TensorFlow är en öppen källkodsplattform utvecklad av Google för maskininlärning och AI (artificiell intelligens). Det hjälper till med en rad uppgifter för utvecklare som arbetar inom det området.
Till att börja med behöver du ha en förståelse för maskininlärning eller, specifikt, djupinlärning innan du kan använda TensorFlow.
Låt mig här lyfta fram några saker om TensorFlow, dess funktioner och snabba metoder för att installera det på Windows och Linux.
Innehållsförteckning
TensorFlow Översikt
Tekniskt sett är TensorFlow en öppen källkodsplattform som hjälper till med applikationer för djupinlärning och andra användningsfall för maskininlärning.
Det gör det enkelt att bygga och distribuera ML-drivna applikationer. Om du vill lösa ett problem med hjälp av maskininlärning kan du få hjälp med TensorFlow.
TensorFlow tillhandahåller verktyg för att utveckla och träna modeller med Python eller JavaScript. Även om jag inte är en utvecklare kan du utforska dokumentationen för att veta hur det påverkar ditt arbetsflöde för att implementera en maskininlärningsapplikation.
Funktioner i TensorFlow
TensorFlow är känt av flera anledningar, och du kan utvärdera det själv, med kunskap om dess bästa funktionserbjudanden.
Om vi får diskutera de tekniska fördelarna måste du jämföra dem med vad du gör. Så vi kommer att fokusera på vanliga funktioner som är fördelaktiga för de flesta.
1. Öppen källkod
Google beslutade att öppna TensorFlow under 2015 för att göra det möjligt för communityn att förbättra det ytterligare och ge transparens om hur det fungerar.
Utvecklare kan anpassa biblioteket på olika sätt för att lösa problem som du kanske inte hade förväntat dig.
Utan ett ramverk med öppen källkod kanske det inte har varit så populärt som det är. Därmed
2. Enkel felsökning
TensorFlow syftar till att hjälpa dig med enkelt modellbygge; därför är en enkel felsökningsupplevelse en del av den processen.
Den intuitiva användarupplevelsen är en körsbär ovanpå det.
3. Stöder både CPU:er och GPU:er
Med TensorFlow får du möjlighet att träna databeräkningen på en CPU eller GPU. Vanligtvis gör en GPU saker snabbare för djupinlärningsapplikationer jämfört med CPU.
Så om du har en kraftfull GPU i din arsenal kan TensorFlow hjälpa dig att få ut det mesta av det.
4. Användbara API:er för maskininlärning
API:er hjälper utvecklare att integrera en mängd funktioner i sina applikationer. Och TensorFlow ger tillgång till en bra samling stabila API:er.
Vissa av dem kan också erbjuda prestandafördelar. Enligt dess officiella påståenden bör du inte ha några problem med de som är tillgängliga i Python. Om du arbetar med andra språk måste du kontrollera med TensorFlow-underhållarna hur bra de är för ditt användningsfall.
5. Färdiga modeller för produktion
TensorFlow har en mängd olika förtränade modeller. Oavsett om du är proffs eller nybörjare kan du använda dem för att spara tid och bygga ML-modeller snabbare.
Utöver dessa funktioner får du flexibilitet, användarvänlighet, en visualiseringsverktygssats och mer som kan hjälpa ditt arbetsflöde för maskininlärning.
Nu när du har en bra idé om TensorFlow, var kan du ladda ner det? Hur man installerar det och ställer in det på dina Windows- och Linux-system?
Låt oss diskutera det nedan.
Ladda ner och installera TensorFlow
Till skillnad från andra program får du ingen .exe-installationsfil här. I första hand måste du ladda ner paketet med den rekommenderade pakethanteraren.
Sammantaget finns det olika sätt att installera. Vi kan lista dem enligt följande:
- Använder Miniconda och pip
- Använder Miniconda och pip på WSL 2
- Använda en Docker-behållare
- Bygga från källor
Hur installerar jag TensorFlow på Windows?
Till skillnad från andra program får du ingen .exe-installationsfil här. Du måste ladda ner paketet med den rekommenderade pakethanteraren.
#1. Använda Miniconda och pip (rekommenderad metod)
Obs: När detta skrivs är TensorFlow 2.10 den sista versionen som stöder GPU på Windows (native). Om du arbetar med nyare paket rekommenderar TensorFlow att du installerar TensorFlow i WSL 2, vilket kommer att diskuteras härnäst.
Om du vill använda TensorFlow med GPU-stöd rekommenderar TensorFlow att du använder Miniconda (installationsprogram för conda-pakethanteraren) för att kicka igång.
Med Miniconda får du skapa en separat miljö för att undvika konflikter med någon annan programvara i ditt system.
För att komma igång måste du ladda ner den senaste Miniconda Windows Installer och följa instruktionerna på skärmen för att slutföra installationen.
När du är klar måste du starta Miniconda-prompten som visas på skärmdumpen:
Så här ser det ut:
När du ser Anaconda-promptfönstret kanske du vill skriva in följande kommando för att se till att conda-pakethanteraren har uppdaterats:
<strong>conda update -n base -c defaults conda</strong>
Med det ur vägen, här är stegen du behöver följa för att installera TensorFlow:
Först, för att skapa en ny miljö (med namnet tf):
<strong>conda create --name tf python=3.9 </strong>
Tips: Du kan aktivera/avaktivera den genom att använda kommandona: conda activate tf och conda deactivate
Du måste aktivera den för att fortsätta. För att aktivera GPU-stöd i processen måste du se till att du har din grafikdrivrutin (NVIDIA GPU) installerad och sedan installera några paket med följande kommando:
<strong>conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0</strong>
Den laddar ner cirka 1 gig paket, som inkluderar verktyg som gör att du kan distribuera maskininlärningsapplikationer med GPU och ett djupt neuralt nätverk.
Slutligen måste du använda pip-pakethanteraren för att installera TensorFlow-paketet. Du kan välja att använda conda för att installera Tensorflow, men det kanske inte har den senaste stabila versionen som behövs.
Innan du fortsätter, se till att pip har uppdaterats med kommandot:
pip install --upgrade pip
När du är klar installerar du TensorFlow med:
<strong>pip install tensorflow</strong>
Du kommer att märka att många paket byggs/installeras. Det kan verka som att det har fastnat i processen, men ge det en minut så bör det återupptas och installationen slutföras.
#2. Använder Conda och pip på WSL 2
Förutsatt att du redan har WSL 2-installation på ditt system, kan du installera TensorFlow med hjälp av följande kommandon 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 klistra in allt på en gång, och det kommer att bearbetas en efter en.
Om du inte har installerat WSL 2 på Windows. Gå till kommandotolken med administratörsåtkomst och skriv sedan in följande:
wsl.exe --install
Det bör ladda ner Ubuntu och aktivera WSL-funktionen för ditt system. Du måste starta om datorn för att det ska slutföras.
Om du inte kan hitta Ubuntu på ditt system kan du navigera till Microsoft Store och installera Ubuntu WSL.
#3. Bygg från källan
Med tanke på att TensorFlow är öppen källkod kan du bygga det från grunden med dina konfigurationsalternativ.
Därför rekommenderas detta för avancerade användare som är medvetna om alla alternativ och som vet vilka muttrar och bultar som ska konfigureras. Se den officiella dokumentationen för att utforska mer om det.
Hur installerar jag TensorFlow på Linux?
Precis som Windows kan du installera TensorFlow med Miniconda och pip på Linux. Eller välj att bygga från källan.
Låt mig visa dig hur det går till:
#1. Använda Miniconda och pip (rekommenderad metod)
Obs: Följ samma kommandon som Windows. Den enda skillnaden är hur du installerar/laddar ner Miniconda på Linux.
Så här installerar du Miniconda på Linux med 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
Starta om terminalen på din Linux-distribution för att hitta något i stil med detta:
Du kommer att märka en (bas) före terminalpromptvariablerna. Detta indikerar att conda för närvarande är aktiv och installerad.
Inaktivera den inte om du inte är klar med installationen av TensorFlow.
Du kan navigera till stegen som nämns ovan för Windows och få det installerat. Eller klistra in följande för att installera 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 ha problem med GPU-drivrutinen. För det bör du titta på NVIDIAs dokumentation för att lära dig mer.
#2. Bygg från källan
Precis som Windows är det svårt att bygga från källkoden på Linux och enbart avsedd för avancerade användare.
Du (förutsatt att du är nybörjare) bör inte välja den här metoden om du inte har något specifikt i åtanke. Det bästa sättet att utforska mer om det är att hänvisa till dokumentationen.
Hur installerar jag TensorFlow med Docker? (Windows och Linux)
Oavsett plattform låter Docker dig installera TensorFlow-bilder utan hicka.
Se till att du har Docker installerat på ditt system, eller så kan du följa vår installationsguide för Docker för hjälp.
När du är klar med installationen måste du ange följande kommando från Docker:
docker pull tensorflow/tensorflow
Du behöver expertis med Docker-containrar för att starta en container med de nödvändiga konfigurationerna för ditt arbete.
För specifik GPU-support eller nedladdning av en annan TensorFlow-version, se de tillgängliga alternativen i den officiella dokumentationen.
Så här ser kommandot ut när du vill köra det med Docker:
docker run [-it] [--rm] [-p hostPort:containerPort] tensorflow/tensorflow[:tag] [command]
Slutsats
Installation av TensorFlow är en engångsgrej, och med vår guide borde det vara en problemfri process för de flesta.
Om du redan hade tidigare konfigurationer eller inställningar med äldre Python-versioner eller en äldre Conda-pakethanterare. Se till att installera de senaste uppdateringarna för att installera TensorFlow sömlöst.
Du kan också utforska de bästa AI-plattformarna för att bygga AI- och ML-applikationer.