Sådan installeres TensorFlow på CentOS

Installer TensorFlow ved hjælp af Python (pip) eller en Docker Container

TensorFlow er en maskinlæringsplatform fra Google. Det er open source og har et stort antal værktøjer, biblioteker og andre ressourcer udviklet af både dets udviklerfællesskab såvel som Google og andre virksomheder.

TensorFlow er tilgængelig til alle de populært anvendte styresystemer, dvs. Windows, Mac OS, GNU/Linux. Det kan downloades og installeres fra enten Python Package Index ved hjælp af pip værktøj og kan køres i et virtuelt pythonmiljø. En anden måde at bruge det på er at installere det som en Docker-container.

Installer TensorFlow vha pip

pip er det officielle pakkehåndteringsværktøj til Python-pakker. Python og pip er ikke installeret på CentOS som standard.

At installere pakkerne, kør:

sudo dnf installer python3

Når installationen beder om bekræftelse af download osv., skal du indtaste Y og tryk derefter på Gå ind tasten for at fortsætte opsætningen. Pakken python3 vil installere Python 3 samt Pip 3.

Det anbefales at køre TensorFlow i et virtuelt Python-miljø. Et virtuelt miljø lader brugeren køre flere Python-miljøer med forskellige versioner af påkrævede pakker, isoleret fra hinanden, på den samme computer. Dette er for at sikre, at udviklingen i et virtuelt miljø med en specifik version af en pakke ikke påvirker udviklingen i et andet miljø.

For at køre det virtuelle Python-miljø skal vi bruge modulet venv. Først og fremmest skal du oprette og gå til din TensorFlow-projektmappe.

mkdir dev/tf cd dev/tf

For at oprette et virtuelt miljø i denne mappe skal du køre:

python3 -m venv tf_venv

Dette vil oprette en ny mappe tf_venv som er det virtuelle Python-miljø. Den indeholder de minimalt nødvendige filer, dvs. Python eksekverbar fil, Pip eksekverbar fil og nogle andre nødvendige biblioteker.

For at starte det virtuelle miljø, løb:

kilde bin/ac

Dette vil ændre navnet på prompten til tf_venv, dvs. navnet på mappen med det virtuelle miljø.

Nu vil vi installere TensorFlow i dette virtuelle miljø. For TensorFlow, det krævede minimum pip version er 19. For at opgradere pip til nyeste version, løb:

pip install --opgrader pip

Som det ses ovenfor, blev version 20.0.2 af pip installeret.

Installer pakken TensorFlow på lignende måde.

pip install --opgrader tensorflow

Pakken er ret stor i størrelse (~420 MB) og kan tage lidt tid at downloade og installere sammen med dens afhængigheder.

Når den er installeret, kan vi bekræfte TensorFlow-installationen med et lille stykke kode for at kontrollere versionen af ​​TensorFlow.

python -c 'importer tensorflow som tf; print(tf.__version__)'

For at afslutte det virtuelle miljø skal du køre:

deaktivere

Installer TensorFlow ved hjælp af Docker Container

Docker er nu en veletableret måde at installere og køre programmer i et virtualiseret miljø kaldet Container. Det ligner på en måde et virtuelt Python-miljø, som vi så i den forrige metode. Dog er Docker meget bredere i omfang, og Docker-containere er fuldstændigt isolerede og har deres egne konfigurationer, softwarebundter og biblioteker. Containere kan kommunikere med hinanden gennem kanaler.

Vi kan installere og køre TensorFlow gennem en Docker-container og køre den i et virtualiseret miljø. Udviklere af TensorFlow vedligeholder et Docker Container-image, som testes med hver udgivelse.

Først og fremmest skal vi installere Docker på vores CentOS-system. For dette, se den officielle Docker installationsvejledning til CentOS.

For at downloade det seneste containerbillede til TensorFlow skal du køre:

docker pull tensorflow/tensorflow

Bemærk: Hvis dit system har en dedikeret Graphics Processing Unit (GPU), kan du i stedet downloade det seneste containerbillede med GPU-understøttelse ved hjælp af kommandoen nedenfor.

docker pull tensorflow/tensorflow:nyeste-gpu-jupyter

Dit system skal have passende drivere til GPU'en installeret, så GPU-funktionerne kan udnyttes af TensorFlow. For mere information om GPU-understøttelse til TensorFlow, se dokumentationen på Github-lageret.

For at køre TensorFlow i Docker-beholderen skal du køre:

docker run -it --rm tensorflow/tensorflow python -c "importer tensorflow som tf; print(tf.__version__)"

Lad os først prøve at opdele, hvad hver del af kommandoen betyder.

løb er docker-kommandoen til at starte en container. Flagene -det leveres, når vi ønsker at starte en interaktiv shell (f.eks. Bash, Python). --rm flag, kaldet Clean Up, er specificeret, så filsystemet og logfilerne, der er oprettet internt af Docker til containerkørslen, bliver ødelagt, når containeren afsluttes. Dette flag bør ikke bruges, hvis logfiler er påkrævet i fremtiden til fejlretningsformål. Men til små forgrundsløb som vores, kan den bruges.

I den næste del angiver vi navnet på vores Docker-containerbillede, dvs. tensorflow/tensorflow. Efter det er det program/kommando/værktøj, vi ønsker at køre i containeren. Til vores test kalder vi Python-fortolkeren i containeren og sender den kode, der udskriver versionen af ​​TensorFlow.

Vi kan se, at Docker udskriver noget log, mens containeren startes. Efter containeren starter, kører vores Python-kode, og TensorFlow-versionen udskrives (2.1.0).

Vi kan også starte Python-fortolkeren som en shell, så vi kan fortsætte med at køre flere linjer med TensorFlow-kode.

Konklusion

I denne artikel så vi to metoder til at installere TensorFlow på CentOS. Begge metoder er beregnet til at køre TensorFlow i et virtualiseret miljø, hvilket er en anbefalet tilgang, mens du bruger TensorFlow.

Hvis du er nybegynder i TensorFlow, kan du starte med det grundlæggende fra de officielle TensorFlow-tutorials.