如何在 Ubuntu 18.04 上安装和使用 TensorFlow

介绍

TensorFlow是开源的机器学习软件,用于训练神经网络。TensorFlow的神经网络以稳定的数据流图表的形式表达。图表中的每个节点代表了神经网络在多维数组中执行的操作。

TensorFlow是一个深度学习(LINK0)软件系统,它适用于信息检索,正如Google在其机器学习人工智能系统(RankBrain)中的搜索排名中所证明的那样。TensorFlow可以执行图像识别,如Google的Inception(LINK2)所示,以及人类语言音频识别。

TensorFlow 架构允许在桌面、服务器或移动设备中部署多个 CPU 或 GPU. 还提供与 Nvidia 的一种平行计算平台 CUDA的集成扩展。

在本教程中,我们将安装TensorFlow的仅支持CPU版本,此安装非常适合想要安装和使用TensorFlow的人,但没有Nvidia图形卡或不需要运行性能关键应用程序。

您可以通过多种方式安装 TensorFlow,每个方法都有不同的用例和开发环境:

  • Python 和 Virtualenv : 在这种方法中,你会安装 TensorFlow 和在 Python 虚拟环境中使用 TensorFlow 所需的所有套件。这将你的 TensorFlow 环境与同一台机器上的其他 Python 程序隔离。
  • Native pip :在这种方法中,你会在你的系统上安装 TensorFlow 全球范围内。这对于希望在多用户系统上让 TensorFlow 可供所有人使用的人来说是非常有用的。 这种安装方法不会在包含的环境中隔离 TensorFlow 并可能干扰其他 Python 安装或库。
  • Docker :Docker 是一个集装箱运行环境,并且完全将其内容从系统上现有的包隔离出来

在本教程中,您将安装TensorFlow在Python虚拟环境中使用virtualenv。这种方法将TensorFlow安装隔离,并使事情快速运行.一旦完成安装,您将通过运行一个短的TensorFlow程序验证您的安装,然后使用TensorFlow进行图像识别。

前提条件

在您开始本教程之前,您将需要以下内容:

第1步:安装TensorFlow

在此步骤中,我们将创建一个虚拟环境并安装TensorFlow。

首先,创建一个项目目录,我们将其称为tf-demo,用于演示目的,但选择一个对您有意义的目录名称:

1mkdir ~/tf-demo

导航到您新创建的tf-demo目录:

1cd ~/tf-demo

然后创建一个名为tensorflow-dev的新虚拟环境,例如运行以下命令来创建环境:

1python3 -m venv tensorflow-dev

这将创建一个新的tensorflow-dev目录,该目录将包含您在启用此环境时安装的所有包,还包括pip和Python的独立版本。

现在启用您的虚拟环境:

1source tensorflow-dev/bin/activate

一旦激活,您将在您的终端中看到类似的东西:

1(tensorflow-dev)username@hostname:~/tf-demo $

现在您可以在虚拟环境中安装TensorFlow。

运行以下命令来安装并升级到 PyPi中可用的最新版本的 TensorFlow:

1pip install --upgrade tensorflow

TensorFlow 将安装,你应该得到输出,表明安装和任何依赖的包都成功了。

1[secondary_label Output]
2...
3Successfully installed absl-py-0.7.1 astor-0.7.1 gast-0.2.2 grpcio-1.19.0 h5py-2.9.0 keras-applications-1.0.7 keras-preprocessing-1.0.9 markdown-3.0.1 mock-2.0.0 numpy-1.16.2 pbr-5.1.3 protobuf-3.7.0 setuptools-40.8.0 tensorboard-1.13.1 tensorflow-1.13.1 tensorflow-estimator-1.13.0 termcolor-1.1.0 werkzeug-0.15.0 wheel-0.33.1
4...
5
6Successfully installed bleach-1.5.0 enum34-1.1.6 html5lib-0.9999999 markdown-2.6.9 numpy-1.13.3 protobuf-3.5.0.post1 setuptools-38.2.3 six-1.11.0 tensorflow-1.4.0 tensorflow-tensorboard-0.4.0rc3 werkzeug-0.12.2 wheel-0.30.0

<$>[note] 您可以使用以下命令随时禁用虚拟环境:

1deactivate

若要稍后重新激活环境,请导航到您的项目目录并运行 source tensorflow-dev/bin/activate。

现在你已经安装了TensorFlow,让我们确保TensorFlow安装工作。

步骤2 - 验证安装

为了验证TensorFlow的安装,我们将作为非根用户在TensorFlow中运行一个简单的程序,我们将使用典型的初学者的例子你好,世界!作为验证的一种形式。

要编写程序,请启动您的Python解释器:

1python

您将在您的终端中看到以下提示:

1>>>

这是Python解释器的提示,它表明它已经为您准备好开始输入一些Python陈述。

首先,键入此行以导入 TensorFlow 包,并将其作为本地变量 tf 提供。

1import tensorflow as tf

接下来,添加此代码行以设置你好,世界!的消息:

1hello = tf.constant("Hello, world!")

然后创建一个新的 TensorFlow 会话,并将其分配到变量sess:

1sess = tf.Session()

<$>[注] 注 :根据您的环境,您可能会看到以下输出:

1[secondary_label Output]
22019-03-20 16:22:45.956946: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.
32019-03-20 16:22:45.957158: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
42019-03-20 16:22:45.957282: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
52019-03-20 16:22:45.957404: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
62019-03-20 16:22:45.957527: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.

這告訴你,你有一個 指令集,它有可能被用 TensorFlow 優化以達到更好的性能. 如果你看到這個,你可以安全地忽略它並繼續。

最后,输入此代码行以打印您在以前的代码行中构建的你好 TensorFlow 会话的结果:

在Python 3中,sess.run()将返回一个字节字符串,如果单独运行print(sess.run(hello)),它将返回为b’Hello, world!。

1print(sess.run(hello).decode())

您将在您的控制台中看到此输出:

1[secondary_label Output]
2Hello, world!

这表明一切都在工作,你可以开始使用TensorFlow。

通过按CTRL+D或键入quit()来退出 Python 交互式控制台。

接下来,让我们使用TensorFlow的图像识别API来更熟悉TensorFlow。

步骤 3 — 使用 TensorFlow 用于图像识别

现在TensorFlow已安装,您通过运行一个简单的程序验证了它,我们可以看看TensorFlow的图像识别功能。

为了分类一个图像,你需要训练一个模型,然后你需要写一些代码来使用该模型. 要了解更多关于机器学习的概念,请考虑阅读[机器学习的介绍](https://andsky.com/tech/tutorials/an-introduction-to-machine-learning)。

TensorFlow提供一个模型和示例库(https://github.com/tensorflow/models),包括代码和训练有素的图像分类模型。

使用 Git 将 TensorFlow 模型存储库从 GitHub 克隆到您的项目目录:

1git clone https://github.com/tensorflow/models.git

您将收到以下输出,因为Git将存储库检查到一个名为模型的新文件夹:

1[secondary_label Output]
2Cloning into 'models'...
3remote: Enumerating objects: 32, done.
4remote: Counting objects: 100% (32/32), done.
5remote: Compressing objects: 100% (26/26), done.
6remote: Total 24851 (delta 17), reused 12 (delta 6), pack-reused 24819
7Receiving objects: 100% (24851/24851), 507.78 MiB | 32.73 MiB/s, done.
8Resolving deltas: 100% (14629/14629), done.
9Checking out files: 100% (2858/2858), done.

转到模型 / 教程 / 图像 / 图像网目录:

1cd models/tutorials/image/imagenet

该目录包含使用 TensorFlow 识别图像的 classify_image.py 文件. 该程序在首次运行时从 `tensorflow.org 下载了一种训练有素的模型. 下载此模型需要您有 200 MB 的可用磁盘空间。

在本示例中,我们将分类 预先提供的 Panda 图像。

1python classify_image.py

您将收到类似于此的输出:

1[secondary_label Output]
2giant panda, panda, panda bear, coon bear, Ailuropoda melanoleuca (score = 0.89107)
3indri, indris, Indri indri, Indri brevicaudatus (score = 0.00779)
4lesser panda, red panda, panda, bear cat, cat bear, Ailurus fulgens (score = 0.00296)
5custard apple (score = 0.00147)
6earthstar (score = 0.00117)

您已使用 TensorFlow 的图像识别功能对您的第一个图像进行分类。

如果您想使用另一个图像,您可以通过将 -- image_file 参数添加到您的 python3 classify_image.py 命令中来做到这一点。

结论

在本教程中,您已在Python虚拟环境中安装了TensorFlow,并通过运行一些示例验证了TensorFlow的工作,您现在拥有工具,使您能够探索其他主题,包括 Convolutional Neural Networks和 Word Embeddings。

TensorFlow 的 程序员指南为 TensorFlow 开发提供了有用的资源和参考信息,您还可以探索 Kaggle,一个用于实际应用机器学习概念的竞争环境,这将使您与其他机器学习、数据科学和统计爱好者对抗。

Published At
Categories with 技术
Tagged with
comments powered by Disqus