Cómo instalar TensorFlow en CentOS

Instale TensorFlow usando Python (pip) o un contenedor Docker

TensorFlow es una plataforma de aprendizaje automático de Google. Es de código abierto y tiene una gran cantidad de herramientas, bibliotecas y otros recursos desarrollados tanto por su comunidad de desarrolladores como por Google y otras corporaciones.

TensorFlow está disponible para todos los sistemas operativos de uso popular, a saber. Windows, Mac OS, GNU / Linux. Se puede descargar e instalar desde el índice de paquetes de Python utilizando el pepita herramienta y se puede ejecutar en un entorno virtual de Python. Otra forma de usarlo es instalarlo como contenedor Docker.

Instale TensorFlow usando pepita

pepita es la utilidad de administración de paquetes oficial para paquetes de Python. Python y pip no están instalados en CentOS de forma predeterminada.

Instalar los paquetes, ejecute:

sudo dnf instalar python3

Siempre que la instalación solicite confirmación de descarga, etc., ingrese Y y luego presione Ingresar para continuar con la configuración. El paquete python3 instalará Python 3 y Pip 3.

Se recomienda ejecutar TensorFlow dentro de un entorno virtual de Python. Un entorno virtual permite al usuario ejecutar varios entornos de Python, con diferentes versiones de los paquetes requeridos, aislados entre sí, en la misma computadora. Esto es para asegurarse de que el desarrollo realizado dentro de un entorno virtual con una versión específica de un paquete no afecte el desarrollo en otro entorno.

Para ejecutar el entorno virtual de Python, necesitamos usar el módulo venv. En primer lugar, cree y vaya al directorio de su proyecto de TensorFlow.

mkdir dev / tf cd dev / tf

Para crear un entorno virtual en este directorio, ejecute:

python3 -m venv tf_venv

Esto creará un nuevo directorio tf_venv que es el entorno virtual de Python. Contiene los archivos mínimos requeridos, a saber. Archivo ejecutable Python, archivo ejecutable Pip y algunas otras bibliotecas requeridas.

Para iniciar el entorno virtual, correr:

bin de origen / ac

Esto cambiará el nombre del mensaje a tf_venv, es decir, el nombre de la carpeta del entorno virtual.

Ahora instalaremos TensorFlow en este entorno virtual. Para TensorFlow, el mínimo requerido pepita la versión es 19. Para actualizar pip a la última versión, correr:

instalar pip - actualizar pip

Como se vio arriba, se instaló la versión 20.0.2 de pip.

Instale el paquete TensorFlow de manera similar.

pip install --upgrade tensorflow

El paquete tiene un tamaño bastante grande (~ 420 MB) y puede llevar algún tiempo descargarlo e instalarlo junto con sus dependencias.

Una vez instalado, podemos verificar la instalación de TensorFlow con un pequeño fragmento de código para verificar la versión de TensorFlow.

python -c 'importar tensorflow como tf; imprimir (tf .__ versión__) '

Para salir del entorno virtual, ejecute:

desactivar

Instalar TensorFlow con Docker Container

Docker es ahora una forma bien establecida de instalar y ejecutar programas en un entorno virtualizado llamado Container. Es de una manera similar a un entorno virtual de Python que vimos en el método anterior. Sin embargo, Docker tiene un alcance mucho más amplio y los contenedores de Docker están completamente aislados y tienen sus propias configuraciones, paquetes de software y bibliotecas. Los contenedores pueden comunicarse entre sí a través de canales.

Podemos instalar y ejecutar TensorFlow a través de un contenedor Docker y ejecutarlo en un entorno virtualizado. Los desarrolladores de TensorFlow mantienen una imagen de contenedor de Docker que se prueba con cada versión.

En primer lugar, necesitamos instalar Docker en nuestro sistema CentOS. Para ello, consulte la guía de instalación oficial de Docker para CentOS.

A continuación, para descargar la imagen de contenedor más reciente para TensorFlow, ejecute:

docker pull tensorflow / tensorflow

Nota: Si su sistema tiene una Unidad de procesamiento de gráficos (GPU) dedicada, puede descargar la última imagen del contenedor con soporte GPU usando el comando a continuación.

docker pull tensorflow / tensorflow: último-gpu-jupyter

Su sistema debe tener los controladores adecuados para la GPU instalada, de modo que TensorFlow pueda utilizar las capacidades de la GPU. Para obtener más información sobre la compatibilidad de GPU para TensorFlow, consulte la documentación en el repositorio de Github.

Para ejecutar TensorFlow en el contenedor de Docker, ejecute:

docker run -it --rm tensorflow / tensorflow python -c "importar tensorflow como tf; print (tf .__ version__)"

Primero intentemos desglosar lo que significa cada parte del comando.

correr es el comando de Docker para iniciar un contenedor. Las banderas -eso se suministran cuando queremos iniciar un shell interactivo (por ejemplo, Bash, Python). --rm El indicador, llamado Limpieza, se especifica para que el sistema de archivos y los registros creados internamente por Docker para la ejecución del contenedor se destruyan cuando el contenedor sale. Esta marca no debe usarse si se requieren registros en el futuro con fines de depuración. Pero para ejecuciones pequeñas en primer plano como la nuestra, se puede utilizar.

En la siguiente parte, especificamos el nombre de nuestra imagen de contenedor de Docker, es decir, tensorflow / tensorflow. A continuación, se encuentra el programa / comando / utilidad que queremos ejecutar en el contenedor. Para nuestras pruebas, estamos invocando el intérprete de Python en el contenedor y pasándole el código que imprime la versión de TensorFlow.

Podemos ver que Docker está imprimiendo un registro mientras inicia el contenedor. Una vez que se inicia el contenedor, se ejecuta nuestro código Python y se imprime la versión de TensorFlow (2.1.0).

También podemos iniciar el intérprete de Python como un shell, de modo que podamos seguir ejecutando varias líneas de código de TensorFlow.

Conclusión

En este artículo, vimos dos métodos para instalar TensorFlow en CentOS. Ambos métodos están diseñados para ejecutar TensorFlow en un entorno virtualizado, que es un enfoque recomendado al usar TensorFlow.

Si es un principiante en TensorFlow, puede comenzar con los conceptos básicos de los tutoriales oficiales de TensorFlow.