كيفية تنزيل Tensorflow وتثبيته وإعداده على نظامي التشغيل Windows و Linux

TensorFlow عبارة عن نظام أساسي مفتوح المصدر تم تطويره بواسطة Google للتعلم الآلي والذكاء الاصطناعي (AI). يساعد في مجموعة من المهام للمطورين العاملين في هذا المجال.

بالنسبة للمبتدئين ، تحتاج إلى فهم التعلم الآلي أو التعلم العميق تحديدًا قبل أن تتمكن من الاستفادة من TensorFlow.

هنا ، اسمح لي بتسليط الضوء على بعض الأشياء حول TensorFlow وميزاته والطرق السريعة لتثبيته على نظامي التشغيل Windows و Linux.

نظرة عامة على TensorFlow

من الناحية الفنية ، TensorFlow عبارة عن نظام أساسي مفتوح المصدر يساعد في تطبيقات التعلم العميق وأي حالات استخدام أخرى للتعلم الآلي.

إنه يجعل الأمور سهلة لبناء ونشر التطبيقات التي تعمل بنظام ML. إذا كنت ترغب في حل مشكلة باستخدام التعلم الآلي ، فيمكنك الحصول على مساعدة في TensorFlow.

يوفر TensorFlow أدوات للمساعدة في تطوير وتدريب النماذج باستخدام Python أو JavaScript. على الرغم من أنني لست مطورًا ، يمكنك استكشاف وثائقه لمعرفة كيفية تأثيره على سير عملك لنشر تطبيق التعلم الآلي.

ميزات TensorFlow

تشتهر TensorFlow لعدة أسباب ، ويمكنك تقييم ذلك بنفسك ، مع العلم بأفضل عروض الميزات.

إذا تمكنا من مناقشة الفوائد الفنية ، فسيتعين عليك مقارنتها بما تفعله. لذلك ، سوف نركز على الميزات المشتركة المفيدة لمعظم الناس.

1. المصدر المفتوح

قررت Google فتح مصدر TensorFlow في عام 2015 للسماح للمجتمع بتحسينه بشكل أكبر وتوفير الشفافية حول كيفية عمله.

يمكن للمطورين تخصيص المكتبة بطرق مختلفة لحل المشكلات التي ربما لم تكن تتوقعها.

بدون إطار مفتوح المصدر ، قد لا يكون مشهورًا كما هو. بالتالي

2. التصحيح السهل

يهدف TensorFlow إلى مساعدتك في بناء النموذج السهل ؛ ومن ثم ، فإن تجربة تصحيح الأخطاء السهلة هي جزء من هذه العملية.

تجربة المستخدم البديهية هي الكرز فوقها.

3. يدعم كلا من وحدات المعالجة المركزية ووحدات معالجة الرسومات

باستخدام TensorFlow ، يمكنك الحصول على القدرة على تدريب حساب البيانات على وحدة المعالجة المركزية أو وحدة معالجة الرسومات. عادة ، تجعل وحدة معالجة الرسومات (GPU) الأشياء أسرع لتطبيقات التعلم العميق مقارنة بوحدة المعالجة المركزية.

لذلك ، إذا كان لديك وحدة معالجة رسومات قوية في ترسانتك ، فيمكن أن يساعدك TensorFlow في تحقيق أقصى استفادة منه.

4. واجهات برمجة تطبيقات مفيدة لتعلم الآلة

تساعد واجهات برمجة التطبيقات المطورين على دمج مجموعة متنوعة من الميزات في تطبيقاتهم. ويوفر TensorFlow الوصول إلى مجموعة جيدة من واجهات برمجة التطبيقات الثابتة.

قد يقدم البعض منهم مزايا الأداء أيضًا. وفقًا للادعاءات الرسمية ، يجب ألا تواجه مشكلة مع تلك المتوفرة في Python. إذا كنت تعمل بلغات أخرى ، فأنت بحاجة إلى التحقق مع المشرفين على TensorFlow من مدى جودتها في حالة الاستخدام الخاصة بك.

5. النماذج الجاهزة للإنتاج

يتميز TensorFlow بمجموعة متنوعة من النماذج المدربة مسبقًا. سواء كنت محترفًا أو مبتدئًا ، يمكنك استخدام هؤلاء لتوفير الوقت وبناء نماذج ML بشكل أسرع.

بالإضافة إلى هذه الميزات ، يمكنك الحصول على المرونة وسهولة الاستخدام ومجموعة أدوات التصور والمزيد مما يمكن أن يساعد في سير عمل تطوير التعلم الآلي الخاص بك.

الآن بعد أن أصبحت لديك فكرة جيدة عن TensorFlow ، أين يمكنك تنزيله؟ كيف يمكن تثبيته وإعداده على أنظمة Windows و Linux؟

دعونا نناقش ذلك أدناه.

تنزيل TensorFlow وتثبيته

على عكس البرامج الأخرى ، لا تحصل على ملف إعداد exe. هنا. بشكل أساسي ، ستحتاج إلى تنزيل الحزمة باستخدام مدير الحزم الموصى به.

بشكل عام ، هناك طرق مختلفة للتثبيت. يمكننا سردها على النحو التالي:

• استخدام Miniconda و Pip
• استخدام Miniconda و Pip في WSL 2
• باستخدام حاوية Docker
• البناء من المصادر

كيفية تثبيت TensorFlow على نظام Windows؟

على عكس البرامج الأخرى ، لا تحصل على ملف إعداد exe. هنا. ستحتاج إلى تنزيل الحزمة باستخدام مدير الحزم الموصى به.

# 1 . استخدام Miniconda و Pip (الطريقة الموصى بها)

ملاحظة: في وقت كتابة هذا ، كان TensorFlow 2.10 هو الإصدار الأخير الذي يدعم GPU على Windows (أصلاً). إذا كنت تعمل مع حزم أحدث ، فإن TensorFlow توصي بتثبيت TensorFlow في WSL 2 ، والذي سيتم مناقشته لاحقًا.

إذا كنت ترغب في استخدام TensorFlow مع دعم GPU ، فإن TensorFlow توصي باستخدام Miniconda ( المثبت لمدير حزمة conda ) لبدء الأشياء.

باستخدام Miniconda ، يمكنك إنشاء بيئة منفصلة لتجنب التعارض مع أي برنامج آخر في نظامك.

للبدء ، تحتاج إلى تنزيل أحدث إصدار من Miniconda Windows Installer واتباع الإرشادات التي تظهر على الشاشة لإكمال التثبيت.

بمجرد الانتهاء ، تحتاج إلى تشغيل موجه Miniconda كما هو موضح في لقطة الشاشة:

هذا ما يبدو عليه:

بعد ظهور نافذة موجه Anaconda ، قد ترغب في كتابة الأمر التالي للتأكد من تحديث مدير حزمة conda:

conda update -n base -c defaults conda

بعد ذلك ، إليك الخطوات التي يجب عليك اتباعها لتثبيت TensorFlow:

أولاً ، لإنشاء بيئة جديدة (باسم tf ):

conda create --name tf python=3.9

نصيحة : يمكنك تنشيطه / إلغاء تنشيطه باستخدام الأمرين: تنشيط conda tf وإلغاء تنشيط conda

سيكون عليك تنشيطه للمضي قدمًا. لتمكين دعم GPU في هذه العملية ، يجب التأكد من تثبيت برنامج تشغيل الرسومات (NVIDIA GPU) ، ثم تثبيت بعض الحزم باستخدام الأمر التالي:

conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0

يقوم بتنزيل حوالي 1 Gigs من الحزم ، والتي تتضمن أدوات تمكنك من نشر تطبيقات التعلم الآلي باستخدام وحدة معالجة الرسومات (GPU) وشبكة عصبية عميقة.

أخيرًا ، سيتعين عليك استخدام مدير حزمة النقطة لتثبيت حزمة TensorFlow. يمكنك اختيار استخدام conda لتثبيت Tensorflow ، ولكن قد لا يحتوي على أحدث إصدار ثابت مطلوب.

قبل المتابعة ، تأكد من تحديث النقطة باستخدام الأمر:

 pip install --upgrade pip

بمجرد الانتهاء من ذلك ، قم بتثبيت TensorFlow باستخدام:

pip install tensorflow

ستلاحظ بناء / تثبيت العديد من الحزم. قد يبدو أنه عالق في العملية ، لكن امنحه دقيقة ، ويجب أن يستأنف التثبيت ويكمله.

# 2 . استخدام Conda and Pip في WSL 2

بافتراض أن لديك بالفعل إعداد WSL 2 على نظامك ، يمكنك تثبيت TensorFlow باستخدام الأوامر التالية في محطة التوزيع:

 conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0 export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/ python3 -m pip install tensorflow # Verify install: python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

يمكنك لصقها كلها مرة واحدة ، وستتم معالجتها واحدة تلو الأخرى.

في حالة عدم تثبيت WSL 2 على Windows. توجه إلى موجه الأوامر مع وصول المسؤول ، ثم اكتب ما يلي:

 wsl.exe --install

يجب تنزيل Ubuntu وتمكين ميزة WSL لنظامك. ستحتاج إلى إعادة تشغيل جهاز الكمبيوتر الخاص بك حتى يكتمل.

إذا لم تتمكن من العثور على Ubuntu على نظامك ، فيمكنك الانتقال إلى متجر Microsoft وتثبيت Ubuntu WSL.

# 3 . بناء من المصدر

بالنظر إلى أن TensorFlow مفتوح المصدر ، يمكنك بناؤه من الألف إلى الياء باستخدام خيارات التكوين الخاصة بك.

ومن ثم ، يوصى بذلك للمستخدمين المتقدمين على دراية بجميع الخيارات والذين يعرفون الصواميل والمسامير المراد تهيئتها. الرجوع إلى الوثائق الرسمية لاستكشاف المزيد حول هذا الموضوع.

كيفية تثبيت TensorFlow على Linux؟

مثل Windows ، يمكنك تثبيت TensorFlow باستخدام Miniconda و pip على Linux. أو اختر البناء من المصدر.

دعني أوضح لك كيف يتم ذلك:

# 1 . استخدام Miniconda و Pip (الطريقة الموصى بها)

ملاحظة: اتبع نفس أوامر Windows. الاختلاف الوحيد هو كيفية تثبيت / تنزيل Miniconda على نظام Linux.

إليك كيفية تثبيت Miniconda على Linux باستخدام Terminal:

 curl https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -o Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh

أعد تشغيل Terminal على توزيعة Linux للعثور على شيء مثل هذا:

ستلاحظ (قاعدة) قبل متغيرات موجه المحطة الطرفية. يشير هذا إلى أن conda نشطة ومثبتة حاليًا.

لا تقم بإلغاء تنشيطه ما لم تكن قد انتهيت من تثبيت TensorFlow.

يمكنك الانتقال إلى الخطوات المذكورة أعلاه لنظام Windows وتثبيته. أو قم بلصق ما يلي لتثبيت TensorFlow:

 conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0 export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/ python3 -m pip install tensorflow # Verify install: python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

مع Linux ، قد تواجه مشكلات مع برنامج تشغيل GPU. لذلك ، يجب عليك إلقاء نظرة على وثائق NVIDIA لمعرفة المزيد.

# 2 . بناء من المصدر

مثل Windows ، يعد البناء من الكود المصدري أمرًا صعبًا على Linux ومخصص فقط للمستخدمين المتقدمين.

يجب عليك (على افتراض أنك مبتدئ) عدم اختيار هذه الطريقة إلا إذا كان لديك شيء محدد في الاعتبار. أفضل طريقة لاستكشاف المزيد عنها هي الرجوع إلى الوثائق.

كيفية تثبيت TensorFlow باستخدام Docker؟ (نظاما التشغيل Windows و Linux)

بغض النظر عن النظام الأساسي ، يتيح لك Docker تثبيت صور TensorFlow بدون عوائق.

تأكد من تثبيت Docker على نظامك ، أو يمكنك اتباع دليل تثبيت Docker للحصول على المساعدة.

بمجرد الانتهاء من إعداده ، ستحتاج إلى إدخال الأمر التالي من داخل Docker:

 docker pull tensorflow/tensorflow

أنت بحاجة إلى خبرة في حاويات Docker لبدء حاوية بالتكوينات المطلوبة لعملك.

للحصول على دعم GPU محدد أو تنزيل إصدار مختلف من TensorFlow ، راجع الخيارات المتاحة في الوثائق الرسمية.

إليك ما يبدو عليه الأمر عندما تريد تشغيله باستخدام Docker:

 docker run [-it] [--rm] [-p hostPort:containerPort] tensorflow/tensorflow[:tag] [command]

استنتاج

يتم تثبيت TensorFlow لمرة واحدة ، ومع دليلنا ، يجب أن تكون عملية خالية من المتاعب لمعظم الناس.

إذا كان لديك بالفعل تكوينات سابقة أو إعداد باستخدام إصدارات Python الأقدم أو مدير حزم Conda الأقدم. تأكد من تطبيق آخر التحديثات لتثبيت TensorFlow بسلاسة.

يمكنك أيضًا استكشاف أفضل منصات AI لإنشاء تطبيقات AI و ML.