TensorFlow 설치 과정을 안내해 드리겠습니다.

1. 기본 소개 및 이해

1.1 소개

포괄적이고 유연한 오픈 소스 머신 러닝 플랫폼으로서 TensorFlow를 사용하여 데스크톱, 모바일, 웹 및 클라우드 환경에 적합한 머신 러닝 모델을 만들 수 있습니다. 또한 간단하게 할 수 있습니다. TensorFlow는 오픈 소스 기계 학습 프레임워크입니다. TensorFlow를 사용하면 신경망을 빠르게 구축하는 동시에 네트워크를 빠르게 훈련, 평가 및 저장할 수 있습니다.

TensorFlow를 설치한 후 사용할 때마다 직접 가져올 수 있습니다. 편리하고 빠릅니다.

TensorFlow를 tf

TensorFlow 공식 홈페이지는 다음과 같습니다.

​​ TensorFlow 정보 |TensorFlow 중국어 공식 웹사이트(google.cn)​​

1.2 장단점 분석 및 아키텍처 해석

1.2.1 장점

● 높은 유연성 : 계산을 계산 흐름 그래프로 표현할 수 있다면 TF를 사용할 수 있습니다.

● 진정한 이식성: 데스크탑, 서버(CPU 및 GPU 모두) 및 임베디드 장치를 지원합니다.

● 다국어 지원: Python을 기반으로 C++ 사용자 인터페이스와 Ipython 대화형 인터페이스도 제공합니다.

● 시각화 도구: TensorFlow는 강력한 시각화 도구인 TensorBoard를 제공합니다.

● 풍부한 패키지 라이브러리 지원: TFlearn, TF-Slim, Keras 등

1.2.2 단점

● Windows를 지원하지 않습니다.

TensorFlow가 갖는 모든 장점 외에도 Windows 사용자를 위한 기능은 매우 제한적입니다. Linux 사용자에게 매우 친숙합니다.

● GPU 지원

TensorFlow는 GPU용 NVIDIA만 지원하며 Python 프로그래밍 언어는 GPU 프로그래밍을 지원합니다.

1.2.3 TensorFlow 아키텍처 해석

첫 번째 계층: 장치 통신 계층으로 장치 계층과 네트워크 계층으로 구성되며 네트워크 통신 및 장치 관리를 담당합니다. 장치 관리는 TF 장치의 이종 특성을 실현할 수 있습니다. 장치 계층은 CPU, GPU, 모바일 등 다양한 장치의 통신 구현을 지원합니다. 네트워크 통신은 ​​gRPC​​ 통신 프로토콜을 사용하여 서로 다른 장치 간의 데이터 전송 및 업데이트를 실현합니다.

두 번째 계층: Tensor를 처리 개체로 사용하는 커널 구현 계층은 네트워크 통신 및 장치 메모리 할당에 의존하고 다양한 Tensor 연산 또는 계산, 주로 기계 학습의 커널 구현을 구현합니다.

세 번째 레이어: 로컬 컴퓨팅 플로우 그래프 및 분산 컴퓨팅 플로우 그래프 구현을 포함하여 분산 마스터 제어 및 데이터 흐름 실행기로 구성된 그래프 컴퓨팅 레이어입니다. 분산 마스터는 로드 성능에 따라 다양한 장치에 다양한 작업 부하를 분산하고, 데이터 흐름 실행기는 최상의 실험 방법을 기반으로 데이터 흐름 그래프를 실행합니다.

네 번째 계층: API 인터페이스 계층, C API는 인터페이스 캡슐화입니다. TF 함수 모듈은 C 언어로 구현됩니다. C 언어는 저수준 언어이고 간단하고 빠르며 안정적이며 모든 운영 체제에서 실행될 수 있기 때문에 선택되었습니다.

다섯 번째 계층: 클라이언트 계층, Python, C++ 및 기타 프로그래밍 언어는 애플리케이션 계층의 API 인터페이스 계층을 통해 TF 핵심 기능을 호출하여 관련 실험 및 애플리케이션을 구현합니다.

그리고 TensorFlow의 마지막 레이어에는 Python 및 C++로 구현된 학습 및 추론 라이브러리가 포함되어 있습니다.

TensorFlow 입문 실무 운영의 기본 이론과 설계 아이디어를 완전히 이해하고 싶다면 중국 대학교 MOOC에 가서 ​​"TensorFlow 입문 실무 과정"​​을 공부하고 빠르게 TensorFlow의 기본 애플리케이션과 실습을 시작해 보세요.

2. 설치 및 사용

2.1 설치

Ubuntu 16.04 이상(64비트)을 예로 들어보겠습니다.

2.1.1 pip를 사용하여 설치하세요

PIP는 패키지 관리 시스템입니다. Python으로 작성된 소프트웨어 패키지를 설치하고 관리하는 데 사용됩니다.

먼저 Python 3.6-3.9 및 pip 19.0 이상이 필요한 Python 환경을 설치해야 합니다. 설치 여부가 확실하지 않은 경우 버전 확인을 통해 확인할 수 있습니다. 계속하세요.

python3 –version
pip3 --version

설치되지 않은 경우 다음 코드를 참고하세요.

sudo apt update
sudo apt install python3-dev python3-pip python3-venv

요점: 사실 여기서 Python을 설치하려면 많은 것을 절약할 수 있는 아나콘다를 설치하는 것이 좋습니다. anaconda에는 conda, Python 등이 포함되어 있습니다. 190개 이상의 과학 패키지와 해당 종속성이 있습니다. 다양한 라이브러리 문제 및 버전 문제를 줄일 수 있습니다.

두 번째로여기서 권장되는 것은 설치입니다. 가상 환경

마지막으로 가상 환경을 활성화한 다음 가상 환경에 TensorFlow pip 패키지를 설치합니다

pip install --upgrade TensorFlow

설치가 완료되면 설치가 성공했는지 확인할 수 있습니다

python -c "import TensorFlow

2.1. 2 소스코드 컴파일 및 설치

git clone --recurse-submodules
https://github.com/TensorFlow/TensorFlow

Installation

Reference ​​https://www.php.cn/link/a03caec56cd82478bf197475b48c05f9​ ​

Configure./configure 실제 상황을 바탕으로 일련의 질문에 솔직하게 답변하세요. 응답 후 bazel은 환경을 구성합니다. 이때 머신은 일부 컴파일 종속성 패키지를 쉽게 얻을 수 있도록 외부 네트워크에 액세스할 수 있어야 합니다. 일부 패키지는 벽을 뛰어 넘어야 할 수도 있습니다.

Compile

bazel build -c opt --config=cuda
//TensorFlow/tools/pip_package:build_pip_package

2.1.3 Docker 이미지 설치

Docker는 개발자가 애플리케이션 및 종속성 패키지를 휴대용 컨테이너에 패키징한 다음 가상화 환경에 게시할 수 있는 오픈 소스 애플리케이션 컨테이너 엔진입니다. 널리 사용되는 Linux 시스템에서 구현되었습니다.

Docker를 통해 TensorFlow를 설치하고 실행하면 이전에 컴퓨터에 설치된 패키지와 완전히 격리됩니다.

공식 이미지

공식적으로 4개의 Docker 이미지 사용 가능:

CPU 버전만, 개발 환경 없음: gcr.io/TensorFlow/TensorFlow

CPU 버전만, 개발 환경 있음 : gcr.io/TensorFlow/TensorFlow:latest-devel

은 개발 환경 없이 GPU를 지원합니다: gcr.io/TensorFlow/TensorFlow:latest-gpu

는 개발 환경인 gcr io/TensorFlow를 통해 GPU를 지원합니다. /TensorFlow:latest-devel-gpu

Docker 사용자 그룹 만들기

일반 사용자가 sudo 없이 컨테이너를 시작할 수 있도록 허용합니다.

usermod -a -G docker 用户名

Docker 컨테이너 시작

GPU를 지원하는 버전을 사용하고 있어서 4번째 버전을 선택해서 설치해 드리고 해당 명령어로 다운로드 가능합니다.

docker run -it 
gcr.io/TensorFlow/TensorFlow

2.2

2.2.1 자리 표시자

사용 구문: tf.compat.v1.placeholder(dtype, shape=None, name=None)

예 1:

w =
tf.constant([1, 1, 2, 2, 3, 3], shape=[2, 3])
h =
tf.constant([7, 7, 9, 9, 11, 11], shape=[3, 2])
#下面语法表示的是两个矩阵相乘
l
= tf.matmul(w, h)

with
tf.Session() as
print(sess.run([a,b,c]))

예 2:

首先import进行导入
import TensorFlow as tf
w = tf.placeholder(dtype=tf.float32)
h = tf.placeholder(dtype=tf.float32)
sum = tf.add(w,h)
## 填充数据时，使用run()方法的feed_dict参数指定张量对应的值即可，数据格式和字典类似。

with tf.Session() as sess:
# 填充占位符，填充形式类字典
res
= sess.run(sum, feed_dict={w: [5], h: [6]})
print(res)

구체적인 매개변수 설명:

● dtype: 입력될 텐서 요소의 데이터 유형입니다.

● shape: 기본값은 None: 입력될 텐서의 형태이며 선택적 매개변수입니다. 모양이 지정되지 않으면 어떤 모양의 텐서도 입력할 수 있습니다.

● name: 默认为None：操作的名称，可选参数。

2.2.2变量

Variable()构造函数希望变量有一个初始值，它可以是任何种类或形状的Tensor。变量的类型和形式由其初始值定义。形状和变量一旦被创建就会被固定下来。

在众多的参数中,需要注意的是validate_shape: 默认为True。如果是False，允许变量以未知的形状值初始化。如果是True，初始值的形状必须是已知的，这是默认的。

2.2.2.1创建变量

最常见的创建变量方式是使用Variable()构造函数。

import TensorFlow as tf
v = tf.Variable([1,2,3,4,5,6]) #创建变量v，为一个array
print(v) 
#查看v的shape，不是v的值。
## 结果是： <tf.Variable 'Variable:0' shape=(6,), numpy=array([1,2,3,4,5,6],dtype=int32)>
with tf.Session() as sess:
 
sess.run(v.initializer) ##运行变量的initializer。调用op之前，所有变量都应被显式地初始化过。
sess.run(v) ##查看v的值，结果是：array([1,2,3,4,5,6])

注意: 我们在进行初始化的时候也可以按如下书写

init = tf.global_variables_initializer()#全局变量初始化
with tf.Session() as sess:
sess.run(init)

2.2.2.2分配或修改变量中的元素

我们使用assign()方法来修改这个变量。

示例一:assign用来更新值

w = tf.Variable([3, 4,5,6])
w [1].assign(2)
w

输出结果如下:

<tf.Variable ‘Variable:0’ shape=(4,),
numpy=array([3, 2,5,6], dtype=int32)>
## 我们在此处使用assign将数组中的索引为1的值由4更新为2

示例二 : assign_add()用来添加变量值

# create variable
w = tf.Variable([3, 4,5,6])
# using assign_add() function
w.assign_add([1, 1,1,1])
w

输出结果如下:

<tf.Variable ‘Variable:0’ shape=(4,),
numpy=array([4, 5,6,7], dtype=int32)>
## 我们在此处使用assign_add()将数组中的每一个数值加1进行输出

示例三: assign_sub()用来从变量中减去值

# create variable
w = tf.Variable([3, 4,5,6])
# using assign_add() function
w.assign_sub([1, 1,1,1])
w
<tf.Variable ‘Variable:0’ shape=(4,),
numpy=array([2, 3,4,5], dtype=int32)>
## 我们在此处使用assign_sub()将数组中的每一个数值减1进行输出

2.2.2.3改变变量的形状

tf.reshape()方法用于改变变量的形状。必须传递变量和形状。

import TensorFlow as tf
w= tf.Variable([[3, 5, 6, 7]])
tf.reshape(w, shape=(2, 2))
w

输出结果如下:

<tf.Tensor: shape=(2, 2), ,
numpy=array([[3, 5],[6, 7]], dtype=int32)>

2.2.3 Session会话

TensorFlow中只有让Graph（计算图）上的节点在Session（会话）中执行，才会得到结果。Session的开启涉及真实的运算，因此比较消耗资源。在使用结束后，务必关闭Session。​

方式一进行手动关闭:

import TensorFlow as tf
w= tf.constant(8, dtype=tf.int8)
h = tf.constant(6, dtype=tf.int8)
result= w + h
sess = tf.Session()
sess.run(result)#执行运算
sess.close() #手动关闭session

方式二进行自动关闭(使用到with语句):

import TensorFlow as tf
w= tf.constant(8, dtype=tf.int8)
h = tf.constant(6, dtype=tf.int8)
result= w + h
with tf.Session() as sess: #运算结束后session自动关闭
sess.run(res)

安装好TensorFlow后，初步入门机器学习的同学可以到中国大学MOOC上学习​​《 TensorFlow 入门实操课程 》​​，快速了解如何使用TensorFlow建立和训练神经网络、用自然语言处理系统教会机器理解、分析和回应人类的言语 、构建和训练模型等基本理论。我推荐对模型部署有需求的同学可以去了解​​《 TensorFlow 入门课程 - 部署篇 》​，高效掌握在多种生产场景下灵活部署模型的技巧。大家也可以在​​TensorFlow官网​（https://www.php.cn/link/e48382353dc6c66379fb8e1ebf48c5e8）上探索更多学习资源，持续精进机器学习知识与技能！

作者介绍

张云波，活跃的IT网红讲师，拥有学员31w+，国内早期开始和发布苹果Swift、安卓Kotlin、微信小程序、区块链技术的讲师之一。主攻前端开发、iOS开发、Android开发、Flutter开发、区块链Dapp开发，有丰富的大公司和海外工作经验。

위 내용은 TensorFlow 설치 과정을 안내해 드리겠습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!