专栏首页实用工具入门教程如何部署 TensorFlow 服务器
原创

如何部署 TensorFlow 服务器

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。如果您还没有腾讯云的服务器,可以先点击这里进行免费套餐的试用。免费套餐包含企业版和个人版,超过11款热门产品和42款长期免费的云产品可以供您选择。如果您有长期搭建服务器的需求的话,可以点击这里进行服务器的购买,现在的促销力度很大哦。

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。

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。

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。

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。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 使用Hadoop分析大数据

    大数据由于其庞大的规模而显得笨拙,并且大数据需要工具进行高效地处理并从中提取有意义的结果。Hadoop是一个用于存储,分析和处理数据的开源软件框架和平台。本文是...

    大数据弄潮儿
  • 数据可视化的艺术

    在我上一篇博客中,我们研究了如何依据数据趋势聚合数据。在本文中,我们将讨论如何以更有意义的方式将这些数据呈现给用户。

    大数据弄潮儿
  • 大数据对你来说意味着什么?

    毋庸置疑,现如今是属于大数据(Big Data)的,革命性的时代。从社交媒体到企业,每时每刻都在产生大量的数据。无所作为,从而把这样的宝藏白白浪费掉是及其愚蠢的...

    大数据弄潮儿
  • 如何在Ubuntu 16.04上安装和使用TensorFlow

    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...

    谢鸢
  • TensorFlow笔记|为什么会有它?

    本系列推送主要参考: Stanford University CS20SI: Tensorflow for Deep Learning Research. 01...

    double
  • 从零开始学TensorFlow【01-搭建环境、HelloWorld篇】

    最近在学习TensorFlow的相关知识,了解了TensorFlow一些基础的知识,现在周末有空了,就写写一些笔记,记录一下自己的成长~

    Java3y
  • 从 Google Trends,看各大深度学习框架使用热度

    AI 科技评论按:随着深度学习在计算机视觉、自然语言处理等领域取得的成果越来越显著,对深度学习的讨论越来越多。作为当下最热门的话题,从 2015 年至今,短短三...

    AI科技评论
  • 别急!看完文章再来说你懂TensorFlow

    IT大咖说
  • TensorFlow与主流深度学习框架对比

    TensorFlow是相对高阶的机器学习库,用户可以方便地用它设计神经网络结构,而不必为了追求高效率的实现亲自写C++或CUDA代码。它和Theano一样都支持...

    博文视点Broadview
  • 2.2版本发布!TensorFlow推出开发者技能证书

    Google决定开源TensorFlow是为了让每个开发人员和研究人员都能方便地使用人工智能来解决多样化的现实问题。自开源以来,TensorFlow的下载次数超...

    AI科技大本营

扫码关注云+社区

领取腾讯云代金券