --depth=1 --recursive cd io$ python3 setup.py -q bdist_wheel --project tensorflow_io_gcs_filesystem$ cd dist$ sudo -H pip3 install tensorflow_io_gcs_filesystem-0.23.1-cp39-cp39-linux_aarch64.whl$ cd ~Method 2# or download wheel$ git clone cd Tensorflow-io$ sudo -H pip3 install tensorflow_io_gcs_filesystem-0.23.1-cp39-cp39-linux_aarch64.whl$ cd ~
Python 3.9 的 TensorFlow wheels
TensorFlow由一个名为Bazel的Google软件安装程序安装。最后，Bazel生成一个轮子来安装TensorFlow Python版本，或者在安装C++版本时生成一个压缩包。这两种方法都是树莓派用户所熟知的。我们已经在GitHub页面上发布了Bazel的结果。随意使用这些轮子。整个 TensorFlow 安装过程从头到尾需要很多小时（Python ±64，C++库±1）。完成所有繁琐的工作后，只需几分钟即可在Raspberry 64位Bullseye上安装TensorFlow。对于很难完成的部分，本手册稍后将介绍完整的程序。
整个快捷方式过程如下。wheels太大，无法存储在GitHub上，因此使用Google驱动器代替。
TensorFlow 2.10.0
# install gdown to download from Google drive$ sudo -H pip3 install gdown# download the wheel$ gdown install TensorFlow 2.10.0$ sudo -H pip3 install tensorflow-2.10.0-cp39-cp39-linux_aarch64.whl
TensorFlow 2.9.1
# install gdown to download from Google drive$ sudo -H pip3 install gdown# download the wheel$ gdown install TensorFlow 2.9.1$ sudo -H pip3 install tensorflow-2.9.1-cp39-cp39-linux_aarch64.whl
TensorFlow 2.8.0
# install gdown to download from Google drive$ sudo -H pip3 install gdown# download the wheel$ gdown install TensorFlow 2.8.0$ sudo -H pip3 install tensorflow-2.8.0-cp39-cp39-linux_aarch64.whl
TensorFlow 2.7.0
# utmost important: use only numpy version 1.19.5# check the version first$ pip3 list | grep numpy# if not version 1.19.5, update!$ sudo -H pip3 install numpy==1.19.5# (re)install termcolor at the correct location$ python3 -m pip install termcolor# install gdown to download from Google drive$ sudo -H pip3 install gdown# download the wheel$ gdown install TensorFlow 2.7.0$ sudo -H pip3 install tensorflow-2.7.0-cp39-cp39-linux_aarch64.whl
安装成功后，应获得以下屏幕输出。
TensorFlow 2.8.0 C++ API
如果你打算用C++编程，你将需要TensorFlow的C++API版本，而不是Python版本。使用我们 GitHub 页面中的预构建压缩包安装 C++ 库可以为您节省大量时间。 请按照以下步骤操作。
TensorFlow 2.10.0
# get a fresh start$ sudo apt-get update$ sudo apt-get upgrade# remove old versions (if found)$ sudo rm -r /usr/local/lib/libtensorflow*$ sudo rm -r /usr/local/include/tensorflow# the dependencies$ sudo apt-get install wget curl libhdf5-dev libc-ares-dev libeigen3-dev$ sudo apt-get install libatomic1 libatlas-base-dev zip unzip# install gdown to download from Google drive (if not already done)$ sudo -H pip3 install gdown# download the tarball$ gdown unpack the ball$ sudo tar -C /usr/local -xzf libtensorflow_cp39_64OS_2_10_0.tar.gz
TensorFlow 2.9.1
# get a fresh start$ sudo apt-get update$ sudo apt-get upgrade# remove old versions (if found)$ sudo rm -r /usr/local/lib/libtensorflow*$ sudo rm -r /usr/local/include/tensorflow# the dependencies$ sudo apt-get install wget curl libhdf5-dev libc-ares-dev libeigen3-dev$ sudo apt-get install libatomic1 libatlas-base-dev zip unzip# install gdown to download from Google drive (if not already done)$ sudo -H pip3 install gdown# download the tarball$ gdown unpack the ball$ sudo tar -C /usr/local -xzf libtensorflow_cp39_64OS_2_9_1.tar.gz
TensorFlow 2.8.0
# get a fresh start$ sudo apt-get update$ sudo apt-get upgrade# remove old versions (if found)$ sudo rm -r /usr/local/lib/libtensorflow*$ sudo rm -r /usr/local/include/tensorflow# the dependencies$ sudo apt-get install wget curl libhdf5-dev libc-ares-dev libeigen3-dev$ sudo apt-get install libatomic1 libatlas-base-dev zip unzip# install gdown to download from Google drive (if not already done)$ sudo -H pip3 install gdown# download the tarball$ gdown unpack the ball$ sudo tar -C /usr/local -xzf libtensorflow_cp39_64OS_2_8_0.tar.gz
TensorFlow 2.7.0
# get a fresh start$ sudo apt-get update$ sudo apt-get upgrade# remove old versions (if found)$ sudo rm -r /usr/local/lib/libtensorflow*$ sudo rm -r /usr/local/include/tensorflow# the dependencies$ sudo apt-get install wget curl libhdf5-dev libc-ares-dev libeigen3-dev$ sudo apt-get install libatomic1 libatlas-base-dev zip unzip# install gdown to download from Google drive (if not already done)$ sudo -H pip3 install gdown# download the tarball$ gdown unpack the ball$ sudo tar -C /usr/local -xzf libtensorflow_cp39_64OS_2_7_0.tar.gz
你最终应该将 TensorFlow 库安装在 /usr/local/lib 位置，并将头文件安装在文件夹 usr/local/include/tensorflow/c 中。
从头开始安装
内存交换大小
构建完整的 TensorFlow 2.8 包需要超过 6 GB 的 RAM。如果您有具有8 GB RAM的Raspberry Pi 4，那么您就很清楚了。否则，请确保增加交换大小以满足此需求。板载 4 GB RAM，zram 可以提供额外的 2 GB。有了 2 GB 的 RAM，您就不能再依靠 zram 来压缩超过 2 倍。在这种情况下，他们必须重新安装dphys-swapfile才能从SD卡中获取额外的空间。如果您必须安装 dphys-swapfile，请按照以下命令操作。在 Bullseye 操作系统上设置交换空间时，完成重启需要相当长的时间。
# install dphys-swapfile$ sudo apt-get install dphys-swapfile# give the required memory size$ sudo nano /etc/dphys-swapfile# reboot afterwards$ sudo reboot
如果一切顺利，你应该有这样的东西。
作为记录，显示的数字是dphys-swapfile和zram分配的交换空间总量。请不要忘记在完成后删除dphys-swapfile。
注意：如果在同时启用 zram 和 dphys-swapfile 的情况下重新启动 Raspberry Pi，zram 将在启动期间禁用 dphys-swapfile。您必须手动重新激活此服务。
# reactivate dphys-swapfile after a reboot# (when zram and dphys-swapfile are both enabled)$ sudo /etc/init.d/dphys-swapfile stop$ sudo /etc/init.d/dphys-swapfile start
Bazel
Bazel是Google的免费软件工具，用于自动构建和测试软件包。你可以将它与OpenCV使用的CMake进行比较，但后者只构建软件，没有测试工具。Bazel是用Java编写的，Java是一种独立于平台的语言，在语法方面主要基于C++。要编译 Bazel，我们必须首先使用以下命令安装 Java 和其他一些依赖项。
# get a fresh start$ sudo apt-get update$ sudo apt-get upgrade# install pip and pip3$ sudo apt-get install python3-pip# install some tools$ sudo apt-get install zip unzip curl# install Java$ sudo apt-get install openjdk-11-jdk
接下来，我们可以下载并解压缩 Bazel 软件。我们需要 TensorFlow 2.1.0 的 Bazel 版本 5.1.1，因此请确保安装正确的版本。
$ wget unzip -d bazel bazel-5.1.1-dist.zip$ cd bazel
在安装过程中，Bazel 使用预定义的可用工作内存比率。由于树莓派的 RAM 大小有限，这个比例太小了。为防止崩溃，我们必须将此内存的大小定义为最大板载 RAM 的 40%。例如，800 MB用于2 GByte RAM Raspberry Pi。这是通过在脚本文件 compile.sh 中添加一些额外信息来完成的。您可以将文本 -J-Xmx800M 添加到以 run 开头的行中。 （第 144 行左右）。请参阅下面的屏幕。使用众所周知的<Ctrl + X>、<Y>、<Enter>保存更改（请参阅上面的幻灯片放映）。
$ nano scripts/bootstrap/compile.sh -c
一旦 Bazel 的 Java 环境最大化，您就可以使用下一个命令开始构建 Bazel 软件。完成后，将二进制文件复制到 /usr/local/bin 位置，以便 bash 可以在任何地方找到可执行文件。最后一个操作是删除 zip 文件。整个构建大约需要 33 分钟。
# start the build$ env EXTRA_BAZEL_ARGS="--host_javabase=@local_jdk//:jdk" bash ./compile.sh# copy the binary$ sudo cp output/bazel /usr/local/bin/bazel# clean up$ cd ~$ rm bazel-5.1.1-dist.zip# if you have a copied bazel to /usr/local/bin you may also# delete the whole bazel directory, freeing another 500 MByte$ sudo rm -rf bazel
安装 TensorFlow for Python 3
随着Bazel的启动和运行，我们可以开始在64位Raspberry Pi for Python 3上构建TensorFlow 2.10.0。这几乎正在成为标准做法。首先，安装一些依赖项，然后从 GitHub 下载 zip，最后解压缩软件。您还必须安装 tensorflow_io_gcs 文件系统。它是通过使用我们的 GitHub 存储库中的预编译轮来完成的。
TensorFlow 2.10.0
# get a fresh start$ sudo apt-get update$ sudo apt-get upgrade# the dependencies$ sudo apt-get install zip unzip$ sudo -H pip3 install keras_applications --no-deps$ sudo -H pip3 install keras_preprocessing --no-deps# install correct version protobuf$ sudo -H pip3 install --upgrade protobuf==3.20.0# download tensorflow io$ git clone cd Tensorflow-io$ sudo -H pip3 install tensorflow_io_gcs_filesystem-0.23.1-cp39-cp39-linux_aarch64.whl$ cd ~# download TensorFlow 2.10.0$ wget -O tensorflow.zip unzip tensorflow.zip$ cd tensorflow-2.10.0$ ./configure
TensorFlow 2.9.1
# get a fresh start$ sudo apt-get update$ sudo apt-get upgrade# the dependencies$ sudo apt-get install zip unzip$ sudo -H pip3 install keras_applications --no-deps$ sudo -H pip3 install keras_preprocessing --no-deps# install correct version protobuf$ sudo -H pip3 install --upgrade protobuf==3.20.0# download tensorflow io$ git clone cd Tensorflow-io$ sudo -H pip3 install tensorflow_io_gcs_filesystem-0.23.1-cp39-cp39-linux_aarch64.whl$ cd ~# download TensorFlow 2.9.1$ wget -O tensorflow.zip unzip tensorflow.zip$ cd tensorflow-2.9.1$ ./configure
TensorFlow 2.8.0
# get a fresh start$ sudo apt-get update$ sudo apt-get upgrade# the dependencies$ sudo apt-get install zip unzip$ sudo -H pip3 install keras_applications --no-deps$ sudo -H pip3 install keras_preprocessing --no-deps# install correct version protobuf$ sudo -H pip3 install --upgrade protobuf==3.20.0$ cd ~# download TensorFlow 2.8.0$ wget -O tensorflow.zip unzip tensorflow.zip$ cd tensorflow-2.8.0$ ./configure
TensorFlow 2.7.0
# get a fresh start$ sudo apt-get update$ sudo apt-get upgrade# the dependencies$ sudo apt-get install zip unzip$ sudo -H pip3 install keras_applications --no-deps$ sudo -H pip3 install keras_preprocessing --no-deps# download TensorFlow 2.7.0$ wget -O tensorflow.zip unzip tensorflow.zip$ cd tensorflow-2.7.0$ ./configure
构建 Python 3 安装轮之前的最后一步是使用一些环境变量配置构建。这是由 ./configure 脚本文件完成的。将 Python 3 定义为默认的 Python 版本，对所有其他问题定义为“否”。
pi@raspberrypi:~/tensorflow-2.10.0 $ ./configureYou have bazel 5.1.1- (@non-git) installed.Please specify the location of python. [Default is /usr/bin/python3]: <enter>Found possible Python library paths: /usr/lib/python3/dist-packages /usr/local/lib/python3.9/dist-packagesPlease input the desired Python library path to use. Default is [/usr/lib/python3/dist-packages] <enter>Do you wish to build TensorFlow with ROCm support? [y/N]: nNo ROCm support will be enabled for TensorFlow.Do you wish to build TensorFlow with CUDA support? [y/N]: nNo CUDA support will be enabled for TensorFlow.Do you wish to download a fresh release of clang? (Experimental) [y/N]: nClang will not be downloaded.Please specify optimization flags to use during compilation when bazel option "--config=opt" is specified [Default is -Wno-sign-compare]: <enter>Would you like to interactively configure ./WORKSPACE for Android builds? [y/N]: nNot configuring the WORKSPACE for Android builds.Preconfigured Bazel build configs. You can use any of the below by adding "--config=<>" to your build command. See .bazelrc for more details.--config=mkl # Build with MKL support.--config=mkl_aarch64 # Build with oneDNN and Compute Library for the Arm Architecture (ACL).--config=monolithic # Config for mostly static monolithic build.--config=numa # Build with NUMA support.--config=dynamic_kernels # (Experimental) Build kernels into separate shared objects.--config=v2 # Build TensorFlow 2.x instead of 1.x.Preconfigured Bazel build configs to DISABLE default on features:--config=noaws # Disable AWS S3 filesystem support.--config=nogcp # Disable GCP support.--config=nohdfs # Disable HDFS support.--config=nonccl # Disable NVIDIA NCCL support.Configuration finished
脚本文件现已全部设置完毕，可以使用以下命令开始大规模构建。-Xmx1624m 设置运行 Bazel 的 Java 环境的内存大小。给它尽可能多的空间。我们建议 80% 的树莓派内存大小。在我们的例子中，我们有 2 GB 板载，所以 1624 MB 为除 Bazel 之外的其他线程留下了足够的空间。
另一点是Basel 使用的内核数量。最好使用一个内核。运行慢一点比崩溃好一点（总是在最后）并重新开始。
在生成过程中关闭所有其他应用程序。运行的其他进程越少，编译速度就越快。
$ sudo bazel clean$ sudo bazel --host_jvm_args=-Xmx1624m build \ --config=opt \ --config=noaws \ --config=nogcp \ --config=nohdfs \ --config=nonccl \ --config=monolithic \ --config=v2 \ --local_cpu_resources=1 \ --define=tflite_pip_with_flex=true \ --copt=-ftree-vectorize \ --copt=-funsafe-math-optimizations \ --copt=-ftree-loop-vectorize \ --copt=-fomit-frame-pointer \ //tensorflow/tools/pip_package:build_pip_package
经过 41 小时（或更长时间！）编译后，您将看到以下屏幕。
现在我们必须生成wheel并安装它。这是通过以下命令完成的。安装大约只需几分钟。
TensorFlow 2.10.0
# synthesize the wheel$ sudo bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg$ cd ~# go to the folder where the wheel is located and install tensorflow$ cd /tmp/tensorflow_pkg$ sudo -H pip3 install tensorflow-2.10.0-cp39-cp39-linux_aarch64.whl
TensorFlow 2.9.1
# synthesize the wheel$ sudo bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg$ cd ~# go to the folder where the wheel is located and install tensorflow$ cd /tmp/tensorflow_pkg$ sudo -H pip3 install tensorflow-2.9.1-cp39-cp39-linux_aarch64.whl
TensorFlow 2.8.0
# synthesize the wheel$ sudo bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg$ cd ~# go to the folder where the wheel is located and install tensorflow$ cd /tmp/tensorflow_pkg$ sudo -H pip3 install tensorflow-2.8.0-cp39-cp39-linux_aarch64.whl
TensorFlow 2.7.0
# synthesize the wheel$ sudo bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg$ cd ~# go to the folder where the wheel is located and install tensorflow$ cd /tmp/tensorflow_pkg$ sudo -H pip3 install tensorflow-2.7.0-cp39-cp39-linux_aarch64.whl
安装 TensorFlow C++ API
如前所述，您可以使用 GitHub 页面上的压缩包非常快速地安装 TensorFlow C++ API;不需要经过漫长的安装过程。 对于那些想要自己构建 API 的人，现在遵循安装指南。
首先，如果尚未安装 Bazel。该过程也在上面描述。一旦 Bazel 开始工作，你可以安装依赖项并下载 TensorFlow，如果之前还没有为 Python 3 安装完成的话。
TensorFlow 2.10.0
# the dependencies$ sudo apt-get install build-essential make cmake wget zip unzip$ sudo apt-get install libhdf5-dev libc-ares-dev libeigen3-dev$ sudo apt-get install libatlas-base-dev# download TensorFlow 2.10.0$ wget -O tensorflow.zip unpack the folder$ unzip tensorflow.zip$ cd tensorflow-2.10.0$ ./configure
TensorFlow 2.9.1
# the dependencies$ sudo apt-get install build-essential make cmake wget zip unzip$ sudo apt-get install libhdf5-dev libc-ares-dev libeigen3-dev$ sudo apt-get install libatlas-base-dev# download TensorFlow 2.10.0$ wget -O tensorflow.zip unpack the folder$ unzip tensorflow.zip$ cd tensorflow-2.10.0$ ./configure
TensorFlow 2.8.0
# the dependencies$ sudo apt-get install build-essential make cmake wget zip unzip$ sudo apt-get install libhdf5-dev libc-ares-dev libeigen3-dev$ sudo apt-get install libatlas-base-dev# download TensorFlow 2.8.0$ wget -O tensorflow.zip unpack the folder$ unzip tensorflow.zip$ cd tensorflow-2.8.0$ ./configure
TensorFlow 2.7.0
# the dependencies$ sudo apt-get install build-essential make cmake wget zip unzip$ sudo apt-get install libhdf5-dev libc-ares-dev libeigen3-dev$ sudo apt-get install libatlas-base-dev# download TensorFlow 2.7.0$ wget -O tensorflow.zip unpack the folder$ unzip tensorflow.zip$ cd tensorflow-2.7.0$ ./configure
同样，我们需要在实际构建开始之前配置 Bazel。尽管我们要构建一个C++ API，但Bazel脚本文件需要设置为Python 3作为默认Python版本，而所有其他问题则需要设置为“否”。 回答脚本文件的所有问题后，您最终会得到与上所示相同的输出屏幕。
最后一步是命令行及其选项。同样，与之前使用的几乎相同。这里最重要的是 --config=monolithic 标志。没有这个方向，TensorFlow将无法与OpenCV一起使用，反之亦然。就像pip编译一样，Java环境（-Xmx1624m）的内存必须最大化到Raspberry Pi板载内存的80%。 最后一行表示压缩包库构建，而不是pip wheel。
$ sudo bazel --host_jvm_args=-Xmx1624m build \ --config=opt \ --config=noaws \ --config=nogcp \ --config=nohdfs \ --config=nonccl \ --config=monolithic \ --config=v2 \ --local_cpu_resources=1 \ --copt=-ftree-vectorize \ --copt=-funsafe-math-optimizations \ --copt=-ftree-loop-vectorize \ --copt=-fomit-frame-pointer \ //tensorflow/tools/lib_package:libtensorflow
经过漫长的 12 个小时等待，您将看到以下屏幕。
最后一步是安装压缩包。这是通过以下命令完成的。
$ sudo tar -C /usr/local -xzf bazel-bin/tensorflow/tools/lib_package/libtensorflow.tar.gz
安装后，您必须具有相同的文件夹（/usr/local/lib 和 usr/local/include/tensorflow/c），如本页开头所示。
清除
成功安装后，不再需要许多文件。bazel 生成的中间对象文件占用大约 6 GB 的磁盘。删除不会造成任何伤害。
# clean up the whole bazel cache$ sudo rm -rf ~/.cache/bazel
如果您必须重新安装 dphys-swapfile，是时候再次卸载它了。这样，您将延长SD卡的使用寿命。
# remove the dphys-swapfile (if installed)$ sudo /etc/init.d/dphys-swapfile stop$ sudo apt-get remove --purge dphys-swapfile
