Introduksjon til TensorFlow
TensorFlow, en plattform med åpen kildekode, er skapt av Google for å muliggjøre maskinlæring og kunstig intelligens (AI). Den tilbyr utviklere et bredt spekter av verktøy og ressurser som er nødvendige for arbeid innenfor disse feltene.
Før man kan benytte seg av TensorFlow, er det essensielt å ha en solid forståelse av maskinlæring, og spesielt dyp læring.
La oss utforske noen nøkkelaspekter ved TensorFlow, inkludert funksjoner og hvordan man raskt kan installere det på operativsystemene Windows og Linux.
Oversikt over TensorFlow
TensorFlow er en åpen kildekode-plattform som fasiliterer utviklingen av dyplæringsapplikasjoner og andre former for maskinlæringsbasert programvare.
Det forenkler prosessen med å utvikle og implementere applikasjoner som er drevet av maskinlæring. Hvis du har en problemstilling som kan løses ved hjelp av maskinlæring, er TensorFlow et verdifullt verktøy.
TensorFlow tilbyr utviklingsverktøy og modelleringsressurser ved hjelp av Python eller JavaScript. Selv om du ikke er en utvikler, kan dokumentasjonen gi deg innsikt i hvordan dette verktøyet kan forbedre arbeidsflyten din når du utvikler en maskinlæringsapplikasjon.
Funksjoner i TensorFlow
TensorFlow er en anerkjent plattform, og man kan selv vurdere dens verdi ved å se på dens kjernefunksjoner.
Vi skal se på noen av fordelene som er relevante for de fleste brukere.
1. Åpen Kildekode
Google lanserte TensorFlow som åpen kildekode i 2015 for å oppmuntre fellesskapet til å bidra til videreutviklingen og for å gi full åpenhet rundt hvordan plattformen fungerer.
Dette lar utviklere tilpasse biblioteket på kreative måter for å adressere problemer som kanskje ikke opprinnelig var tenkt.
Uten et rammeverk med åpen kildekode, ville TensorFlow kanskje ikke ha oppnådd den populariteten det har i dag.
2. Forenklet Feilsøking
TensorFlow er designet for å gjøre modellbygging enkelt, og feilsøkingsprosessen er derfor gjort så ukomplisert som mulig.
En intuitiv brukeropplevelse er også en del av pakken.
3. Støtte for både CPU og GPU
Med TensorFlow har du muligheten til å trene datamodeller enten på CPU eller GPU. GPU gir som regel raskere ytelse for dyplæringsapplikasjoner sammenlignet med CPU.
Så dersom du har en kraftig GPU tilgjengelig, kan TensorFlow hjelpe deg med å utnytte dens fulle potensial.
4. Nyttige APIer for Maskinlæring
APIer gjør det enkelt for utviklere å integrere en rekke funksjoner i applikasjonene sine. TensorFlow gir tilgang til en stabil samling av APIer.
Noen av disse kan også gi ytelsesforbedringer. Ifølge offisiell dokumentasjon er APIene i Python fullt funksjonelle. Hvis du jobber med andre språk, bør du dobbeltsjekke med TensorFlow-utviklerne for å forsikre deg om at de er optimaliserte for ditt bruk.
5. Ferdige Modeller for Produksjon
TensorFlow tilbyr et bredt utvalg av ferdigtrente modeller. Disse kan brukes av både profesjonelle og nybegynnere for å spare tid og raskt utvikle ML-modeller.
I tillegg til disse funksjonene, tilbyr TensorFlow fleksibilitet, brukervennlighet, visualiseringsverktøy, og andre ressurser som kan effektivisere utviklingsprosessen for maskinlæring.
Nå som du har en oversikt over hva TensorFlow er, la oss se på hvordan du kan laste det ned, installere og konfigurere det på Windows og Linux.
Nedlasting og Installasjon av TensorFlow
I motsetning til mange andre programmer, er ikke TensorFlow tilgjengelig som en .exe-fil. Det krever at du laster ned pakken ved hjelp av en pakkehåndtering.
Det er flere måter å installere TensorFlow på, inkludert:
- Bruk av Miniconda og pip
- Bruk av Miniconda og pip på WSL 2
- Bruk av Docker-container
- Bygging fra kildekoden
Installasjon av TensorFlow på Windows
Du må laste ned pakken ved hjelp av en pakkehåndtering.
#1. Bruk av Miniconda og pip (Anbefalt)
Merk: Per skrivende stund er TensorFlow 2.10 den siste versjonen som støtter GPU på Windows (native). For nyere pakker anbefaler TensorFlow at du installerer TensorFlow i WSL 2, som vi skal se på nedenfor.
For å bruke TensorFlow med GPU-støtte anbefales det å bruke Miniconda (et installasjonsprogram for conda-pakkehåndtering).
Med Miniconda kan du skape et eget miljø for TensorFlow, noe som hindrer konflikter med annen programvare på systemet.
Du må først laste ned den nyeste versjonen av Miniconda Windows Installer og følge instruksjonene på skjermen for å fullføre installasjonen.
Etter installasjonen må du starte Miniconda-ledeteksten, som vist her:
Slik vil den se ut:
I Anaconda-ledetekstvinduet kan du skrive inn denne kommandoen for å sørge for at conda-pakkehåndteringen er oppdatert:
conda update -n base -c defaults conda
Etter å ha oppdatert conda, følger du disse trinnene for å installere TensorFlow:
Først oppretter du et nytt miljø (vi kaller det «tf»):
conda create --name tf python=3.9
Tips: Du kan aktivere/deaktivere miljøet med kommandoene: «conda activate tf» og «conda deactivate».
For å aktivere GPU-støtte må du sørge for at du har den nyeste grafikkdriveren installert (NVIDIA GPU). Installer deretter de nødvendige pakkene ved hjelp av denne kommandoen:
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
Dette laster ned ca. 1 GB med pakker som gir deg verktøy for å implementere maskinlæringsapplikasjoner med GPU-støtte og et dypt nevralt nettverk.
Til slutt bruker du pip-pakkehåndteringen for å installere selve TensorFlow-pakken. Du kan også bruke conda for å installere Tensorflow, men den har kanskje ikke den nyeste stabile versjonen.
Før du fortsetter, må du sørge for at pip er oppdatert ved hjelp av følgende kommando:
pip install --upgrade pip
Installer TensorFlow med:
pip install tensorflow
Du vil se at mange pakker blir bygget og installert. Det kan virke som om installasjonen stopper opp, men gi den litt tid. Den skal fortsette og fullføre installasjonen.
#2. Bruk av Conda og pip på WSL 2
Forutsatt at du allerede har konfigurert WSL 2 på systemet ditt, kan du installere TensorFlow ved hjelp av følgende kommandoer i distribusjonens 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 lime inn alle kommandoene på en gang, så vil de bli behandlet sekvensielt.
Hvis du ikke har installert WSL 2 på Windows, kan du åpne ledeteksten som administrator og skrive inn:
wsl.exe --install
Dette laster ned Ubuntu og aktiverer WSL-funksjonen på systemet. Du må starte PC-en på nytt for at installasjonen skal fullføres.
Hvis du ikke finner Ubuntu på systemet ditt, kan du navigere til Microsoft Store og installere Ubuntu WSL.
#3. Bygg fra Kildekode
TensorFlow er åpen kildekode, så du har muligheten til å bygge den fra bunnen av med egendefinerte konfigurasjonsinnstillinger.
Dette anbefales for avanserte brukere som er komfortable med konfigurasjonsmulighetene. Se den offisielle dokumentasjonen for mer informasjon.
Installasjon av TensorFlow på Linux
På Linux kan du installere TensorFlow ved å bruke Miniconda og pip, eller du kan bygge fra kildekoden.
La oss se på hvordan du gjør dette:
#1. Bruk av Miniconda og pip (Anbefalt)
Merk: Følg de samme kommandoene som for Windows. Den eneste forskjellen er hvordan du installerer/laster ned Miniconda på Linux.
Slik installerer du Miniconda på Linux ved hjelp av 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
Start terminalen på Linux-distribusjonen din på nytt for å se noe slikt:
Du vil legge merke til at «(base)» vises foran terminalprompten. Dette indikerer at conda er aktiv og installert.
Ikke deaktiver den før du er ferdig med TensorFlow-installasjonen.
Du kan nå følge de samme stegene som for Windows, eller du kan lime inn disse kommandoene for å 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 oppleve problemer med GPU-driveren. I slike tilfeller bør du referere til NVIDIAs dokumentasjon for mer informasjon.
#2. Bygg fra Kildekoden
I likhet med Windows, er det vanskelig å bygge TensorFlow fra kildekoden på Linux. Denne metoden er for avanserte brukere.
Som nybegynner bør du unngå denne metoden, med mindre du har spesifikke behov. Den beste måten å lære mer om dette er å referere til den offisielle dokumentasjonen.
Installasjon av TensorFlow ved hjelp av Docker (Windows og Linux)
Docker lar deg installere TensorFlow-bilder uavhengig av operativsystemet.
Sørg for at du har Docker installert. Du kan følge en installasjonsguide for å få hjelp.
Når den er konfigurert, må du skrive inn følgende kommando fra Docker:
docker pull tensorflow/tensorflow
Du må ha kunnskap om Docker-containere for å starte en container med de nødvendige innstillingene for dine behov.
For spesifikk GPU-støtte eller for å laste ned en annen TensorFlow-versjon, se alternativene i den offisielle dokumentasjonen.
Slik ser kommandoen ut når du vil kjøre den med Docker:
docker run [-it] [--rm] [-p hostPort:containerPort] tensorflow/tensorflow[:tag] [command]
Konklusjon
Installasjonen av TensorFlow er en engangsprosess, og med denne veiledningen skal den være problemfri for de fleste brukere.
Hvis du har tidligere installasjoner med eldre Python-versjoner eller en eldre Conda-pakkehåndtering, må du sørge for at du bruker de nyeste oppdateringene for å installere TensorFlow uten problemer.
Du kan også utforske de beste AI-plattformene for å bygge AI- og ML-applikasjoner.