Come installare TensorFlow su CentOS

Installa TensorFlow usando Python (pip) o un contenitore Docker

TensorFlow è una piattaforma di apprendimento automatico di Google. È open source e ha un numero enorme di strumenti, librerie e altre risorse sviluppate sia dalla sua comunità di sviluppatori, sia da Google e da altre società.

TensorFlow è disponibile per tutti i sistemi operativi più diffusi, vale a dire. Windows, Mac OS, GNU/Linux. Può essere scaricato e installato da Python Package Index usando il pip strumento e può essere eseguito in un ambiente Python virtuale. Un altro modo per usarlo è installarlo come contenitore Docker.

Installa TensorFlow usando pip

pip è l'utility ufficiale di gestione dei pacchetti per i pacchetti Python. Python e pip non sono installati su CentOS per impostazione predefinita.

Installare i pacchetti, eseguire:

sudo dnf install python3

Ogni volta che l'installazione richiede la conferma del download, ecc., immettere e poi premere accedere tasto per continuare la configurazione. Il pacchetto pitone3 installerà Python 3 e Pip 3.

Si consiglia di eseguire TensorFlow all'interno di un ambiente virtuale Python. Un ambiente virtuale consente all'utente di eseguire più ambienti Python, con diverse versioni dei pacchetti richiesti, isolati l'uno dall'altro, sullo stesso computer. Questo per assicurarsi che lo sviluppo fatto all'interno di un ambiente virtuale con una versione specifica di un pacchetto non influisca sullo sviluppo in un altro ambiente.

Per eseguire l'ambiente virtuale Python, dobbiamo usare il modulo venv. Prima di tutto, crea e vai alla directory del tuo progetto TensorFlow.

mkdir dev/tf cd dev/tf

Per creare un ambiente virtuale in questa directory, eseguire:

python3 -m venv tf_venv

Questo creerà una nuova directory tf_venv che è l'ambiente virtuale Python. Contiene i file minimi richiesti, vale a dire. File eseguibile Python, file eseguibile Pip e alcune altre librerie richieste.

Per avviare l'ambiente virtuale, correre:

sorgente bin/ac

Questo cambierà il nome del prompt in tf_venv, ovvero il nome della cartella dell'ambiente virtuale.

Ora installeremo TensorFlow in questo ambiente virtuale. Per TensorFlow, il minimo richiesto pip la versione è 19 Per aggiornare pip all'ultima versione, correre:

pip install --upgrade pip

Come visto sopra, è stata installata la versione 20.0.2 di pip.

Installa il pacchetto TensorFlow in modo simile.

pip install --upgrade tensorflow

Il pacchetto è di dimensioni piuttosto grandi (~420 MB) e potrebbe richiedere del tempo per essere scaricato e installato insieme alle sue dipendenze.

Una volta installato, possiamo verificare l'installazione di TensorFlow con un piccolo pezzo di codice per verificare la versione di TensorFlow.

python -c 'importa tensorflow come tf; print(tf.__versione__)'

Per uscire dall'ambiente virtuale, eseguire:

disattivare

Installa TensorFlow utilizzando Docker Container

Docker è ora un modo consolidato per installare ed eseguire programmi in un ambiente virtualizzato chiamato Container. È in un certo senso simile a un ambiente virtuale Python che abbiamo visto nel metodo precedente. Tuttavia, Docker ha un ambito molto più ampio e i contenitori Docker sono completamente isolati e hanno le proprie configurazioni, bundle software e librerie. I contenitori possono comunicare tra loro attraverso i canali.

Possiamo installare ed eseguire TensorFlow tramite un container Docker ed eseguirlo in un ambiente virtualizzato. Gli sviluppatori di TensorFlow mantengono un'immagine Docker Container che viene testata con ogni versione.

Prima di tutto, dobbiamo installare Docker sul nostro sistema CentOS. Per questo, fare riferimento alla guida all'installazione ufficiale di Docker per CentOS.

Quindi, per scaricare l'immagine del contenitore più recente per TensorFlow, esegui:

docker pull tensorflow/tensorflow

Nota: Se il tuo sistema ha un'unità di elaborazione grafica (GPU) dedicata, puoi invece scaricare l'ultima immagine del contenitore con supporto GPU usando il comando qui sotto.

docker pull tensorflow/tensorflow:latest-gpu-jupyter

Il sistema deve disporre di driver appropriati per la GPU installata in modo che le funzionalità della GPU possano essere utilizzate da TensorFlow. Per ulteriori informazioni sul supporto GPU per TensorFlow, controlla la documentazione sul repository Github.

Per eseguire TensorFlow nel contenitore Docker, eseguire:

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

Proviamo prima a scomporre il significato di ciascuna parte del comando.

correre è il comando docker per avviare un contenitore. le bandiere -esso vengono forniti quando si vuole avviare una shell interattiva (Es. Bash, Python). --rm flag, chiamato Clean Up, viene specificato in modo che il file system e i log creati internamente da Docker per l'esecuzione del contenitore vengano distrutti quando il contenitore viene chiuso. Questo flag non deve essere utilizzato se i registri sono necessari in futuro per scopi di debug. Ma per piccole esecuzioni in primo piano come le nostre, può essere utilizzato.

Nella parte successiva, specifichiamo il nome della nostra immagine del contenitore Docker, ovvero, flusso tensoriale/flusso tensoriale. Segue il programma/comando/utilità che vogliamo eseguire nel contenitore. Per i nostri test, invochiamo l'interprete Python nel contenitore e gli passiamo il codice che stampa la versione di TensorFlow.

Possiamo vedere che Docker sta stampando un registro durante l'avvio del contenitore. Dopo l'avvio del contenitore, viene eseguito il nostro codice Python e viene stampata la versione TensorFlow (2.1.0).

Possiamo anche avviare l'interprete Python come shell, in modo da poter continuare a eseguire più righe di codice TensorFlow.

Conclusione

In questo articolo, abbiamo visto due metodi per installare TensorFlow su CentOS. Entrambi i metodi sono pensati per l'esecuzione di TensorFlow in un ambiente virtualizzato, che è un approccio consigliato durante l'utilizzo di TensorFlow.

Se sei un principiante in TensorFlow, puoi iniziare con le nozioni di base dai tutorial ufficiali di TensorFlow.