TensorFlow ist eine kostenlose Open-Source-Plattform zum Erstellen von Modellen für maschinelles Lernen, die von Google entwickelt wurden. Es wird von einer Reihe von Organisationen verwendet, darunter Twitter, PayPal, Intel, Lenovo und Airbus.
Dieses Tutorial führt Sie durch die Installation von TensorFlow unter CentOS 7.
TensorFlow kann systemweit, in einer virtuellen Python-Umgebung, als Dockercontainer oder mit Anaconda installiert werden.
Installieren von TensorFlow auf CentOS #
TensorFlow unterstützt sowohl Python 2 als auch 3.
Wir werden Python 3 verwenden und TensorFlow in einer virtuellen Umgebung installieren. Auf diese Weise können Sie mehrere verschiedene isolierte Python-Umgebungen auf einem einzigen Computer haben und eine bestimmte Version eines Moduls auf Projektbasis installieren, ohne befürchten zu müssen, dass dies Auswirkungen auf Ihre anderen Projekte hat.
1. Python 3 installieren #
Wir werden Python 3.6 aus den Software Collections (SCL) Repositories installieren.
CentOS 7 wird mit Python 2.7.5 ausgeliefert, das ein wichtiger Bestandteil des CentOS-Basissystems ist. Mit SCL können Sie neuere Versionen von Python 3.x neben dem Standard-Python v2.7.5 installieren, sodass Systemtools wie yum weiterhin ordnungsgemäß funktionieren.
Um das Repository zu aktivieren, installieren Sie die SCL-Versionsdatei:
sudo yum install centos-release-scl
Wenn Sie fertig sind, installieren Sie Python 3.6, indem Sie den folgenden Befehl ausführen:
sudo yum install rh-python36
Wir sind jetzt bereit, eine virtuelle Umgebung für unser TensorFlow-Projekt zu erstellen.
2. Erstellen einer virtuellen Umgebung #
Ab Python 3.6 ist die empfohlene Methode zum Erstellen einer virtuellen Umgebung die Verwendung von venv
Modul.
Um auf Python 3.6 zuzugreifen, müssen Sie mit dem scl-Tool eine neue Shell-Instanz starten:
scl enable rh-python36 bash
Navigieren Sie zu dem Verzeichnis, in dem Sie Ihr TensorFlow-Projekt speichern möchten. Es kann Ihr Home-Verzeichnis oder jedes andere Verzeichnis sein, in dem der Benutzer Lese- und Schreibrechte hat.
Erstellen Sie ein neues Verzeichnis für das TensorFlow-Projekt und wechseln Sie hinein:
mkdir tensorflow_project
cd tensorflow_project
Führen Sie im Verzeichnis den folgenden Befehl aus, um die virtuelle Umgebung zu erstellen:
python3 -m venv venv
Der obige Befehl erstellt ein Verzeichnis namens venv
, die eine Kopie der Python-Binärdatei, den Pip-Paketmanager, die standardmäßige Python-Bibliothek und andere unterstützende Dateien enthält. Sie können einen beliebigen Namen für die virtuelle Umgebung verwenden.
Um diese virtuelle Umgebung zu verwenden, müssen Sie sie aktivieren, indem Sie activate
ausführen Skript:
source venv/bin/activate
Nach der Aktivierung wird das bin-Verzeichnis der virtuellen Umgebung am Anfang von $PATH
hinzugefügt Variable. Auch die Eingabeaufforderung Ihrer Shell ändert sich und zeigt den Namen der virtuellen Umgebung an, die Sie gerade verwenden. In diesem Fall ist das venv
.
Die TensorFlow-Installation erfordert pip
Version 19 oder höher. Führen Sie den folgenden Befehl aus, um pip
zu aktualisieren auf die neueste Version:
pip install --upgrade pip
3. Installieren von TensorFlow #
Nachdem die virtuelle Umgebung nun aktiviert ist, ist es an der Zeit, die TensorFlow-Bibliothek zu installieren. Geben Sie dazu Folgendes ein:
pip install --upgrade tensorflow
Wenn Sie eine dedizierte NVIDIA-GPU haben und deren Rechenleistung nutzen möchten, statt tensorflow
Installieren Sie die tensorflow-gpu
Paket, das GPU-Unterstützung enthält.
Innerhalb der virtuellen Umgebung können Sie den Befehl pip
verwenden statt pip3
und python
statt python3
.
Um die Installation zu überprüfen, verwenden Sie den folgenden Befehl, der die TensorFlow-Version druckt:
python -c 'import tensorflow as tf; print(tf.__version__)'
Zum Zeitpunkt der Erstellung dieses Artikels ist die neueste stabile Version von TensorFlow 2.0.0
2.0.0
Ihre TensorFlow-Version kann sich von der hier gezeigten Version unterscheiden.
Wenn Sie neu bei TensorFlow sind, besuchen Sie die Seite Erste Schritte mit TensorFlow und erfahren Sie, wie Sie Ihre erste ML-Anwendung erstellen. Sie können auch die Repositorys TensorFlow Models oder TensorFlow-Examples von Github klonen und die TensorFlow-Beispiele untersuchen und testen.
Wenn Sie mit Ihrer Arbeit fertig sind, deaktivieren Sie die Umgebung, indem Sie deactivate
eingeben und Sie kehren zu Ihrer normalen Shell zurück.
deactivate