入门系列之在Ubuntu 16.04上安装和使用TensorFlow

欢迎你们前往腾讯云+社区，获取更多腾讯海量技术实践干货哦~

本文由 谢鸢 发表于 云+社区专栏

介绍

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。图中的每一个节点表示神经网络在多维阵列上执行的操做。这些多维数组一般称为“张量”，所以称为TensorFlow。

TensorFlow架构容许在台式机，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上部署的用户能够直接访问并行计算任务所需的虚拟指令集和GPU的其余元素。

在本教程中，您将安装TensorFlow的“仅CPU支持”版本。此安装很是适合TensorFlow初学者，CPU版本不须要Nvidia显卡。

您能够经过多种方式安装TensorFlow。每种方法都有不一样的用例和开发环境：

• Python和Virtualenv：在这种方法中，您能够安装TensorFlow以及在Python虚拟环境中使用TensorFlow所需的全部软件包。这将您的TensorFlow环境与同一台机器上的其余Python程序隔离开来。
• Native pip：在此方法中，您在全局系统上安装TensorFlow。对于想要在多用户系统上为每一个人提供TensorFlow的人，建议使用此方法。此安装方法不会在包含的环境中隔离TensorFlow，而且可能会干扰其余Python安装或库。
• Docker：Docker是一个容器运行时环境，它将其内容与系统上预先存在的包彻底隔离。在此方法中，您使用包含TensorFlow及其全部依赖项的Docker容器。此方法很是适合将TensorFlow合并到已使用Docker的更大应用程序体系结构中。可是，Docker镜像的大小会很是大。

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，您将经过运行简短的TensorFlow程序验证安装，而后使用TensorFlow进行图像识别。

准备

在开始本教程以前，您须要如下内容：

• 一台 RAM 至少是 1G 的Ubuntu 16.04 服务器
• 一个可使用sudo命令的帐户
• Python 3.3或更高版本而且已安装virtualenv
• 安装了Git

没有服务器的用户能够直接在腾讯云实验室Ubuntu服务器体验Tensorflow的安装过程。

第1步 - 安装TensorFlow

在此步骤中，咱们将建立一个虚拟环境并安装TensorFlow。

首先，建立一个名为tf-demo的项目目录：

mkdir ~/tf-demo

导航到新建立的tf-demo目录：

cd ~/tf-demo

而后建立一个名为tensorflow-dev的新虚拟环境。运行如下命令以建立环境：

python3 -m venv tensorflow-dev

这将建立一个新tensorflow-dev目录，其中包含您在激活此环境时安装的全部软件包。它还包括pip和一个独立版本的Python。

如今激活您的虚拟环境：

source tensorflow-dev/bin/activate

激活后，您将在终端中看到与此相似的内容：

(tensorflow-dev)username@hostname:~/tf-demo $

如今，您能够在虚拟环境中安装TensorFlow。

运行如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

若是您想随时停用虚拟环境，则命令为：deactivate要在之后从新激活环境，请导航到项目目录source tensorflow-dev/bin/activate并运行。

如今，您已经安装了TensorFlow，让咱们确保TensorFlow安装正常。

第2步 - 验证安装

为了验证TensorFlow的安装，咱们将在TensorFlow中以非root用户身份运行一个简单的程序。咱们将使用规范初学者的例子“Hello，world！” 做为一种验证形式。咱们将使用Python的交互式控制台建立此程序，而不是建立Python文件。

要编写程序，请启动Python解释器：

python

您将在终端中看到如下提示

>>>

这是Python解释器的提示，它代表它已准备好开始输入一些Python语句。

首先，输入此行以导入TensorFlow包并使其可用做本地变量tf。输入代码行后按ENTER：

import tensorflow as tf

接下来，添加如下代码行来设置消息“Hello，world！”：

hello = tf.constant("Hello, world!")

而后建立一个新的TensorFlow会话并将其分配给变量sess：

sess = tf.Session()

注意：根据您的环境，您可能会看到如下输出：

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进行优化以得到更好性能的指令集。若是你看到这个，你能够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!

这代表一切正常，您能够开始使用TensorFlow来作一些更有趣的事情。

按下CTRL+D退出Python交互式控制台。

如今让咱们使用TensorFlow的图像识别API来更熟悉TensorFlow。

第3步 - 使用TensorFlow进行图像识别

如今已经安装了TensorFlow而且您经过运行一个简单的程序验证了它，让咱们来看看TensorFlow的图像识别功能。为了对图像进行分类，您须要训练模型。而后你须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，您能够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，您将看到如下输出：

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。下载此模型须要您的磁盘上有200MB的可用空间。

在这个例子中，咱们将对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

您将看到相似于此的输出：

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。

若是您想使用其余图像，能够经过-- image_file在python3 classify_image.py命令中添加参数来完成此操做。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，并经过运行几个示例验证了TensorFlow的工做原理。腾讯云还有其余的相关主题，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，省去配置环境能够直接在平台上机学习Tensorflow。

---

参考文献：《How To Install and Use TensorFlow on Ubuntu 16.04》

问答

在Ubuntu上安装cassandra？

相关阅读

如何在CVM上设置SSH仅做文件传输

如何备份你的MySQL数据库

MySQL 8.0 版本功能变动介绍

此文已由做者受权腾讯云+社区发布，原文连接：https://cloud.tencent.com/dev...

欢迎你们前往腾讯云+社区或关注云加社区微信公众号（QcloudCommunity），第一时间获取更多海量技术实践干货哦~

海量技术实践经验，尽在云加社区！