如何部署 TensorFlow 服务器
原创
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 tensorflowTensorFlow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_file在python3 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和神经网络系列。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：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。