Пошаговое руководство по установке Tensorflow 2

Дата публикации Jun 14, 2019

TensorFlow 2 собирается изменить ландшафт Deep Learning. Это сделало,

• построение модели проще,
• развертывание производства на любой платформе более надежно, и
• позволяет мощные эксперименты для исследований.

Благодаря этому Deep Learning станет более популярным в различных областях исследований и промышленности.

TensorFlow 2 имеет встроенный API Keras. Keras — чрезвычайно популярный высокоуровневый API для построения и обучения моделей глубокого обучения. Прежде чем идти вперед, важно знать,

• TensorFlow 1.x также поддерживает Keras, но в 2.0 Keras тесно интегрирована с остальной частью платформы TensorFlow. 2.0 обеспечиваетне замужемAPI высокого уровня, чтобы уменьшить путаницу и обеспечить расширенные возможности.
• Keras, обычно используемый в настоящее время, является независимым проектом с открытым исходным кодом, найденным наwww.keras.io(Июнь 2019 г.) Однако Keras — это API-спецификация, которая теперь также доступна в TensorFlow (см. [1] для деталей).

Я рекомендую прочитать [1] а также [2] узнать больше информации о преимуществах TensorFlow 2.0. Таким образом, TF 2.0 обеспечил простоту реализации наряду с огромной вычислительной эффективностью и совместимостью с любой платформой, такой как Android, iOS и встроенными системами, такими как Raspberry Pi и Edge TPU.

Достижение этого было трудным прежде и требовало затрат времени на поиск альтернативных путей. Так как TensorFlow 2 привел их всех, необходимо перейти на него раньше, чем позже.

Для этого здесь мы изучим установку и настройку TensorFlow 2.0.

Предпосылки

Вариант 1: Python 3.4+ через Анаконду

Anaconda с Jupyter предоставляет более простой подход для установки Python и работы над ним.

Установка Anaconda относительно проста. Перейдите по этой ссылке с последней версией Python 3.4+:https://jupyter.org/install

Похожий на pip с Анакондой мы имеем conda для создания виртуальных сред и установки пакетов.

Вариант 2: Python (без Анаконды)

а. Установите Python 3.4+

Проверьте ваши текущие версии.

У меня разные Python на моем Mac (Python 3.6 на Anaconda) и Ubuntu (Python 3.7). Вывод, который я вижу на них,

Либо Python внутри Анаконды, либо иначе будет работать.

Если ваша версияне3.4+, установите его следующим образом.

б. Установить virtualenv

virtualenv требуется для создания виртуальной среды. Его требования объяснены в следующем разделе.

Mac OS

Ubuntu

Заметка: pip (вместо того pip3 ) также иногда используется. Если не уверены между двумя, используйте pip3 , Вы не ошибетесь с pip3 , Если вы хотите знать, можете ли вы использовать pip , запустите следующее

В моей системе версии одинаковы для обоих pip а также pip3 , Поэтому я могу использовать любой из них.

Далее мы рассмотрим шаги установки с обоими.

Шаг 1. Создайте виртуальную среду на Python.

Почему мы хотим виртуальную среду?

Виртуальная среда — это изолированная среда для проектов Python. Внутри виртуальной среды у нас может быть совершенно независимый набор пакетов (зависимостей) и настроек, которые не будут конфликтовать ни с чем в другой виртуальной среде или с локальной средой Python по умолчанию.

Это означает, что мы можем хранить разные версии одного и того же пакета, например, мы можем использовать scikit-learn 0.1 для одного проекта и scikit-learn 0.22 для другого проекта в той же системе, но в разных виртуальных средах.

Создание виртуальной среды

Ubuntu / Mac (Python без Анаконды)

Приведенная выше команда создаст виртуальную среду tf_2 , Понимание команды,

• virtualenv создаст виртуальную среду.
• —system-site-packages позволяет проекты в виртуальной среде tf_2 доступ к глобальным сайт-пакетам. Настройка по умолчанию не разрешает этот доступ ( —no-site-packages раньше использовался для этой настройки по умолчанию, но теперь устарел.)
• -p python3 используется для установки интерпретатора Python для tf_2 , Этот аргумент можно пропустить, если virtualenv был установлен с Python3. По умолчанию это интерпретатор python для виртуальной среды. Другой вариант для установки Python3.x в качестве интерпретатора $ virtualenv —system-site-packages —python=python3.7 tf_2 , Это дает больше контроля.
• tf_2 это имя виртуальной среды, которую мы создали. Это создает физический каталог в месте расположения виртуальных сред. это /tf_2 Каталог содержит копию компилятора Python и все пакеты, которые мы установим позже.

Конда на Ubuntu / Mac (Python от Анаконды)

Если вы используете Conda, вы можете создать виртуальную среду как,

Приведенная выше команда также создаст виртуальную среду tf_2 , В отличие от ранее, нам не требуется устанавливать другой пакет для создания виртуальной среды. Встроенный conda Команда обеспечивает это.

• conda может использоваться для создания виртуальных сред, установки пакетов, вывода списка установленных пакетов в среде и т. д. Короче, conda выполняет операции, которые pip а также virtualenv делает Тем не мение, conda не заменяет pip так как некоторые пакеты доступны на pip но не на conda ,
• create используется для создания виртуальной среды.
• -n это аргумент, специфичный для create , -n используется для названия виртуальной среды. Значение n то есть имя среды, здесь tf_2 ,
• Дополнительные полезные аргументы: аналогично —system-site-packages в virtualenv , —use-local может быть использован.

Шаг 2. Активируйте виртуальную среду.

Активируйте виртуальную среду.

Ubuntu / Mac (Python без Анаконды)

Конда на Ubuntu / Mac (Python от Анаконды)

После активации терминал изменится на этот (tf_2) $ ,

Шаг 3. Установите TensorFlow 2.0.

Следующие инструкции одинаковы для обеих опций Python.

Перед началом установки TensorFlow мы обновим pip ,

Теперь установите TensorFlow.

tensorflow Приведенный выше аргумент устанавливает версию 2.0.0-бета1 только для процессора.

На момент написания этой статьи у нас был тензор потока 2.0.0-бета1. Это рекомендуется. Мы можем изменить аргумент на один из следующих, основываясь на нашем требовании.

• tensorflow==2.0.0-beta1 -Preview TF 2.0 Beta build только для процессора (рекомендуемые).
• tensorflow-gpu==2.0.0-beta1 -Preview TF 2.0 Бета-версия сПоддержка GPU,
• tensorflow -Последний стабильный выпуск только для процессора,
• tensorflow-gpu — Последний стабильный выпуск сПоддержка GPU,
• tf-nightly — Предварительный просмотр ночной сборки только для процессора.
• tf-nightly-gpu -Предыдущий ночной билд сПоддержка GPU,

Примечание: мы будем использовать pip install и для Конды. TensorFlow не доступен с conda ,

Шаг 4. Проверьте установку.

Чтобы быстро проверить установку через терминал, используйте

Вывод будет (игнорируя системные сообщения),

Обратите внимание на вывод версии TensorFlow. Если это не та версия, которую вы установили (в данном случае 2.0.0-бета1), значит, что-то пошло не так. Скорее всего, ранее был установлен TensorFlow и / или текущая установка не удалась.

Пример TensorFlow 2.0

Мы будем тестировать и изучать TensorFlow 2.0 с MNIST (fashion_mnist)Пример классификации изображений.

Убедитесь, что tf.__version__ выходы 2.х. Если версия старше, проверьте установку или виртуальную среду.

Скачатьfashion_mnistданные из tf открыть наборы данных и предварительно обработать его.

Чтобы ознакомиться с данными, мы приведем несколько примеров из них.

Теперь мы будем строить модельпослойный,

Обратите внимание, что эта модель предназначена только для демонстрации и, следовательно, обучена всего за пять эпох.

Теперь мы проверим точность модели на тестовых данных.

Мы представим одно из предсказаний. Мы будем использовать некоторые UDF из [3].

Мы найдем прогноз, то есть вероятность каждого изображения, принадлежащего каждому из 10 классов, для тестовых изображений.

Как мы можем видеть на графике выше, вероятность предсказания «ботинка лодыжки» самая высокая. Для дальнейшего подтверждения мы выводим прогнозируемую метку как,

Шаг 5. Деактивировать виртуальную среду

Перед закрытием мы отключим виртуальную среду.

Для virtualenv использование,

Для conda использование,

Репозиторий GitHub с примером MNIST на TensorFlow 2.0Вот,

Install TensorFlow with pip

TensorFlow 2 packages are available

• tensorflow —Latest stable release with CPU and GPU support(Ubuntu and Windows)
• tf-nightly —Preview build (unstable) . Ubuntu and Windows include GPU support .

Older versions of TensorFlow

For TensorFlow 1.x, CPU and GPU packages are separate:

• tensorflow==1.15 —Release for CPU-only
• tensorflow-gpu==1.15 —Release with GPU support(Ubuntu and Windows)

System requirements

• Python 3.6–3.8
  • Python 3.8 support requires TensorFlow 2.2 or later.
• pip 19.0 or later (requires manylinux2010 support)
• Ubuntu 16.04 or later (64-bit)
• macOS 10.12.6 (Sierra) or later (64-bit) (no GPU support)
  • macOS requires pip 20.3 or later
• Windows 7 or later (64-bit)
  • Microsoft Visual C++ Redistributable for Visual Studio 2015, 2017 and 2019
• Raspbian 9.0 or later
• GPU support requires a CUDA®-enabled card (Ubuntu and Windows)

Note: Installing TensorFlow 2 requires a newer version of pip .

Hardware requirements

• Starting with TensorFlow 1.6, binaries use AVX instructions which may not run on older CPUs.
• Read the GPU support guide to set up a CUDA®-enabled GPU card on Ubuntu or Windows.

1. Install the Python development environment on your system

Check if your Python environment is already configured:

If these packages are already installed, skip to the next step.
Otherwise, install Python , the pip package manager , and venv :

Ubuntu

macOS

Install using the Homebrew package manager:

Windows

Install the Microsoft Visual C++ Redistributable for Visual Studio 2015, 2017, and 2019 . Starting with the TensorFlow 2.1.0 version, the msvcp140_1.dll file is required from this package (which may not be provided from older redistributable packages). The redistributable comes with Visual Studio 2019 but can be installed separately:

1. Go to the Microsoft Visual C++ downloads ,
2. Scroll down the page to the Visual Studio 2015, 2017 and 2019 section.
3. Download and install the Microsoft Visual C++ Redistributable for Visual Studio 2015, 2017 and 2019 for your platform.

Install the 64-bit Python 3 release for Windows (select pip as an optional feature).

Raspberry Pi

Requirements for the Raspbian operating system:

Other

2. Create a virtual environment (recommended)

Python virtual environments are used to isolate package installation from the system.

Ubuntu / macOS

Create a new virtual environment by choosing a Python interpreter and making a ./venv directory to hold it:

Activate the virtual environment using a shell-specific command:

When the virtual environment is active, your shell prompt is prefixed with (venv) .

Install packages within a virtual environment without affecting the host system setup. Start by upgrading pip :

And to exit the virtual environment later:

Windows

Create a new virtual environment by choosing a Python interpreter and making a .\venv directory to hold it:

Activate the virtual environment:

Install packages within a virtual environment without affecting the host system setup. Start by upgrading pip :

And to exit the virtual environment later:

Conda

While the TensorFlow provided pip package is recommended, a community-supported Anaconda package is available. To install, read the Anaconda TensorFlow guide .

3. Install the TensorFlow pip package

Choose one of the following TensorFlow packages to install from PyPI :

• tensorflow —Latest stable release with CPU and GPU support(Ubuntu and Windows) .
• tf-nightly —Preview build (unstable) . Ubuntu and Windows include GPU support .
• tensorflow==1.15 —The final version of TensorFlow 1.x.

Package dependencies are automatically installed. These are listed in the setup.py file under REQUIRED_PACKAGES .

Virtual environment install

Verify the install:

System install

Verify the install:

Package location

A few installation mechanisms require the URL of the TensorFlow Python package. The value you specify depends on your Python version.

Version	URL
Linux
Python 3.6 GPU support	https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-2.4.0-cp36-cp36m-manylinux2010_x86_64.whl
Python 3.6 CPU-only	https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow_cpu-2.4.0-cp36-cp36m-manylinux2010_x86_64.whl
Python 3.7 GPU support	https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-2.4.0-cp37-cp37m-manylinux2010_x86_64.whl
Python 3.7 CPU-only	https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow_cpu-2.4.0-cp37-cp37m-manylinux2010_x86_64.whl
Python 3.8 GPU support	https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-2.4.0-cp38-cp38-manylinux2010_x86_64.whl
Python 3.8 CPU-only	https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow_cpu-2.4.0-cp38-cp38-manylinux2010_x86_64.whl
macOS (CPU-only)
Python 3.6	https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-2.4.0-cp36-cp36m-macosx_10_9_x86_64.whl
Python 3.7	https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-2.4.0-cp37-cp37m-macosx_10_9_x86_64.whl
Python 3.8	https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-2.4.0-cp38-cp38-macosx_10_14_x86_64.whl
Windows
Python 3.6 GPU support	https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-2.4.0-cp36-cp36m-win_amd64.whl
Python 3.6 CPU-only	https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_cpu-2.4.0-cp36-cp36m-win_amd64.whl
Python 3.7 GPU support	https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-2.4.0-cp37-cp37m-win_amd64.whl
Python 3.7 CPU-only	https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_cpu-2.4.0-cp37-cp37m-win_amd64.whl
Python 3.8 GPU support	https://storage.googleapis.com/tensorflow/windows/gpu/tensorflow_gpu-2.4.0-cp38-cp38-win_amd64.whl
Python 3.8 CPU-only	https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow_cpu-2.4.0-cp38-cp38-win_amd64.whl
Raspberry PI (CPU-only)
Python 3, Pi0 or Pi1	https://storage.googleapis.com/tensorflow/raspberrypi/tensorflow-2.3.0rc2-cp35-none-linux_armv6l.whl
Python 3, Pi2 or Pi3	https://storage.googleapis.com/tensorflow/raspberrypi/tensorflow-2.3.0rc2-cp35-none-linux_armv6l.whl

Except as otherwise noted, the content of this page is licensed under the Creative Commons Attribution 4.0 License, and code samples are licensed under the Apache 2.0 License. For details, see the Google Developers Site Policies. Java is a registered trademark of Oracle and/or its affiliates.