Wir führen Sie durch die Installation von TensorFlow

1. Grundlegende Einführung und Verständnis

1.1 Einführung

Als umfassende und flexible Open-Source-Plattform für maschinelles Lernen können wir TensorFlow verwenden, um Modelle für maschinelles Lernen zu erstellen, die für Desktop-, Mobil-, Web- und Cloud-Umgebungen geeignet sind sagen TensorFlow Es ist ein Open-Source-Framework für maschinelles Lernen. Mit TensorFlow können wir schnell neuronale Netze aufbauen und gleichzeitig das Netz schnell trainieren, bewerten und speichern.

Nachdem wir TensorFlow installiert haben, können wir es bei jeder Verwendung direkt importieren. Es ist bequem und schnell.

TensorFlow als tf importieren

Die offizielle Website von TensorFlow lautet wie folgt: ?? ● Hohe Flexibilität : Solange die Berechnung als Berechnungsflussdiagramm ausgedrückt werden kann, können Sie TF verwenden.

● Echte Portabilität: Unterstützt Desktops, Server (sowohl CPU als auch GPU) und eingebettete Geräte.

● Mehrsprachige Unterstützung: Basierend auf Python bietet es auch eine C++-Benutzeroberfläche und eine interaktive Ipython-Schnittstelle.

● Visualisierungstool: TensorFlow bietet ein leistungsstarkes Visualisierungstool, TensorBoard.

● Umfangreiche Unterstützung der Paketbibliothek: TFlearn, TF-Slim, Keras usw. 1.2.2 Nachteile

● Unterstützt Windows nicht

Abgesehen von allen Vorteilen, die TensorFlow hat, verfügt es über eine sehr eingeschränkte Funktionalität für Windows-Benutzer. Es ist sehr benutzerfreundlich für Linux-Benutzer.

● Unterstützt GPU

TensorFlow unterstützt nur NVIDIA für GPU und die Programmiersprache Python unterstützt GPU-Programmierung.

1.2.3 Interpretation der TensorFlow-Architektur

Die erste Schicht: die Gerätekommunikationsschicht, die aus der Geräteschicht und der Netzwerkschicht besteht und für die Netzwerkkommunikation und Geräteverwaltung verantwortlich ist. Die Geräteverwaltung kann die heterogenen Eigenschaften von TF-Geräten realisieren. Die Geräteschicht unterstützt die Kommunikationsimplementierung verschiedener Geräte wie CPU, GPU und Mobilgeräte. Die Netzwerkkommunikation basiert auf dem Kommunikationsprotokoll ​​

gRPC​​, um Datenübertragung und Aktualisierungen zwischen verschiedenen Geräten zu realisieren.

Die zweite Schicht: Kernel-Implementierungsschicht, die Tensor als Verarbeitungsobjekt verwendet, auf Netzwerkkommunikation und Gerätespeicherzuweisung basiert und verschiedene Tensor-Operationen oder -Berechnungen implementiert, hauptsächlich die Kernel-Implementierung des maschinellen Lernens.

Die dritte Schicht: Graph-Computing-Schicht, bestehend aus verteilter Hauptsteuerung und Datenfluss-Executor, einschließlich der Implementierung eines lokalen Computing-Flow-Graphs und eines verteilten Computing-Flow-Graphs. Der verteilte Master verteilt je nach Ladefähigkeit unterschiedliche Arbeitslasten auf verschiedene Geräte, und der Datenfluss-Executor führt das Datenflussdiagramm basierend auf den besten experimentellen Methoden aus.

Die vierte Schicht: API-Schnittstellenschicht, C-API ist die Schnittstellenkapselung von Das TF-Funktionsmodul ist in der Sprache C implementiert. Die C-Sprache wurde gewählt, weil es sich um eine Low-Level-Sprache handelt, die einfach, schnell und zuverlässig ist und auf jedem Betriebssystem ausgeführt werden kann. Die fünfte Schicht: Clientschicht, Python, C++ und andere Programmiersprachen rufen TF-Kernfunktionen über die API-Schnittstellenschicht in der Anwendungsschicht auf, um verwandte Experimente und Anwendungen zu implementieren. Und die letzte Ebene von TensorFlow enthält Trainings- und Inferenzbibliotheken, die in Python und C++ implementiert sind.

Wenn Sie die grundlegende Theorie und die Designideen des TensorFlow-Einführungspraktikums vollständig verstehen möchten, können Sie zum MOOC der China University gehen, um ​​"TensorFlow-Einführungspraxiskurs"​​ zu studieren, und zwar schnell Beginnen Sie mit den grundlegenden Anwendungen und Praktiken von TensorFlow. 2. Installation und Verwendung 2.1 Installation Wird zum Installieren und Verwalten von in Python geschriebenen Softwarepaketen verwendet.

Zuerst müssen wir die Python-Umgebung installieren, die Python 3.6-3.9 und Pip 19.0 und höher erfordert. Wenn Sie nicht sicher sind, ob wir sie installiert haben, können Sie dies durch eine Versionsprüfung überprüfen Fahren Sie fort.

python3 –version
pip3 --version

Wenn es nicht installiert ist, lesen Sie bitte den folgenden Code:

sudo apt update
sudo apt install python3-dev python3-pip python3-venv

Wichtige Punkte: Tatsächlich empfehle ich für die Installation von Python hier die Installation von Anaconda, was viele Dinge sparen kann anaconda umfasst mehr als 190 wissenschaftliche Pakete und ihre Abhängigkeiten.

Zweitens: Wir müssen eine Umgebung einrichten eine virtuelle Umgebung

Abschließend aktivieren wir die virtuelle Umgebung. Anschließend installieren wir das TensorFlow-Pip-Paket in der virtuellen Umgebung

pip install --upgrade TensorFlow

Nachdem die Installation abgeschlossen ist, können Sie sie überprüfen, um sicherzustellen, dass die Installation erfolgreich ist

python -c "import TensorFlow

2.1.2 Kompilierung und Installation des Quellcodes

git clone --recurse-submodules
https://github.com/TensorFlow/TensorFlow

Installation

Referenz

​

Konfigurieren./ konfigurieren

Beantworten Sie eine Reihe von Fragen wahrheitsgemäß basierend auf Ihrer tatsächlichen Situation. Nach der Antwort konfiguriert bazel die Umgebung. Zu diesem Zeitpunkt muss der Computer auf das externe Netzwerk zugreifen können, um den Erhalt einiger Kompilierungsabhängigkeitspakete zu ermöglichen. Einige Pakete müssen möglicherweise über die Mauer gesprungen werden. 2.1.3 Docker-Image-Installation implementiert auf gängigen Linux-Rechnern.

Wenn Sie TensorFlow über Docker installieren und ausführen, ist es vollständig von zuvor installierten Paketen auf Ihrem Computer isoliert.

Offizielles BildStellt offiziell 4 Docker-Images zur Verwendung bereit:

Nur CPU-Version, keine Entwicklungsumgebung: gcr.io/TensorFlow/TensorFlowNur CPU-Version, mit Umgebung : gcr.io/TensorFlow/TensorFlow:latest-devel

unterstützt GPU, ohne Entwicklungsumgebung: gcr.io/TensorFlow/TensorFlow:latest-gpu

unterstützt GPU, mit Entwicklungsumgebung: gcr io/TensorFlow /TensorFlow:latest-devel-gpu

Erstellen Sie eine Docker-Benutzergruppe

Erlauben Sie normalen Benutzern, Container ohne Sudo zu starten.

bazel build -c opt --config=cuda
//TensorFlow/tools/pip_package:build_pip_package

Starten Sie den Docker-Container

Ich verwende die Version, die GPU unterstützt, also wähle ich die vierte zur Installation aus. Sie können überprüfen, welche Version Ihr Computer unterstützt, und sie mit dem entsprechenden Befehl herunterladen.

usermod -a -G docker 用户名

2.2 Verwenden Sie den Platzhalter

2.2.1

Syntax: tf.compat.v1.placeholder(dtype, shape=None, name=None)

Beispiel. 1:

docker run -it 
gcr.io/TensorFlow/TensorFlow

Beispiel 2:

w =
tf.constant([1, 1, 2, 2, 3, 3], shape=[2, 3])
h =
tf.constant([7, 7, 9, 9, 11, 11], shape=[3, 2])
#下面语法表示的是两个矩阵相乘
l
= tf.matmul(w, h)

with
tf.Session() as
print(sess.run([a,b,c]))

Spezifische Parameterbeschreibung:

●

dtype: Der Datentyp der Elemente im Tensor, die eingegeben werden.

●

shape: Standard ist None: die Form des Tensors, der eingegeben wird, es ist ein optionaler Parameter. Wenn keine Form angegeben ist, kann man einen Tensor beliebiger Form eingeben.

● name: 默认为None：操作的名称，可选参数。

2.2.2变量

Variable()构造函数希望变量有一个初始值，它可以是任何种类或形状的Tensor。变量的类型和形式由其初始值定义。形状和变量一旦被创建就会被固定下来。

在众多的参数中,需要注意的是validate_shape: 默认为True。如果是False，允许变量以未知的形状值初始化。如果是True，初始值的形状必须是已知的，这是默认的。

2.2.2.1创建变量

最常见的创建变量方式是使用Variable()构造函数。

import TensorFlow as tf
v = tf.Variable([1,2,3,4,5,6]) #创建变量v，为一个array
print(v) 
#查看v的shape，不是v的值。
## 结果是： <tf.Variable 'Variable:0' shape=(6,), numpy=array([1,2,3,4,5,6],dtype=int32)>
with tf.Session() as sess:
 
sess.run(v.initializer) ##运行变量的initializer。调用op之前，所有变量都应被显式地初始化过。
sess.run(v) ##查看v的值，结果是：array([1,2,3,4,5,6])

注意: 我们在进行初始化的时候也可以按如下书写

init = tf.global_variables_initializer()#全局变量初始化
with tf.Session() as sess:
sess.run(init)

2.2.2.2分配或修改变量中的元素

我们使用assign()方法来修改这个变量。

示例一:assign用来更新值

w = tf.Variable([3, 4,5,6])
w [1].assign(2)
w

输出结果如下:

<tf.Variable ‘Variable:0’ shape=(4,),
numpy=array([3, 2,5,6], dtype=int32)>
## 我们在此处使用assign将数组中的索引为1的值由4更新为2

示例二 : assign_add()用来添加变量值

# create variable
w = tf.Variable([3, 4,5,6])
# using assign_add() function
w.assign_add([1, 1,1,1])
w

输出结果如下:

<tf.Variable ‘Variable:0’ shape=(4,),
numpy=array([4, 5,6,7], dtype=int32)>
## 我们在此处使用assign_add()将数组中的每一个数值加1进行输出

示例三: assign_sub()用来从变量中减去值

# create variable
w = tf.Variable([3, 4,5,6])
# using assign_add() function
w.assign_sub([1, 1,1,1])
w
<tf.Variable ‘Variable:0’ shape=(4,),
numpy=array([2, 3,4,5], dtype=int32)>
## 我们在此处使用assign_sub()将数组中的每一个数值减1进行输出

2.2.2.3改变变量的形状

tf.reshape()方法用于改变变量的形状。必须传递变量和形状。

import TensorFlow as tf
w= tf.Variable([[3, 5, 6, 7]])
tf.reshape(w, shape=(2, 2))
w

输出结果如下:

<tf.Tensor: shape=(2, 2), ,
numpy=array([[3, 5],[6, 7]], dtype=int32)>

2.2.3 Session会话

TensorFlow中只有让Graph（计算图）上的节点在Session（会话）中执行，才会得到结果。Session的开启涉及真实的运算，因此比较消耗资源。在使用结束后，务必关闭Session。​

方式一进行手动关闭:

import TensorFlow as tf
w= tf.constant(8, dtype=tf.int8)
h = tf.constant(6, dtype=tf.int8)
result= w + h
sess = tf.Session()
sess.run(result)#执行运算
sess.close() #手动关闭session

方式二进行自动关闭(使用到with语句):

import TensorFlow as tf
w= tf.constant(8, dtype=tf.int8)
h = tf.constant(6, dtype=tf.int8)
result= w + h
with tf.Session() as sess: #运算结束后session自动关闭
sess.run(res)

安装好TensorFlow后，初步入门机器学习的同学可以到中国大学MOOC上学习​​《 TensorFlow 入门实操课程 》​​，快速了解如何使用TensorFlow建立和训练神经网络、用自然语言处理系统教会机器理解、分析和回应人类的言语 、构建和训练模型等基本理论。我推荐对模型部署有需求的同学可以去了解​​《 TensorFlow 入门课程 - 部署篇 》​，高效掌握在多种生产场景下灵活部署模型的技巧。大家也可以在​​TensorFlow官网​（https://www.php.cn/link/e48382353dc6c66379fb8e1ebf48c5e8）上探索更多学习资源，持续精进机器学习知识与技能！

作者介绍

张云波，活跃的IT网红讲师，拥有学员31w+，国内早期开始和发布苹果Swift、安卓Kotlin、微信小程序、区块链技术的讲师之一。主攻前端开发、iOS开发、Android开发、Flutter开发、区块链Dapp开发，有丰富的大公司和海外工作经验。

Das obige ist der detaillierte Inhalt vonWir führen Sie durch die Installation von TensorFlow. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!