TensorFlow er en open source platform udviklet af Google til machine learning og AI (kunstig intelligens). Det hjælper med en række opgaver for udviklere, der arbejder inden for dette felt.
Til at begynde med skal du have en forståelse for maskinlæring eller specifikt deep learning, før du kan gøre brug af TensorFlow.
Lad mig her fremhæve et par ting om TensorFlow, dets funktioner og hurtige metoder til at installere det på Windows og Linux.
Indholdsfortegnelse
Oversigt over TensorFlow
Teknisk set er TensorFlow en open source-platform, der hjælper med deep learning-applikationer og andre maskinlæringsbrug.
Det gør tingene nemme at bygge og implementere ML-drevne applikationer. Hvis du vil løse et problem ved hjælp af maskinlæring, kan du få hjælp til TensorFlow.
TensorFlow leverer værktøjer til at hjælpe med at udvikle og træne modeller ved hjælp af Python eller JavaScript. Selvom jeg ikke er en udvikler, kan du udforske dens dokumentation for at vide, hvordan den påvirker din arbejdsgang med at implementere en maskinlæringsapplikation.
Funktioner i TensorFlow
TensorFlow er berømt af flere grunde, og du kan selv vurdere det, ved at kende dets bedste funktionstilbud.
Hvis vi kommer til at diskutere de tekniske fordele, bliver du nødt til at sammenligne dem med det, du gør. Så vi vil fokusere på fælles funktioner til gavn for de fleste.
1. Open Source
Google besluttede at åbne TensorFlow i 2015 for at give fællesskabet mulighed for at forbedre det yderligere og give gennemsigtighed om, hvordan det fungerer.
Udviklere kan tilpasse biblioteket på forskellige måder for at løse problemer, du måske ikke havde forventet.
Uden en open source-ramme har det måske ikke været så populært som det er. Derfor
2. Nem debugging
TensorFlow har til formål at hjælpe dig med nem modelbygning; derfor er en ubesværet fejlfindingsoplevelse en del af denne proces.
Den intuitive brugeroplevelse er et kirsebær oveni.
3. Understøtter både CPU’er og GPU’er
Med TensorFlow får du mulighed for at træne databeregningen på en CPU eller GPU’en. Normalt gør en GPU tingene hurtigere til deep learning-applikationer sammenlignet med CPU’en.
Så hvis du har en kraftfuld GPU i dit arsenal, kan TensorFlow hjælpe dig med at få mest muligt ud af det.
4. Nyttige Machine Learning API’er
API’er hjælper udviklere med at integrere en række funktioner i deres applikationer. Og TensorFlow giver adgang til en god samling af stabile API’er.
Nogle af dem kan også tilbyde ydeevnefordele. I henhold til dets officielle påstande burde du ikke have et problem med dem, der er tilgængelige i Python. Hvis du arbejder med andre sprog, skal du tjekke med TensorFlow-vedligeholderne, hvor gode de er til din brug.
5. Færdiglavede modeller til produktion
TensorFlow har en række præ-trænede modeller. Uanset om du er professionel eller nybegynder, kan du bruge dem til at spare tid og bygge ML-modeller hurtigere.
Ud over disse funktioner får du fleksibilitet, brugervenlighed, et visualiseringsværktøj og mere, der kan hjælpe din maskinlæringsudviklingsarbejdsgang.
Nu hvor du har en god idé om TensorFlow, hvor kan du downloade det? Hvordan installeres og konfigureres den på dine Windows- og Linux-systemer?
Lad os diskutere det nedenfor.
Download og installation af TensorFlow
I modsætning til andre programmer får du ikke en .exe-installationsfil her. Primært skal du downloade pakken ved hjælp af den anbefalede pakkehåndtering.
Overordnet set er der forskellige måder at installere på. Vi kan liste dem som følger:
- Bruger Miniconda og pip
- Brug af Miniconda og pip på WSL 2
- Brug af en Docker-container
- Bygning fra kilder
Hvordan installeres TensorFlow på Windows?
I modsætning til andre programmer får du ikke en .exe-installationsfil her. Du skal downloade pakken ved hjælp af den anbefalede pakkehåndtering.
#1. Brug af Miniconda og pip (anbefalet metode)
Bemærk: I skrivende stund er TensorFlow 2.10 den sidste version, der understøtter GPU på Windows (native). Hvis du arbejder med nyere pakker, anbefaler TensorFlow, at du installerer TensorFlow i WSL 2, som vil blive diskuteret næste gang.
Hvis du vil bruge TensorFlow med GPU-understøttelse, anbefaler TensorFlow at bruge Miniconda (installationsprogram til conda-pakkehåndtering) til at sætte gang i tingene.
Med Miniconda kan du oprette et separat miljø for at undgå konflikt med anden software i dit system.
For at komme i gang skal du downloade den seneste Miniconda Windows Installer og følge instruktionerne på skærmen for at fuldføre installationen.
Når du er færdig, skal du starte Miniconda-prompten som vist på skærmbilledet:
Sådan ser det ud:
Når du ser Anaconda-promptvinduet, vil du måske skrive følgende kommando for at sikre dig, at conda-pakkehåndteringen er blevet opdateret:
<strong>conda update -n base -c defaults conda</strong>
Med det af vejen, her er de trin, du skal følge for at installere TensorFlow:
Først for at skabe et nyt miljø (med navnet tf):
<strong>conda create --name tf python=3.9 </strong>
Tip: Du kan aktivere/deaktivere den ved at bruge kommandoerne: conda activate tf og conda deactivate
Du bliver nødt til at aktivere den for at komme videre. For at aktivere GPU-understøttelse i processen skal du sikre dig, at du har din grafikdriver (NVIDIA GPU) installeret, og derefter installere et par pakker ved hjælp af følgende kommando:
<strong>conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0</strong>
Den downloader omkring 1 Gig af pakker, som inkluderer værktøjer, der gør det muligt for dig at implementere maskinlæringsapplikationer med GPU og et dybt neuralt netværk.
Til sidst skal du bruge pip-pakkehåndteringen til at installere TensorFlow-pakken. Du kan vælge at bruge conda til at installere Tensorflow, men den har muligvis ikke den seneste stabile version, der er nødvendig.
Før du fortsætter, skal du sikre dig, at pip er blevet opdateret ved hjælp af kommandoen:
pip install --upgrade pip
Når du er færdig, skal du installere TensorFlow med:
<strong>pip install tensorflow</strong>
Du vil bemærke, at adskillige pakker bliver bygget/installeret. Det kan se ud som fast i processen, men giv det et minut, og det skulle genoptage og fuldføre installationen.
#2. Brug af Conda og pip på WSL 2
Forudsat at du allerede har WSL 2 opsætning på dit system, kan du installere TensorFlow ved at bruge følgende kommandoer i distributionens terminal:
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/
python3 -m pip install tensorflow
# Verify install:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
Du kan indsætte det hele på én gang, og det vil blive behandlet én efter én.
Hvis du ikke har installeret WSL 2 på Windows. Gå til kommandoprompten med administratoradgang, og skriv derefter følgende:
wsl.exe --install
Det skal downloade Ubuntu og aktivere WSL-funktionen til dit system. Du skal genstarte din pc for at fuldføre det.
Hvis du ikke kan finde Ubuntu på dit system, kan du navigere til Microsoft Store og installere Ubuntu WSL.
#3. Byg fra kilde
I betragtning af at TensorFlow er open source, kan du bygge det fra bunden med dine konfigurationsmuligheder.
Derfor anbefales dette til avancerede brugere, der er opmærksomme på alle mulighederne, og som kender de møtrikker og bolte, der skal konfigureres. Se den officielle dokumentation for at udforske mere om det.
Hvordan installeres TensorFlow på Linux?
Ligesom Windows kan du installere TensorFlow ved hjælp af Miniconda og pip på Linux. Eller vælg at bygge fra kilden.
Lad mig vise dig, hvordan det gøres:
#1. Brug af Miniconda og pip (anbefalet metode)
Bemærk: Følg de samme kommandoer som Windows. Den eneste forskel er, hvordan du installerer/downloader Miniconda på Linux.
Sådan installeres Miniconda på Linux ved hjælp af terminalen:
curl https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -o Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh
Genstart terminalen på din Linux-distribution for at finde noget som dette:
Du vil bemærke en (base) før terminalpromptvariablerne. Dette indikerer, at conda i øjeblikket er aktiv og installeret.
Deaktiver det ikke, medmindre du er færdig med TensorFlow-installationen.
Du kan navigere til trinene nævnt ovenfor for Windows og få det installeret. Eller indsæt følgende for at installere TensorFlow:
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/
python3 -m pip install tensorflow
# Verify install:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
Med Linux kan du have problemer med GPU-driveren. For det bør du se på NVIDIAs dokumentation for at lære mere.
#2. Byg fra kilden
Ligesom Windows er det vanskeligt at bygge fra kildekoden på Linux og udelukkende beregnet til avancerede brugere.
Du (forudsat at du er nybegynder) bør ikke vælge denne metode, medmindre du har noget specifikt i tankerne. Den bedste måde at udforske mere om det er at henvise til dokumentationen.
Hvordan installeres TensorFlow ved hjælp af Docker? (Windows og Linux)
Uanset platformen lader Docker dig installere TensorFlow-billeder uden problemer.
Sørg for, at du har Docker installeret på dit system, eller du kan følge vores Docker installationsvejledning for at få hjælp.
Når du er færdig med at konfigurere det, skal du indtaste følgende kommando fra Docker:
docker pull tensorflow/tensorflow
Du har brug for ekspertise med Docker-containere for at starte en container med de nødvendige konfigurationer til dit arbejde.
For specifik GPU-understøttelse eller download af en anden TensorFlow-version henvises til de tilgængelige muligheder i den officielle dokumentation.
Sådan ser kommandoen ud, når du vil køre den ved hjælp af Docker:
docker run [-it] [--rm] [-p hostPort:containerPort] tensorflow/tensorflow[:tag] [command]
Konklusion
Installation af TensorFlow er en engangsting, og med vores guide burde det være en problemfri proces for de fleste.
Hvis du allerede havde tidligere konfigurationer eller opsætning med ældre Python-versioner eller en ældre Conda-pakkehåndtering. Sørg for at anvende de seneste opdateringer for at installere TensorFlow problemfrit.
Du kan også udforske de bedste AI-platforme til at bygge AI- og ML-applikationer.