TensorFlow ist eine von Google entwickelte Open-Source-Plattform für maschinelles Lernen und KI (künstliche Intelligenz). Es hilft bei einer Reihe von Aufgaben für Entwickler, die in diesem Bereich arbeiten.
Zunächst einmal müssen Sie sich mit maschinellem Lernen oder insbesondere Deep Learning auskennen, bevor Sie TensorFlow nutzen können.
Lassen Sie mich hier einige Dinge über TensorFlow, seine Funktionen und schnelle Methoden zur Installation unter Windows und Linux hervorheben.
Inhaltsverzeichnis
TensorFlow-Übersicht
Technisch gesehen ist TensorFlow eine Open-Source-Plattform, die bei Deep-Learning-Anwendungen und allen anderen Anwendungsfällen für maschinelles Lernen hilft.
Es vereinfacht das Erstellen und Bereitstellen von ML-gestützten Anwendungen. Wenn Sie ein Problem mithilfe von maschinellem Lernen lösen möchten, können Sie sich mit TensorFlow helfen lassen.
TensorFlow bietet Tools zum Entwickeln und Trainieren von Modellen mit Python oder JavaScript. Obwohl ich kein Entwickler bin, können Sie die Dokumentation durchsuchen, um zu erfahren, wie sie sich auf Ihren Arbeitsablauf bei der Bereitstellung einer Anwendung für maschinelles Lernen auswirkt.
Funktionen von TensorFlow
TensorFlow ist aus mehreren Gründen berühmt, und Sie können das selbst beurteilen, wenn Sie die besten Funktionsangebote kennen.
Wenn wir über die technischen Vorteile sprechen, müssen Sie sie mit dem vergleichen, was Sie tun. Daher konzentrieren wir uns auf gemeinsame Funktionen, die für die meisten von Vorteil sind.
1. Open-Source
Google hat sich 2015 entschieden, TensorFlow als Open Source zu veröffentlichen, um es der Community zu ermöglichen, es weiter zu verbessern und Transparenz darüber zu schaffen, wie es funktioniert.
Entwickler können die Bibliothek auf verschiedene Weise anpassen, um Probleme zu lösen, die Sie möglicherweise nicht erwartet haben.
Ohne ein Open-Source-Framework wäre es möglicherweise nicht so populär gewesen, wie es ist. Somit
2. Einfaches Debuggen
TensorFlow soll Ihnen beim einfachen Erstellen von Modellen helfen; Daher ist ein müheloses Debugging-Erlebnis Teil dieses Prozesses.
Die intuitive Benutzerführung ist ein Sahnehäubchen.
3. Unterstützt sowohl CPUs als auch GPUs
Mit TensorFlow erhalten Sie die Möglichkeit, die Datenberechnung auf einer CPU oder der GPU zu trainieren. Normalerweise macht eine GPU die Dinge für Deep-Learning-Anwendungen im Vergleich zur CPU schneller.
Wenn Sie also eine leistungsstarke GPU in Ihrem Arsenal haben, kann TensorFlow Ihnen helfen, das Beste daraus zu machen.
4. Nützliche APIs für maschinelles Lernen
APIs helfen Entwicklern, eine Vielzahl von Funktionen in ihre Anwendungen zu integrieren. Und TensorFlow bietet Zugriff auf eine gute Sammlung stabiler APIs.
Einige von ihnen können auch Leistungsvorteile bieten. Gemäß den offiziellen Behauptungen sollten Sie kein Problem mit denen haben, die in Python verfügbar sind. Wenn Sie mit anderen Sprachen arbeiten, müssen Sie sich bei den TensorFlow-Betreuern erkundigen, wie gut sie für Ihren Anwendungsfall sind.
5. Fertige Modelle für die Produktion
TensorFlow bietet eine Vielzahl vortrainierter Modelle. Ob Profi oder Neuling, Sie können diese verwenden, um Zeit zu sparen und ML-Modelle schneller zu erstellen.
Zusätzlich zu diesen Funktionen erhalten Sie Flexibilität, Benutzerfreundlichkeit, ein Visualisierungs-Toolkit und mehr, die Ihren Entwicklungsworkflow für maschinelles Lernen unterstützen können.
Nun, da Sie eine gute Vorstellung von TensorFlow haben, wo können Sie es herunterladen? Wie installiere ich es und richte es auf Ihren Windows- und Linux-Systemen ein?
Lassen Sie uns das weiter unten besprechen.
Herunterladen und Installieren von TensorFlow
Im Gegensatz zu anderen Programmen erhalten Sie hier keine .exe-Setup-Datei. In erster Linie müssen Sie das Paket mit dem empfohlenen Paketmanager herunterladen.
Insgesamt gibt es verschiedene Möglichkeiten der Installation. Wir können sie wie folgt auflisten:
- Mit Miniconda und Pip
- Mit Miniconda und Pip auf WSL 2
- Verwendung eines Docker-Containers
- Bauen aus Quellen
Wie installiere ich TensorFlow unter Windows?
Im Gegensatz zu anderen Programmen erhalten Sie hier keine .exe-Setup-Datei. Sie müssen das Paket mit dem empfohlenen Paketmanager herunterladen.
#1. Verwenden von Miniconda und Pip (empfohlene Methode)
Hinweis: Zum Zeitpunkt der Erstellung dieses Artikels ist TensorFlow 2.10 die letzte Version, die GPU unter Windows (nativ) unterstützt. Wenn Sie mit neueren Paketen arbeiten, empfiehlt TensorFlow Ihnen, TensorFlow in WSL 2 zu installieren, was als nächstes besprochen wird.
Wenn Sie TensorFlow mit GPU-Unterstützung verwenden möchten, empfiehlt TensorFlow die Verwendung von Miniconda (Installationsprogramm für den Conda-Paketmanager), um loszulegen.
Mit Miniconda können Sie eine separate Umgebung erstellen, um Konflikte mit anderer Software in Ihrem System zu vermeiden.
Um zu beginnen, müssen Sie den neuesten Miniconda Windows Installer herunterladen und den Anweisungen auf dem Bildschirm folgen, um die Installation abzuschließen.
Sobald Sie fertig sind, müssen Sie die Miniconda-Eingabeaufforderung wie im Screenshot gezeigt starten:
So sieht es aus:
Nachdem Sie das Anaconda-Eingabeaufforderungsfenster sehen, möchten Sie vielleicht den folgenden Befehl eingeben, um sicherzustellen, dass der Conda-Paketmanager aktualisiert wurde:
<strong>conda update -n base -c defaults conda</strong>
Nachdem dies aus dem Weg geräumt ist, sind hier die Schritte, die Sie befolgen müssen, um TensorFlow zu installieren:
Erstellen Sie zunächst eine neue Umgebung (mit dem Namen tf):
<strong>conda create --name tf python=3.9 </strong>
Tipp: Sie können es aktivieren/deaktivieren, indem Sie die Befehle verwenden: conda activate tf und conda deactivate
Sie müssen es aktivieren, um fortzufahren. Um dabei die GPU-Unterstützung zu aktivieren, müssen Sie sicherstellen, dass Ihr Grafiktreiber (NVIDIA-GPU) installiert ist, und dann einige Pakete mit dem folgenden Befehl installieren:
<strong>conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0</strong>
Es lädt etwa 1 Gig an Paketen herunter, die Tools enthalten, mit denen Sie Anwendungen für maschinelles Lernen mit GPU und einem tiefen neuronalen Netzwerk bereitstellen können.
Schließlich müssen Sie den Pip-Paketmanager verwenden, um das TensorFlow-Paket zu installieren. Sie können Conda verwenden, um Tensorflow zu installieren, es ist jedoch möglicherweise nicht die neueste stabile Version erforderlich.
Bevor Sie fortfahren, stellen Sie sicher, dass pip mit dem folgenden Befehl aktualisiert wurde:
pip install --upgrade pip
Wenn Sie fertig sind, installieren Sie TensorFlow mit:
<strong>pip install tensorflow</strong>
Sie werden feststellen, dass zahlreiche Pakete erstellt/installiert werden. Es könnte so aussehen, als ob es im Prozess feststeckt, aber geben Sie ihm eine Minute Zeit, und es sollte die Installation fortsetzen und abschließen.
#2. Verwenden von Conda und Pip auf WSL 2
Vorausgesetzt, Sie haben bereits WSL 2 auf Ihrem System eingerichtet, können Sie TensorFlow mit den folgenden Befehlen im Terminal der Distribution installieren:
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/
python3 -m pip install tensorflow
# Verify install:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
Sie können alles auf einmal einfügen und es wird nacheinander verarbeitet.
Falls Sie WSL 2 nicht unter Windows installiert haben. Gehen Sie zur Eingabeaufforderung mit Administratorzugriff und geben Sie dann Folgendes ein:
wsl.exe --install
Es sollte Ubuntu herunterladen und die WSL-Funktion für Ihr System aktivieren. Sie müssen Ihren PC neu starten, um den Vorgang abzuschließen.
Wenn Sie Ubuntu auf Ihrem System nicht finden können, können Sie zum Microsoft Store navigieren und Ubuntu WSL installieren.
#3. Aus Quelle erstellen
Da TensorFlow Open Source ist, können Sie es von Grund auf mit Ihren Konfigurationsoptionen erstellen.
Daher wird dies für fortgeschrittene Benutzer empfohlen, die alle Optionen kennen und die zu konfigurierenden Muttern und Schrauben kennen. Weitere Informationen finden Sie in der offiziellen Dokumentation.
Wie installiere ich TensorFlow unter Linux?
Wie Windows können Sie TensorFlow mit Miniconda und pip unter Linux installieren. Oder wählen Sie aus der Quelle zu bauen.
Lassen Sie mich Ihnen zeigen, wie es gemacht wird:
#1. Verwenden von Miniconda und Pip (empfohlene Methode)
Hinweis: Folgen Sie den gleichen Befehlen wie Windows. Der einzige Unterschied besteht darin, wie Sie Miniconda unter Linux installieren/herunterladen.
So installieren Sie Miniconda unter Linux über das Terminal:
curl https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -o Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh
Starten Sie das Terminal auf Ihrer Linux-Distribution neu, um so etwas zu finden:
Sie werden ein (Basis) vor den Eingabeaufforderungsvariablen des Terminals bemerken. Dies zeigt an, dass Conda derzeit aktiv und installiert ist.
Deaktivieren Sie es nicht, es sei denn, Sie sind mit der TensorFlow-Installation fertig.
Sie können zu den oben genannten Schritten für Windows navigieren und es installieren. Oder fügen Sie Folgendes ein, um TensorFlow zu installieren:
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/
python3 -m pip install tensorflow
# Verify install:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
Unter Linux können Probleme mit dem GPU-Treiber auftreten. Dazu sollten Sie sich die NVIDIA-Dokumentation ansehen, um mehr zu erfahren.
#2. Aus Quelle erstellen
Wie bei Windows ist das Erstellen aus dem Quellcode unter Linux schwierig und nur für fortgeschrittene Benutzer gedacht.
Sie (vorausgesetzt, Sie sind ein Anfänger) sollten sich nicht für diese Methode entscheiden, es sei denn, Sie haben etwas Bestimmtes im Sinn. Der beste Weg, mehr darüber zu erfahren, ist die Dokumentation.
Wie installiere ich TensorFlow mit Docker? (Windows und Linux)
Unabhängig von der Plattform können Sie mit Docker TensorFlow-Images ohne Schluckauf installieren.
Stellen Sie sicher, dass Docker auf Ihrem System installiert ist, oder folgen Sie unserer Docker-Installationsanleitung, um Hilfe zu erhalten.
Sobald Sie mit der Einrichtung fertig sind, müssen Sie den folgenden Befehl in Docker eingeben:
docker pull tensorflow/tensorflow
Sie benötigen Erfahrung mit Docker-Containern, um einen Container mit den erforderlichen Konfigurationen für Ihre Arbeit zu starten.
Informationen zu spezifischer GPU-Unterstützung oder zum Herunterladen einer anderen TensorFlow-Version finden Sie in den verfügbaren Optionen in der offiziellen Dokumentation.
So sieht der Befehl aus, wenn Sie ihn mit Docker ausführen möchten:
docker run [-it] [--rm] [-p hostPort:containerPort] tensorflow/tensorflow[:tag] [command]
Fazit
Die Installation von TensorFlow ist eine einmalige Sache, und mit unserer Anleitung sollte es für die meisten ein problemloser Prozess sein.
Wenn Sie bereits frühere Konfigurationen oder Setups mit älteren Python-Versionen oder einem älteren Conda-Paketmanager hatten. Stellen Sie sicher, dass Sie die neuesten Updates anwenden, um TensorFlow nahtlos zu installieren.
Sie können auch die besten KI-Plattformen zum Erstellen von KI- und ML-Anwendungen erkunden.