TensorFlow یک کتابخانه نرم افزار یادگیری ماشین منبع باز است که برای آموزش شبکه های عصبی استفاده می شود. در قالب نمودارهای جریان داده وضعیتی، هر گره در نمودار بیانگر عملیات انجام شده توسط شبکه های عصبی در آرایه های چند بعدی است. این آرایه های چند بعدی معمولاً به عنوان “تانسور” شناخته می شوند ، از این رو نام TensorFlow استفاده میشود.
در این آموزش ، TensorFlow را در یک محیط مجازی پایتون با virtualenv نصب خواهید کرد. این رویکرد نصب TensorFlow را جدا می کند و سرعت کار را بالا میبرد. پس از اتمام نصب ، نصب خود را با وارد کردن Tensorflow تأیید کنید تا مطمئن شوید خطایی ندارید.
پیش نیازها
قبل از شروع این آموزش ، به موارد زیر نیاز خواهید داشت:
یک سرور Ubuntu 20.04 با حداقل 4 گیگابایت رم که با دنبال کردن راهنمای ستاپ اولیه سرور اوبونتو 20.04 تنظیم شده باشد، شامل کاربر غیر ریشه sudo و فایروال تنظیم شده باشد.
Python 3.8 یا بالاتر و virtualenv نصب شده باشد. برای پیکربندی Python و virtualenv نحوه نصب Python 3 را در اوبونتو 20.04 دنبال کنید.
مرحله 1 – ایجاد یک محیط برنامه نویسی
در این مرحله ، ما یک محیط مجازی ایجاد خواهیم کرد تا TensorFlow را در آن نصب کنیم بدون اینکه سایر پروژه های برنامه نویسی خود را به خطر بیاندازیم. اگر از قبل یک محیط برنامه نویسی تمیز تنظیم کرده اید ، از این مرحله رد شوید.
ابتدا یک دایرکتوری پروژه ایجاد کنید. برای اهداف نمایشی آن را tf-demo می نامیم ، اما نامی را برای دیرکتوری انتخاب کنید که برای شما معنی دار باشد:
$ mkdir ~/tf-demo

به دیرکتوری تازه ایجاد شده tf-demo بروید:
$ cd ~/tf-demo

سپس ، یک محیط مجازی جدید به عنوان مثال با نام tensorflow-dev ایجاد کنید. دستور زیر را برای ایجاد محیط اجرا کنید:
$ python3 -m venv tensorflow-dev

این یک دایرکتوری جدید tensorflow-dev ایجاد می کند که در صورت فعال شدن این محیط ، تمام بسته هایی را که نصب می کنید در آن قرار خواهد داد. همچنین شامل pip و نسخه مستقل پایتون است.
اکنون محیط مجازی خود را فعال کنید:
$ source tensorflow-dev/bin/activate

پس از فعال سازی ، اعلان ترمینال به شما نشان می دهد که در محیط مجازی قرار دارید:
(tensorflow-dev)username@hostname:~/tf-demo $
در این مرحله می توانید TensorFlow را در محیط مجازی خود نصب کنید.
مرحله 2 – نصب TensorFlow
در هنگام نصب TensorFlow ، می خواهیم مطمئن شویم که جدیدترین نسخه موجود در PyPi را نصب و به روز می کنیم.
بنابراین ، از دستور زیر با pip استفاده خواهیم کرد:
(tensorflow-dev) $ pip install –upgrade tensorflow

هنگامی که ENTER را فشار دهید ، TensorFlow نصب خواهد شد و شما باید خروجی دریافت کنید که نشان می دهد نصب به همراه هر بسته وابسته موفقیت آمیز بوده است.
Output

Successfully 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

Successfully 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

می توانید با استفاده از دستور زیر ، محیط مجازی خود را در هر زمان غیرفعال کنید:
$ deactivate

برای فعال سازی مجدد محیط بعداً به دایرکتوری پروژه خود بروید و source tensorflow-dev / bin / activate را اجرا کنید.
اکنون که TensorFlow را نصب کردید ، مطمئن شوید که نصب TensorFlow کار می کند.
مرحله 3 – اعتبارسنجی نصب
برای اعتبارسنجی نصب TensorFlow ، قصد داریم اطمینان حاصل کنیم که می توانیم بسته TensorFlow را وارد کنیم.
(tensorflow-dev) $python

اعلان زیر در ترمینال شما ظاهر می شود:
>>>
این اعلان برای مفسر پایتون است ، و نشان می دهد که آماده هستید تا وارد برخی اظهارات پایتون شوید.
ابتدا این خط را تایپ کنید تا بسته TensorFlow را وارد کنید و آن را به عنوان متغیر محلی tf در دسترس قرار دهید. ENTER را پس از تایپ کردن در خط کد فشار دهید:
<<< import tensorflow as tf

اگر هیچ خطایی دریافت نکردید ، TensorFlow را با موفقیت نصب کرده اید. اگر خطایی دریافت کردید ، باید اطمینان حاصل کنید که سرور شما به اندازه کافی قدرتمند است تا بتواند TensorFlow را اداره کند. ممکن است نیاز به تغییر اندازه سرور خود داشته باشید ، مطمئن شوید که حداقل 4 گیگ حافظه دارد.
نتیجه
در این آموزش ، TensorFlow را در یک محیط مجازی Python نصب کرده اید و تأیید کرده اید که TensorFlow با وارد کردن آن کار می کند.
راهنمای برنامه نویسان TensorFlow یک منبع و مرجع مفید برای توسعه TensorFlow فراهم می کند. همچنین می توانید در Kaggle جستجو کنید که یک محیط رقابتی را برای استفاده عملی از مفاهیم یادگیری ماشین فراهم میکند و شما را همراه علاقه مندان به یادگیری ماشین ، علوم داده و آمار هدایت می کند.

برچسب‌ها: