CentOSలో TensorFlowని ఎలా ఇన్‌స్టాల్ చేయాలి

పైథాన్ (పిప్) లేదా డాకర్ కంటైనర్ ఉపయోగించి TensorFlowను ఇన్‌స్టాల్ చేయండి

TensorFlow అనేది Google ద్వారా మెషిన్ లెర్నింగ్ ప్లాట్‌ఫారమ్. ఇది ఓపెన్ సోర్స్ మరియు దాని డెవలపర్ కమ్యూనిటీ అలాగే Google మరియు ఇతర కార్పొరేషన్‌ల ద్వారా అభివృద్ధి చేయబడిన భారీ సంఖ్యలో సాధనాలు, లైబ్రరీలు మరియు ఇతర వనరులను కలిగి ఉంది.

TensorFlow అన్ని ప్రముఖంగా ఉపయోగించే ఆపరేటింగ్ సిస్టమ్‌లకు అందుబాటులో ఉంది, అనగా. Windows, Mac OS, GNU/Linux. దీనిని ఉపయోగించి పైథాన్ ప్యాకేజీ సూచిక నుండి డౌన్‌లోడ్ చేసుకోవచ్చు మరియు ఇన్‌స్టాల్ చేయవచ్చు పిప్ సాధనం మరియు వర్చువల్ పైథాన్ వాతావరణంలో అమలు చేయవచ్చు. దీన్ని ఉపయోగించడానికి మరొక మార్గం డాకర్ కంటైనర్‌గా ఇన్‌స్టాల్ చేయడం.

ఉపయోగించి TensorFlowని ఇన్‌స్టాల్ చేయండి పిప్

పిప్ పైథాన్ ప్యాకేజీల కోసం అధికారిక ప్యాకేజీ నిర్వహణ యుటిలిటీ. పైథాన్ మరియు పిప్ డిఫాల్ట్‌గా CentOSలో ఇన్‌స్టాల్ చేయబడవు.

ఇన్‌స్టాల్ చేయడానికి ప్యాకేజీలు, అమలు చేయండి:

sudo dnf python3ని ఇన్‌స్టాల్ చేయండి

ఇన్‌స్టాలేషన్ డౌన్‌లోడ్ మొదలైన వాటి నిర్ధారణ కోసం అడిగినప్పుడల్లా, నమోదు చేయండి వై ఆపై నొక్కండి నమోదు చేయండి సెటప్‌ను కొనసాగించడానికి కీ. మూట కొండచిలువ3 పైథాన్ 3ని అలాగే పిప్ 3ని ఇన్‌స్టాల్ చేస్తుంది.

పైథాన్ వర్చువల్ ఎన్విరాన్మెంట్ లోపల TensorFlowని అమలు చేయాలని సిఫార్సు చేయబడింది. వర్చువల్ ఎన్విరాన్మెంట్ వినియోగదారుని ఒకే కంప్యూటర్‌లో ఒకదానికొకటి వేరుచేయబడిన అవసరమైన ప్యాకేజీల యొక్క విభిన్న వెర్షన్‌లతో బహుళ పైథాన్ పరిసరాలను అమలు చేయడానికి అనుమతిస్తుంది. ప్యాకేజీ యొక్క నిర్దిష్ట వెర్షన్‌తో ఒక వర్చువల్ ఎన్విరాన్‌మెంట్‌లో చేసిన డెవలప్‌మెంట్ మరొక ఎన్విరాన్‌మెంట్‌లో డెవలప్‌మెంట్‌పై ప్రభావం చూపదని నిర్ధారించుకోవడం ఇది.

పైథాన్ వర్చువల్ పర్యావరణాన్ని అమలు చేయడానికి, మేము మాడ్యూల్‌ను ఉపయోగించాలి venv. ముందుగా, మీ TensorFlow ప్రాజెక్ట్ డైరెక్టరీని సృష్టించండి మరియు వెళ్ళండి.

mkdir dev/tf cd dev/tf

ఈ డైరెక్టరీలో వర్చువల్ వాతావరణాన్ని సృష్టించడానికి, అమలు చేయండి:

python3 -m venv tf_venv

ఇది కొత్త డైరెక్టరీని సృష్టిస్తుంది tf_venv ఇది పైథాన్ వర్చువల్ పర్యావరణం. ఇది కనీస అవసరమైన ఫైల్‌లను కలిగి ఉంటుంది, అనగా. పైథాన్ ఎక్జిక్యూటబుల్ ఫైల్, పిప్ ఎక్జిక్యూటబుల్ ఫైల్ మరియు కొన్ని ఇతర అవసరమైన లైబ్రరీలు.

వర్చువల్ పర్యావరణాన్ని ప్రారంభించడానికి, అమలు:

మూల బిన్/ఎసి

ఇది ప్రాంప్ట్ పేరును దీనికి మారుస్తుంది tf_venv, అనగా, వర్చువల్ ఎన్విరాన్మెంట్ ఫోల్డర్ పేరు.

ఇప్పుడు మనం ఈ వర్చువల్ వాతావరణంలో TensorFlowని ఇన్‌స్టాల్ చేస్తాము. TensorFlow కోసం, కనీస అవసరం పిప్ వెర్షన్ 19. పిప్‌ని తాజా వెర్షన్‌కి అప్‌గ్రేడ్ చేయడానికి, అమలు:

pip install --upgrade pip

పైన చూసినట్లుగా, పిప్ వెర్షన్ 20.0.2 ఇన్‌స్టాల్ చేయబడింది.

TensorFlow ప్యాకేజీని ఇదే విధంగా ఇన్‌స్టాల్ చేయండి.

పిప్ ఇన్‌స్టాల్ --టెన్సార్‌ఫ్లో అప్‌గ్రేడ్ చేయండి

ప్యాకేజీ పరిమాణంలో చాలా పెద్దది (~420 MB) మరియు దాని డిపెండెన్సీలతో పాటు డౌన్‌లోడ్ చేసుకోవడానికి మరియు ఇన్‌స్టాల్ చేయడానికి కొంత సమయం పట్టవచ్చు.

ఒకసారి ఇన్‌స్టాల్ చేసిన తర్వాత, TensorFlow వెర్షన్‌ని తనిఖీ చేయడానికి మేము చిన్న కోడ్ ముక్కతో TensorFlow ఇన్‌స్టాలేషన్‌ను ధృవీకరించవచ్చు.

python -c 'tf వలె టెన్సార్‌ఫ్లో దిగుమతి; ప్రింట్(tf.__version__)'

వర్చువల్ పర్యావరణం నుండి నిష్క్రమించడానికి, అమలు చేయండి:

నిష్క్రియం చేయండి

డాకర్ కంటైనర్ ఉపయోగించి TensorFlowని ఇన్‌స్టాల్ చేయండి

కంటైనర్ అని పిలువబడే వర్చువలైజ్డ్ వాతావరణంలో ప్రోగ్రామ్‌లను ఇన్‌స్టాల్ చేయడానికి మరియు అమలు చేయడానికి డాకర్ ఇప్పుడు బాగా స్థిరపడిన మార్గం. ఇది మనం మునుపటి పద్ధతిలో చూసిన పైథాన్ వర్చువల్ ఎన్విరాన్మెంట్ మాదిరిగానే ఉంటుంది. అయినప్పటికీ, డాకర్ పరిధి చాలా విస్తృతమైనది మరియు డాకర్ కంటైనర్‌లు పూర్తిగా వేరుచేయబడి వాటి స్వంత కాన్ఫిగరేషన్‌లు, సాఫ్ట్‌వేర్ బండిల్స్ మరియు లైబ్రరీలను కలిగి ఉంటాయి. కంటైనర్లు ఛానెల్‌ల ద్వారా ఒకదానితో ఒకటి కమ్యూనికేట్ చేసుకోవచ్చు.

మేము డాకర్ కంటైనర్ ద్వారా టెన్సర్‌ఫ్లోను ఇన్‌స్టాల్ చేసి రన్ చేయవచ్చు మరియు దానిని వర్చువలైజ్డ్ ఎన్విరాన్‌మెంట్‌లో అమలు చేయవచ్చు. TensorFlow యొక్క డెవలపర్‌లు ప్రతి విడుదలతో పరీక్షించబడే డాకర్ కంటైనర్ చిత్రాన్ని నిర్వహిస్తారు.

అన్నింటిలో మొదటిది, మన CentOS సిస్టమ్‌లో డాకర్‌ని ఇన్‌స్టాల్ చేయాలి. దీని కోసం, CentOS కోసం అధికారిక డాకర్ ఇన్‌స్టాలేషన్ గైడ్‌ని చూడండి.

తర్వాత, TensorFlow కోసం తాజా కంటైనర్ చిత్రాన్ని డౌన్‌లోడ్ చేయడానికి, అమలు చేయండి:

డాకర్ పుల్ టెన్సర్‌ఫ్లో/టెన్సర్‌ఫ్లో

గమనిక: మీ సిస్టమ్‌కు ప్రత్యేక గ్రాఫిక్స్ ప్రాసెసింగ్ యూనిట్ (GPU) ఉన్నట్లయితే, మీరు తాజా కంటైనర్ చిత్రాన్ని డౌన్‌లోడ్ చేసుకోవచ్చు GPU మద్దతుతో దిగువ ఆదేశాన్ని ఉపయోగించి.

డాకర్ పుల్ టెన్సార్‌ఫ్లో/టెన్సర్‌ఫ్లో: తాజా-gpu-jupyter

మీ సిస్టమ్ తప్పనిసరిగా ఇన్‌స్టాల్ చేయబడిన GPU కోసం తగిన డ్రైవర్‌లను కలిగి ఉండాలి, తద్వారా GPU సామర్థ్యాలు TensorFlow ద్వారా ఉపయోగించబడతాయి. TensorFlow కోసం GPU మద్దతు గురించి మరింత సమాచారం కోసం, Github రిపోజిటరీలో డాక్యుమెంటేషన్‌ని తనిఖీ చేయండి.

డాకర్ కంటైనర్‌లో TensorFlowని అమలు చేయడానికి, అమలు చేయండి:

docker run -it --rm tensorflow/tensorflow పైథాన్ -c "tf గా దిగుమతి tensorflow; print(tf.__version__)"

కమాండ్‌లోని ప్రతి భాగానికి అర్థం ఏమిటో విచ్ఛిన్నం చేయడానికి మొదట ప్రయత్నిద్దాం.

పరుగు కంటైనర్‌ను ప్రారంభించడానికి డాకర్ ఆదేశం. జెండాలు -అది మేము ఇంటరాక్టివ్ షెల్‌ను ప్రారంభించాలనుకున్నప్పుడు సరఫరా చేయబడతాయి (ఉదా. బాష్, పైథాన్). --rm క్లీన్ అప్ అని పిలువబడే ఫ్లాగ్ పేర్కొనబడింది, తద్వారా కంటైనర్ రన్ కోసం డాకర్ అంతర్గతంగా సృష్టించిన ఫైల్ సిస్టమ్ మరియు లాగ్‌లు కంటైనర్ నిష్క్రమించినప్పుడు నాశనం చేయబడతాయి. డీబగ్గింగ్ ప్రయోజనాల కోసం భవిష్యత్తులో లాగ్‌లు అవసరమైతే ఈ ఫ్లాగ్‌ని ఉపయోగించకూడదు. కానీ మనలాంటి చిన్న ఫోర్‌గ్రౌండ్ పరుగుల కోసం దీనిని ఉపయోగించవచ్చు.

తరువాతి భాగంలో, మేము మా డాకర్ కంటైనర్ చిత్రం పేరును పేర్కొంటాము, అనగా, టెన్సర్‌ఫ్లో/టెన్సర్‌ఫ్లో. దానిని అనుసరించి మనం కంటైనర్‌లో అమలు చేయాలనుకుంటున్న ప్రోగ్రామ్/కమాండ్/యుటిలిటీ. మా పరీక్ష కోసం, మేము కంటైనర్‌లోని పైథాన్ ఇంటర్‌ప్రెటర్‌ను ఇన్‌వోక్ చేస్తున్నాము మరియు TensorFlow వెర్షన్‌ను ప్రింట్ చేసే కోడ్‌ని పాస్ చేస్తున్నాము.

కంటైనర్‌ను ప్రారంభించేటప్పుడు డాకర్ కొంత లాగ్‌ను ప్రింట్ చేస్తున్నట్లు మనం చూడవచ్చు. కంటైనర్ ప్రారంభమైన తర్వాత, మా పైథాన్ కోడ్ రన్ అవుతుంది మరియు TensorFlow వెర్షన్ ముద్రించబడుతుంది (2.1.0).

మనం పైథాన్ ఇంటర్‌ప్రెటర్‌ను షెల్‌గా కూడా ప్రారంభించవచ్చు, తద్వారా మనం TensorFlow కోడ్ యొక్క బహుళ పంక్తులను అమలు చేయడం కొనసాగించవచ్చు.

ముగింపు

ఈ కథనంలో, CentOSలో TensorFlowని ఇన్‌స్టాల్ చేయడానికి మేము రెండు పద్ధతులను చూశాము. రెండు పద్ధతులు వర్చువలైజ్డ్ ఎన్విరాన్మెంట్‌లో TensorFlowని అమలు చేయడానికి ఉద్దేశించబడ్డాయి, ఇది TensorFlowని ఉపయోగిస్తున్నప్పుడు సిఫార్సు చేయబడిన విధానం.

మీరు TensorFlowలో అనుభవశూన్యుడు అయితే, మీరు అధికారిక TensorFlow ట్యుటోరియల్స్ నుండి ప్రాథమిక అంశాలతో ప్రారంభించవచ్చు.