如何在Ubuntu 16.04上安装和使用TensorFlow

介绍

TensorFlow是一款由Google构建的用于训练神经网络的开源机器学习软件。TensorFlow的神经网络以有状态数据流图的形式表示。图中的每个节点表示神经网络在多维阵列上执行的操作。这些多维数组通常称为“张量”,因此称为TensorFlow。

TensorFlow架构允许在台式机,服务器或移动设备中的多个CPU或GPU上进行部署。还有与Nvidia的并行计算平台CUDA集成的扩展。这使得在GPU上部署的用户可以直接访问并行计算任务所需的虚拟指令集和GPU的其他元素。

在本教程中,您将安装TensorFlow的“仅CPU支持”版本。此安装非常适合TensorFlow初学者,CPU版本不需要Nvidia显卡。

您可以通过多种方式安装TensorFlow。每种方法都有不同的用例和开发环境:

  • Python和Virtualenv:在这种方法中,您可以安装TensorFlow以及在Python虚拟环境中使用TensorFlow所需的所有软件包。这将您的TensorFlow环境与同一台机器上的其他Python程序隔离开来。
  • Native pip:在此方法中,您在全局系统上安装TensorFlow。对于想要在多用户系统上为每个人提供TensorFlow的人,建议使用此方法。此安装方法不会在包含的环境中隔离TensorFlow,并且可能会干扰其他Python安装或库。
  • Docker:Docker是一个容器运行时环境,它将其内容与系统上预先存在的包完全隔离。在此方法中,您使用包含TensorFlow及其所有依赖项的Docker容器。此方法非常适合将TensorFlow合并到已使用Docker的更大应用程序体系结构中。但是,Docker镜像的大小会非常大。

在本教程中,您将在Python虚拟环境 virtualenv中安装TensorFlow。这种方法隔离了TensorFlow安装并快速启动和运行。完成安装后,您将通过运行简短的TensorFlow程序验证安装,然后使用TensorFlow进行图像识别。

准备

在开始本教程之前,您需要以下内容:

  • 一台 RAM 至少是 1G 的Ubuntu 16.04 服务器
  • 一个可以使用sudo命令的账户
  • Python 3.3或更高版本并且已安装virtualenv
  • 安装了Git

没有服务器的用户可以直接在腾讯云实验室Ubuntu服务器体验Tensorflow的安装过程。

第1步 - 安装TensorFlow

在此步骤中,我们将创建一个虚拟环境并安装TensorFlow。

首先,创建一个名为tf-demo的项目目录:

mkdir ~/tf-demo

导航到新创建的tf-demo目录:

cd ~/tf-demo

然后创建一个名为tensorflow-dev的新虚拟环境。运行以下命令以创建环境:

python3 -m venv tensorflow-dev

这将创建一个新tensorflow-dev目录,其中包含您在激活此环境时安装的所有软件包。它还包括pip和一个独立版本的Python。

现在激活您的虚拟环境:

source tensorflow-dev/bin/activate

激活后,您将在终端中看到与此类似的内容:

(tensorflow-dev)username@hostname:~/tf-demo $

现在,您可以在虚拟环境中安装TensorFlow。

运行以下命令安装并升级到PyPi中可用的最新版本的TensorFlow :

pip3 install --upgrade tensorflow

TensorFlow将会安装:

Collecting tensorflow
  Downloading tensorflow-1.4.0-cp36-cp36m-macosx_10_11_x86_64.whl (39.3MB)
    100% |████████████████████████████████| 39.3MB 35kB/s

...

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

如果您想随时停用虚拟环境,则命令为:deactivate要在以后重新激活环境,请导航到项目目录source tensorflow-dev/bin/activate并运行。

现在,您已经安装了TensorFlow,让我们确保TensorFlow安装正常。

第2步 - 验证安装

为了验证TensorFlow的安装,我们将在TensorFlow中以非root用户身份运行一个简单的程序。我们将使用规范初学者的例子“Hello,world!” 作为一种验证形式。我们将使用Python的交互式控制台创建此程序,而不是创建Python文件。

要编写程序,请启动Python解释器:

python

您将在终端中看到以下提示

>>>

这是Python解释器的提示,它表明它已准备好开始输入一些Python语句。

首先,输入此行以导入TensorFlow包并使其可用作本地变量tf。输入代码行后按ENTER

import tensorflow as tf

接下来,添加以下代码行来设置消息“Hello,world!”:

hello = tf.constant("Hello, world!")

然后创建一个新的TensorFlow会话并将其分配给变量sess

sess = tf.Session()

注意:根据您的环境,您可能会看到以下输出:

2017-06-18 16:22:45.956946: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-18 16:22:45.957158: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-18 16:22:45.957282: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
2017-06-18 16:22:45.957404: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
2017-06-18 16:22:45.957527: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.

这告诉您,您有一个可能针对TensorFlow进行优化以获得更好性能的指令集。如果你看到这个,你可以放心地忽略它并继续。

最后,输入这行代码打印出hello

print(sess.run(hello))

您将在控制台中看到此输出:

Hello, world!

这表明一切正常,您可以开始使用TensorFlow来做一些更有趣的事情。

按下CTRL+D退出Python交互式控制台。

现在让我们使用TensorFlow的图像识别API来更熟悉TensorFlow。

第3步 - 使用TensorFlow进行图像识别

现在已经安装了TensorFlow并且您通过运行一个简单的程序验证了它,让我们来看看TensorFlow的图像识别功能。为了对图像进行分类,您需要训练模型。然后你需要编写一些代码来使用该模型。要了解有关这些概念的更多信息,您可以查看腾讯云学院人工智能课程的相关内容。

腾讯云社区提供了TensorFlow中文开发者手册,包括代码和用于分类图像的训练模型。

使用Git将TensorFlow模型库从GitHub克隆到项目目录中:

git clone https://github.com/tensorflow/models.git

当Git将存储库检出到一个名为models的新文件夹时,您将看到以下输出:

Cloning into 'models'...
remote: Counting objects: 8785, done.
remote: Total 8785 (delta 0), reused 0 (delta 0), pack-reused 8785
Receiving objects: 100% (8785/8785), 203.16 MiB | 24.16 MiB/s, done.
Resolving deltas: 100% (4942/4942), done.
Checking connectivity... done.

切换到models/tutorials/image/imagenet目录:

cd models/tutorials/image/imagenet

此目录包含classify_image.py使用TensorFlow识别图像的文件。该程序从tensorflow.org第一次运行开始下载训练好的模型。下载此模型需要您的磁盘上有200MB的可用空间。

在这个例子中,我们将对Panda的预先提供的图像进行分类。执行此命令以运行映像分类器程序:

python classify_image.py

您将看到类似于此的输出:

giant panda, panda, panda bear, coon bear, Ailuropoda melanoleuca (score = 0.89107)
indri, indris, Indri indri, Indri brevicaudatus (score = 0.00779)
lesser panda, red panda, panda, bear cat, cat bear, Ailurus fulgens (score = 0.00296)
custard apple (score = 0.00147)
earthstar (score = 0.00117)

您已使用TensorFlow的图像识别功能对第一张图像进行了分类。

如果您想使用其他图像,可以通过-- image_filepython3 classify_image.py命令中添加参数来完成此操作。对于参数,您将传入图像文件的绝对路径

结论

您已经在Python虚拟环境中安装了TensorFlow,并通过运行几个示例验证了TensorFlow的工作原理。腾讯云还有其他的相关主题,包括深度学习与计算机视觉神经网络系列

腾讯云实验室提供Tensorflow系列实验室,省去配置环境可以直接在平台上机学习Tensorflow。


参考文献:《How To Install and Use TensorFlow on Ubuntu 16.04》

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏专知

推荐一些有助于理解TensorFlow机制的资料(二)

21630
来自专栏Python小屋

Python分离GIF动画成为多帧图像

首先需要使用命令pip install pillow安装Python扩展库pillow。 from PIL import Image import os gif...

41950
来自专栏王肖的UT

OpenGL-ES-2.0-for-Android 项目介绍

21530
来自专栏非著名程序员

Android二维码扫描开发(一):实现思路与原理

? 现在二维码已经非常普及了,那么二维码的扫描与处理也成为了Android开发中的一个必要技能。网上有很多关于Android中二维码处理的帖子,大都是在讲开源...

32470
来自专栏wOw的Android小站

[Tensorflow] 使用SSD-MobileNet训练模型

因为Android Demo里的模型是已经训练好的,模型保存的label都是固定的,所以我们在使用的时候会发现还有很多东西它识别不出来。那么我们就需要用它来训练...

7.6K30
来自专栏人人都是极客

2.运行一个demo

在 Object Detection API 的示例代码中包含了一个训练识别宠物的 Demo,包括数据集和相应的一些代码。虽然本课程中我们会自己准备数据和脚本来...

41260
来自专栏人工智能

用Tensorflow搭建神经网络14:检查点训练机制

由于大型神经网络的训练往往耗费很长的时间,可能会因为机器损坏、断电或系统崩溃等各种因素无法一次性完成模型训练而导致前面所有的训练功亏一篑。本次来介绍一种检查点机...

439100
来自专栏ATYUN订阅号

将Keras深度学习模型部署为Web应用程序

建立一个很酷的机器学习项目确实很不错,但如果你希望其他人能够看到你的作品怎么办呢?当然,你可以将整个项目放在GitHub上,但这只能给程序员看,如果你想给自己家...

64510
来自专栏Kubernetes

TensorFlow Serving在Kubernetes中的实践

xidianwangtao@gmail.com 关于TensorFlow Serving 下面是TensorFlow Serving的架构图: ? 关于T...

1.1K120
来自专栏SeanCheney的专栏

《Scikit-Learn与TensorFlow机器学习实用指南》 第12章 设备和服务器上的分布式 TensorFlow

在第 11 章,我们讨论了几种可以明显加速训练的技术:更好的权重初始化,批量标准化,复杂的优化器等等。 但是,即使采用了所有这些技术,在具有单个 CPU 的单台...

12610

扫码关注云+社区

领取腾讯云代金券