مونتاژ از منبع

مجموعه های خود را بهینه کنید و محتوا را مطابق با تنظیمات خود طبقه بندی کنید.

یک بسته PIP TensorFlow را از کد منبع ایجاد کرده و آن را در Ubuntu Linux و MacOS نصب کنید. اگرچه دستورالعمل ها می توانند برای سایر سیستم ها کار کنند ، اما آنها فقط برای اوبونتو و MACOS آزمایش و نگهداری می شوند.

توجه داشته باشید. بسته های تمام شده TensorFlow با استفاده از TensorFlow خوب برای سیستم های Linux و MACOS تهیه شده است.

تنظیمات برای لینوکس و MACOS

ابزارهای مونتاژ زیر را برای پیکربندی محیط توسعه نصب کنید.

وابستگی پایتون و TensorFlow را نصب کنید.

اوبونتو

sudo apt نصب python3-dev python3-pip 

سیستم عامل مک

Xcode 9. 2 یا جدیدتر مورد نیاز است.

نصب با Help Manager Homebrew:

/usr/bin/rub y-e "$ (cur l-fssl https://raw. githubusercontent. com/homebrew/install/install)" مسیر صادرات = "/usr/local/opt/python/libexec/bin: $ path" # اگر در MACOS 10. 12 (Sierra) استفاده می کنیدمسیر صادرات = "/usr/local/bin:/usr/local/sbin: $ مسیر" تولید پایتون 

وابستگی های بسته PIP Tensorflow را تنظیم کنید (هنگام استفاده از محیط مجازی ، استدلا ل-USER را پایین بیاورید):

نصب پی پ-u -کاربر PIP NUMPY WHEEL PACKARAGES OPT_EINSUM نصب پی پ-u --user keras_preprocessin g-n o-deps 

Примечание. Для установки пакета TensorFlow 2 .whl требуется версия pip>19. 0وابستگی های اضافی اضافی در پرونده setup. py در بخش redired_packages ذکر شده است.

پایه را نصب کنید

برای مونتاژ Tensorflow ، باید Bazel را نصب کنید. Bazelisk یک روش آسان برای نصب Bazel است که به طور خودکار نسخه Bazel صحیح را برای Tensorflow بارگذاری می کند. برای سادگی استفاده ، Bazelisk را به عنوان پرونده Bazel اجرایی به مسیر اضافه کنید.

اگر Bazelisk در دسترس نباشد ، می توانید Bazel را به صورت دستی نصب کنید. حتماً نسخه Bazel صحیح را از پرونده Tensorflow . Bazelversion نصب کنید.

پشتیبانی از پردازنده گرافیک را نصب کنید (اختیاری ، فقط برای لینوکس)

برای MACOS هیچ پشتیبانی برای پردازنده گرافیک وجود ندارد.

راهنمای پشتیبانی از پردازنده گرافیک را برای نصب درایورها و نرم افزارهای اضافی مورد نیاز برای راه اندازی TensorFlow بر روی پردازنده گرافیکی بخوانید.

توجه داشته باشید. پیکربندی یکی از تصاویر Docker TensorFlow با پشتیبانی از پردازنده گرافیکی آسان تر است.

کد منبع TensorFlow را بارگیری کنید.

برای کلون کردن مخزن tensorflow از git استفاده کنید:

کلون git https://github. com/tensorflow/tensorflow. git cd tensorflow 

repo به طور پیش فرض از شعبه Master Development استفاده می کند. همچنین می توانید شعبه انتشار را برای مونتاژ بررسی کنید:

Git Checkout Branch_name # R2. 2 ، R2. 3 و غیره

اختیاری: مونتاژ را تنظیم کنید

مجامع TensorFlow با استفاده از پرونده . bazelrc در کاتالوگ ریشه مخزن تنظیم می شوند. سناریوها ./configure یا ./configure. py را می توان برای پیکربندی پارامترهای کلی استفاده کرد.

اگر نیاز به تغییر پیکربندی دارید ، اسکریپت را اجرا کنید ./configure را از کاتالوگ ریشه مخزن. این اسکریپت شما را دعوت می کند تا محل وابستگی های TensorFlow را نشان داده و از تنظیمات تنظیمات اضافی (به عنوان مثال ، پرچم های کامپایلر) درخواست کنید. برای اطلاعات بیشتر ، به بخش جلسه مراجعه کنید.

./configure

همچنین نسخه ای از این اسکریپت برای Python ، ./configure. py وجود دارد. در هنگام استفاده از محیط مجازی ، Python Configure. py به روشهای موجود در محیط اولویت می دهد ، در حالی که ./configure به راه های خارج از محیط اولویت می دهد. در هر دو مورد ، می توانید مقدار پیش فرض را تغییر دهید.

نمونه ای از یک جلسه

در زیر نمونه ای از راه اندازی اسکریپت ./configure (جلسه شما ممکن است متفاوت باشد):

نمونه ای از جلسه تنظیمات را مشاهده کنید

./configure شما Bazel 5. 0. 0 نصب شده است. لطفاً مکان پایتون را مشخص کنید.[پیش فرض is/library/frameworks/python. framework/versions/3. 9/bin/python3]: مسیرهای کتابخانه پایتون ممکن است: /libray/frameworks/python. framework/ ersions/3. 9/python3. 9/site-packages لطفا مسیر مورد نظر کتابخانه پایتون مورد نظر را وارد کنید. پیش فرض [/library/frameworks/python. framework/versions/3. 9/lib/python3. 9/site-packages] می خواهم با رپ ، جریان ده را بکشند.[Y/N]: N هیچ پشتیبانی ROCM Tensorflow فعال نخواهد شد. آیا می خواهید TensorFlow را با پشتیبانی CUDA خریداری کنید؟[Y/N]: N هیچ پشتیبانی CUDA Tensorflow فعال خواهد شد. آیا می خواهید نسخه تازه ای از Clang را بارگیری کنید؟(آزمایشی) [y/n]: n clang پایین نخواهد بود. لطفاً پرچم های بهینه سازی خاص برای استفاده در هنگام تدوین در هنگام گزینه Bazel-Config = Opt "مشخص شده است [پیش فرض اس ت-Wno-Sign-Compare]: N زخم مورد نظر شما را در پیکربندی Teraactive ./workspace برای ساختهای Android؟[y/n]: n پیکربندی فضای کاری برای ساختهای اندرویدی. آیا می خواهید TensorFlow را با پشتیبانی iOS خریداری کنید؟[y/n]: n پشتیبانی iOS بدون فعال کردن Tensorflow فعال خواهد شد. پیکربندی های ساخت Bazel از پیش تنظیم شده. شما می توانید از زیر توسط ADM استفاده کنید "onconfig =<>"به دستور build خود. برای جزئیات بیشتر به . bazelrc مراجعه کنید. --config=mkl # ساخت با پشتیبانی MKL. --config=mkl_aarch64 # ساخت با oneDNN و Compute Library for the Arm Architecture (ACL). --config=monolithic # پیکربندی برای ساخت های یکپارچه اغلب ثابت. --config=numa # ساخت با پشتیبانی NUMA. --config=dynamic_keels # (تجربی) هسته ها را در اشیاء مشترک جداگانه بسازید. --config=v1 # ساخت با API TensorFlow 1 به جای TF 2 API تنظیمات ساخت Bazel از قبل برای غیرفعال کردن پیش فرض در ویژگی ها: --config=nogcp # غیرفعال کردن پشتیبانی GCP --config=nonccl # غیرفعال کردن پشتیبانی NVIDIA NCCL.

گزینه های پیکربندی

پشتیبانی از پردازنده گرافیکی

برای پشتیبانی از GPU، cuda=Y را در حین راه اندازی تنظیم کنید و نسخه های CUDA و cuDNN را مشخص کنید. اگر چندین نسخه از CUDA یا cuDNN را روی سیستم خود نصب کرده اید، به جای تکیه بر نسخه پیش فرض، صریحاً نسخه را نصب کنید../configure پیوندهایی را به کتابخانه های CUDA سیستم شما ایجاد می کند، بنابراین اگر مسیرهای کتابخانه CUDA را به روز کنید، این مرحله پیکربندی باید دوباره قبل از ساخت انجام شود.

بهینه سازی ها

برای پرچم های بهینه سازی کامپایل، مقدار پیش فرض (-march=native) کد تولید شده را برای نوع CPU دستگاه شما بهینه می کند. با این حال، هنگام ساخت TensorFlow برای یک نوع CPU متفاوت، یک پرچم بهینه سازی خاص تر را در نظر بگیرید. برای مثال به دفترچه راهنمای GCC مراجعه کنید.

تنظیمات از پیش تنظیم شده

برخی از تنظیمات ساخت از پیش پیکربندی شده در دسترس هستند که می توانند به دستور ساخت bazel اضافه شوند، به عنوان مثال:

• --config=dbg - ساخت با اطلاعات اشکال زدایی. برای جزئیات بیشتر به CONTRIBUTING. md مراجعه کنید.
• --config=mk l-پشتیبانی از Intel® MKL-DNN.
• --config=monolithic - پیکربندی برای یک ساخت یکپارچه عمدتا ثابت.

پکیج پیپ را بسازید و نصب کنید

بسته پیپ در دو مرحله ایجاد می شود. دستورات ساخت bazel یک برنامه "package builder" ایجاد می کند. سپس پکیج ساز را برای ساخت بسته اجرا می کنید.

پکیج ساز را بسازید

برای ایجاد بسته ساز TensorFlow 2. x فقط از CPU استفاده کنید:

ساخت bazel [--config=option] //tensorflow/tools/pip_package:build_pip_package

پشتیبانی از پردازنده گرافیکی

توجه داشته باشید. پشتیبانی از GPU را می توان با cuda=Y در مرحله ./configure فعال کرد.

برای ایجاد بسته ساز TensorFlow با پشتیبانی GPU:

ساخت bazel --config=cuda [--config=option] //tensorflow/tools/pip_package:build_pip_package

گزینه های ساخت بازل

مونتاژ TensorFlow از کد منبع می تواند از RAM زیادی استفاده کند. اگر سیستم شما در حافظه محدود است ، استفاده از رم Bazel را با استفاده از: -local_ram_resource = 2048 محدود کنید.

بسته های رسمی TensorFlow با استفاده از ابزارهای GCC ایجاد می شود که مطابق با استاندارد بسته Manylinux2014 است.

بسته بندی را جمع کنید

تیم Bazel Build یک پرونده اجرایی به نام Build_PIP_Package ایجاد می کند - این برنامه ای است که بسته PIP را ایجاد می کند. برای ایجاد یک بسته . WHL در کاتالوگ /tmp /tensorflow_pkg ، پرونده اجرایی را همانطور که در زیر نشان داده شده است ، اجرا کنید.

برای مونتاژ از شاخه ای از نسخه:

./bazel-bin/tensorflow/tools/pip_package/build_pip_package/tmp/tensorflow_pkg

برای مونتاژ از استاد ، از nightly_flag استفاده کنید تا وابستگی های مناسب را بدست آورید:

./bazel-bin/tensorflow/tools/pip_package/build_pip_package-nightly_flag/tump/tensorflow_pkg

اگرچه در همان درخت اولیه می توانید تنظیمات CUDA و غیر CU را ایجاد کنید ، توصیه می شود هنگام تعویض بین این دو تنظیم در یک درخت اصلی ، Bazel Clean را راه اندازی کنید.

بسته بندی

نام پرونده تولید شده . WHL به نسخه TensorFlow و پلتفرم شما بستگی دارد. به عنوان مثال از نصب PIP برای نصب بسته استفاده کنید:

نصب PIP/TMP/tensorflow_pkg/tensorflow-نسخه-برچسب ها. WHL

موفقیت: اکنون TensorFlow نصب شده است.

مجامع Docker Linux

تصاویر Docker TensorFlow راهی آسان برای پیکربندی محیط برای مونتاژ بسته های لینوکس از کد منبع است. این تصاویر از قبل حاوی کد منبع و وابستگی لازم برای مونتاژ Tensorflow هستند. برای دریافت دستورالعمل های نصب و لیستی از تصاویر موجود به دفترچه راهنمای TensorFlow Docker بروید.

فقط یک پردازنده

در مثال بعدی ، از تصویر استفاده می شود: برای جمع آوری بسته بندی فقط برای پردازنده از آخرین کد منبع TensorFlow. برای کسب اطلاعات در مورد برچسب های TensorFlo w-devel در دسترس با راهنمای Docker تماس بگیرید.

آخرین تصویر توسعه را بارگیری کنید و ظرف Docker را که برای جمع آوری بسته PIP استفاده می کنید ، شروع کنید:

Docker Pull Tensorflow/Tensorflow: توسعه docker ru n-w/tensorflow_sr c-v $ pwd:/mn t-e host_perms = "$ (i d-u): $ (i d-g)" tensorflow/tensorflow: توسعهضربه شدید Git Pull # Whathin the Container ، آخرین کد منبع را بارگیری کنید 

اجرای Docker فرمان فوق ، پوسته را در کاتالوگ /tensorflow_src راه اندازی می کند - درخت ریشه کد منبع. این فهرست فعلی میزبان را به کاتالوگ کانتینر /MNT سوار می کند و اطلاعات مربوط به کاربر میزبان را از طریق محیط منتقل می کند (برای نصب مجوزها استفاده می شود - Docker می تواند این کار را پیچیده کند).

به عنوان یک گزینه دیگر ، برای ایجاد یک میزبان tensorflow در یک ظرف ، درخت میزبان اولیه را در ظرف کاتالوگ /TensorFlow سوار کنید:

docker ru n-w /tensorflo w-v/مسیر/به/tensorflow:/tensorflow $ pwd:/mnt -e host_perms = "\ ((i d-u): \) (i d-g)" tensorflow/tensorflow:توسعهضربه شدید

با تنظیم درخت اصلی ، یک بسته tensorflow را در محیط مجازی ظرف ایجاد کنید:

1. این اختیاری است: مونتاژ را پیکربندی کنید - از کاربر خواسته می شود تا به سؤالات مربوط به پیکربندی مونتاژ پاسخ دهد.
2. ابزاری را برای ایجاد بسته PIP ایجاد کنید.
3. ابزار را برای ایجاد یک بسته PIP اجرا کنید.
4. مالکیت پرونده را در خارج از ظرف تنظیم کنید.

./configure # در صورت لزوم BAZEL BUIL D-CONFIG = OPT // TENSORFLOW/TOOLS/PIP_PACKAGE: BUILD_PIP_PACKAGE ./bazel-bin/tensorflow/tools/pip_package/build_pip_package/mnt # ایجاد بسته chown $ host_perms /mnt /tensorflow-نسخه-برچسب ها. WHL 

بسته داخل ظرف را نصب کرده و بررسی کنید:

PIP TensorFlow را حذف نصب کنید # نسخه فعلی را حذف کنید نصب PIP /mnt /tensorflow-نسخه-برچسب ها. WHL CD /TMP # DONOMET واردات از فهرست منبع Pytho n-C "واردات TensorFlow به عنوان TF ؛ چاپ (TF . __ نسخه __)" 

موفقیت: اکنون TensorFlow نصب شده است.

بسته PIP TensorFlow در میزبان کاتالوگ فعلی (با حقوق کاربر میزبان) است:/Tensorflow- نسخه- برچسب ها.

پشتیبانی از پردازنده گرافیکی

Docker ساده ترین راه برای ارائه پشتیبانی TensorFlow با یک پردازنده گرافیکی است ، زیرا درایور NVIDIA® برای یک کامپیوتر مورد نیاز است (NVIDIA® CUDA® Toolkit Tools). برای پشتیبانی از پردازنده گرافیک و دفترچه راهنمای TensorFlow Docker برای پیکربندی Nvidia-Docker (فقط برای لینوکس) با راهنمای پشتیبانی از پردازنده گرافیک و دفترچه راهنمای TensorFlow تماس بگیرید.

در مثال بعدی ، تصویر TensorFlow بارگیری می شود: Devel-GPU و Nvidia-Docker برای راه اندازی یک ظرف با پشتیبانی از پردازنده گرافیکی استفاده می شود. این تصویر توسعه برای مونتاژ بسته PIP با پشتیبانی از پردازنده گرافیکی پیکربندی شده است:

Docker Pull Tensorflow/Tensorflow: devel-gpu docker run --gpus al l-w/tensorflow $ pwd:/mn t-e host_perms = "$ (i d-u): $ (i d-g)" tensorflow/tensorflow: devel-gpuضربه شدید Git Pull # Whathin the Container ، آخرین کد منبع را بارگیری کنید 

سپس ، در محیط مجازی ظرف ، بسته Tensorflow را با پشتیبانی از پردازنده گرافیکی جمع آوری کنید:

./configure # در صورت لزوم Bazel Buil d-config = op t-config = cuda // tensorflow/tools/pip_package: build_pip_package ./bazel-bin/tensorflow/tools/pip_package/build_pip_package/mnt # ایجاد بسته chown $ host_perms /mnt /tensorflow-نسخه-برچسب ها. WHL 

بسته داخل ظرف را نصب کرده و بررسی کنید و حضور یک پردازنده گرافیکی را بررسی کنید:

PIP TensorFlow را حذف نصب کنید # نسخه فعلی را حذف کنید نصب PIP /mnt /tensorflow-نسخه-برچسب ها. WHL CD /TMP # DONOMET واردات از فهرست منبع Pytho n-c "واردات tensorflow را به عنوان tf ؛ چاپ (" num gpus موجود: "، len (tf. config. list_physical_devices ('gpu'))") ")") ")") ")") " 

موفقیت: اکنون TensorFlow نصب شده است.

تنظیمات مونتاژ آزمایش شده

لینوکس

CPU

پردازنده گرافیکی

سیستم عامل مک

CPU

پردازنده گرافیکی

مگر در مواردی که مشخص نشده باشد ، محتوای موجود در این صفحه تحت مجوز Creative Commons ارائه شده است که نشان دهنده نویسندگی 4. 0 و کد کد با توجه به مجوز Apache 2. 0 است. اطلاعات بیشتر در مورد این را در قوانین سایت بخوانید. جاوا یک علامت تجاری ثبت شده از شرکت اوراکل و افراد وابسته آن است.

آخرین بروزرسانی: 2023-04-14 UTC.