Hur man installerar TensorFlow på CentOS

Installera TensorFlow med Python (pip) eller en Docker Container

TensorFlow är en maskininlärningsplattform från Google. Det är öppen källkod och har ett stort antal verktyg, bibliotek och andra resurser som utvecklats av både dess utvecklargemenskap såväl som Google och andra företag.

TensorFlow är tillgängligt för alla populärt använda operativsystem, dvs. Windows, Mac OS, GNU/Linux. Det kan laddas ner och installeras från antingen Python Package Index med hjälp av pip verktyg och kan köras i en virtuell pythonmiljö. Ett annat sätt att använda det är att installera det som en Docker-behållare.

Installera TensorFlow med pip

pip är det officiella pakethanteringsverktyget för Python-paket. Python och pip är inte installerade på CentOS som standard.

Att installera paketen, kör:

sudo dnf installera python3

När installationen ber om bekräftelse av nedladdning, etc., skriv in Y och tryck sedan på Stiga på för att fortsätta konfigurationen. Förpackningen python3 kommer att installera Python 3 såväl som Pip 3.

Det rekommenderas att köra TensorFlow i en virtuell Python-miljö. En virtuell miljö låter användaren köra flera Python-miljöer, med olika versioner av nödvändiga paket, isolerade från varandra, på samma dator. Detta för att säkerställa att utvecklingen som görs i en virtuell miljö med en specifik version av ett paket inte påverkar utvecklingen i en annan miljö.

För att köra den virtuella Python-miljön måste vi använda modulen venv. Först av allt, skapa och gå till din TensorFlow-projektkatalog.

mkdir dev/tf cd dev/tf

För att skapa en virtuell miljö i den här katalogen, kör:

python3 -m venv tf_venv

Detta skapar en ny katalog tf_venv som är den virtuella Python-miljön. Den innehåller de minimala nödvändiga filerna, dvs. Python körbar fil, Pip körbar fil och några andra nödvändiga bibliotek.

För att starta den virtuella miljön, springa:

källa bin/ac

Detta kommer att ändra namnet på prompten till tf_venv, dvs. namnet på mappen för den virtuella miljön.

Nu ska vi installera TensorFlow i denna virtuella miljö. För TensorFlow, det minsta som krävs pip versionen är 19. För att uppgradera pip till senaste versionen, springa:

pip installera --uppgradera pip

Som framgår ovan installerades version 20.0.2 av pip.

Installera paketet TensorFlow på liknande sätt.

pip installation --uppgradera tensorflöde

Paketet är ganska stort i storlek (~420 MB) och kan ta lite tid att ladda ner och installera tillsammans med dess beroenden.

När installationen väl är installerad kan vi verifiera TensorFlow-installationen med en liten kodbit för att kontrollera versionen av TensorFlow.

python -c 'importera tensorflöde som tf; print(tf.__version__)'

För att avsluta den virtuella miljön, kör:

avaktivera

Installera TensorFlow med Docker Container

Docker är nu ett väletablerat sätt att installera och köra program i en virtualiserad miljö som kallas Container. Det liknar på ett sätt en virtuell Python-miljö som vi såg i den tidigare metoden. Docker är dock mycket bredare i omfattning, och Docker-behållare är helt isolerade och har sina egna konfigurationer, programvarupaket och bibliotek. Behållare kan kommunicera med varandra genom kanaler.

Vi kan installera och köra TensorFlow genom en Docker-behållare och köra den i en virtualiserad miljö. Utvecklare av TensorFlow upprätthåller en Docker Container-bild som testas med varje release.

Först och främst måste vi installera Docker på vårt CentOS-system. För detta, se den officiella Docker-installationsguiden för CentOS.

Nästa, för att ladda ner den senaste behållarbilden för TensorFlow, kör:

docker pull tensorflow/tensorflow

Notera: Om ditt system har en dedikerad Graphics Processing Unit (GPU) kan du istället ladda ner den senaste containerbilden med GPU-stöd med kommandot nedan.

docker pull tensorflow/tensorflow: senaste-gpu-jupyter

Ditt system måste ha lämpliga drivrutiner för GPU installerade så att GPU-funktionerna kan användas av TensorFlow. För mer information om GPU-stöd för TensorFlow, kolla dokumentationen på Github-förvaret.

För att köra TensorFlow i Docker-behållaren, kör:

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

Låt oss först försöka dela upp vad varje del av kommandot betyder.

springa är docker-kommandot för att starta en container. Flaggorna -Det tillhandahålls när vi vill starta ett interaktivt skal (t.ex. Bash, Python). --rm flaggan, kallad Clean Up, är specificerad så att filsystemet och loggar som skapats internt av Docker för containerkörningen förstörs när containern avslutas. Denna flagga ska inte användas om loggar krävs i framtiden för felsökningsändamål. Men för små förgrundslopp som våra kan den användas.

I nästa del anger vi namnet på vår Docker-containerbild, dvs. tensorflöde/tensorflöde. Efter det är programmet/kommandot/verktyget vi vill köra i behållaren. För vår testning anropar vi Python-tolken i behållaren och skickar den med koden som skriver ut versionen av TensorFlow.

Vi kan se att Docker skriver ut en logg när behållaren startas. Efter att behållaren startar körs vår Python-kod och TensorFlow-versionen skrivs ut (2.1.0).

Vi kan också starta Python-tolken som ett skal, så att vi kan fortsätta köra flera rader med TensorFlow-kod.

Slutsats

I den här artikeln såg vi två metoder för att installera TensorFlow på CentOS. Båda metoderna är avsedda för att köra TensorFlow i en virtualiserad miljö, vilket är ett rekommenderat tillvägagångssätt när du använder TensorFlow.

Om du är nybörjare i TensorFlow kan du börja med grunderna från de officiella TensorFlow-handledningarna.