如何在Ubuntu16.04上安装并使用 ensorFlow

TensorFlow 是由谷歌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。图中的每个节点表示神经网络在多维数组上执行的操作。这些多维数组通常称为“张量(tensors)”，因此命名为“TensorFlow”。

TensorFlow 是一个深度学习软件系统。根据谷歌机器学习人工智能系统中的排名(RankBrain)，TensorFlow 可以很好地用于信息检索。TensorFlow 可以执行图像识别，如谷歌的 Inception，以及人类语言的音频识别。它也有助于解决其他不特定于机器学习的问题，如偏微分方程。

TensorFlow 架构允许部署在桌面、服务器或移动设备中的多个 CPU 或 GPU 上。还有与 CUDA 集成的扩展，CUDA 是 Nvidia 的一个并行计算平台。它可让部署在 GPU 上的用户直接访问虚拟指令集和 GPU 的其他元素，这对于并行计算任务是必需的。

在本教程中，您将安装“只支持 CPU”的 TensorFlow 版本。这对于那些想要安装和使用 TensorFlow 的人来说是非常理想的，不需要依赖 Nvidia 显卡或者不需要运行关键性能的应用程序。

您可以通过以下几种方式安装 TensorFlow。每种方法都有不同的用例和开发环境：

Python 和 Virtualenv：在此方法中，您将安装 TensorFlow 并在 Python 虚拟环境中使用 TensorFlow 所需的所有包。这将把您的 TensorFlow 环境与同一台机器上的其他 Python 程序隔离开来。

Native pip：在此方法中，您将在系统全局中安装 TensorFlow。这是推荐给多用户系统上使用 TensorFlow 的那些人。这种安装方法不会在包环境中隔离 TensorFlow，并且可能会干扰其他 Python 安装或库。

Docker：Docker 是一个容器运行时环境，它将内容完全隔离在系统上预先存在的包中。在这个方法中，您使用包含 TensorFlow 及其所有依赖项的 Docker 容器。这种方法非常适合将 TensorFlow 合并到已经使用 Docker 的更大的应用程序体系结构中。但是这样做的话 Docker 镜像将相当大。

在本教程中，您将在 Python 虚拟环境 virtualenv 中安装 TensorFlow。该方法将 TensorFlow 安装隔离，并快速启动和运行。一旦完成安装，您将通过运行一个简单的 TensorFlow 程序来验证安装是否成功，然后使用 TensorFlow 来执行图像识别。

安装准备

在开始本教程之前，您需要准备以下内容:

一个至少 1GB 内存的 Ubuntu 16.04 服务器，根据 Ubuntu 16.04 初始化服务器设置指南进行设置，包括 sudo 非 root 用户和防火墙。您需要至少 1GB 内存的系统才能成功地完成本教程的最后一个示例。

安装 Python 3.3 或更高版本以及虚拟环境 virtualenv。按照如何在 Ubuntu 16.04 上安装 Python 3 教程以配置 Python 和 virtualenv。

安装 Git，您可以通过以下方式来实现，如何在 Ubuntu 16.04 上安装 Git。您将使用它来下载一个示例存储库。
 

步骤 1 — 安装 TensorFlow

在此步骤中，我们将创建一个虚拟环境并安装 TensorFlow。

首先，创建一个名为 tf-demo 的项目目录：

$ mkdir ~/tf-demo

导航到新创建的 tf-demo 目录下：

$ cd ~/tf-demo

然后创建一个名为 tensorflow-dev 的新虚拟环境。运行以下命令创建环境：

$ python3 -m venv tensorflow-dev

这将创建一个新的 tensorflow-dev 目录，该目录将包含环境被激活时需要安装的所有包。它还包括 pip 和一个独立版本的 Python。

现在激活你的虚拟环境：

$ source tensorflow-dev/bin/activate

一旦激活，你将会在你的终端看到如下内容：

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

现在可以在虚拟环境中安装 TensorFlow。

运行以下命令安装和升级到 PyPi 中最新版本的 TensorFlow：

(tensorflow-dev) $ pip3 install --upgrade tensorflow

TensorFlow 将开始安装：

OutputCollecting 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

如果你希望随时关闭虚拟环境，使用下面的命令：

$ deactivate

如果要重新激活环境，导航至项目目录并运行 source tensorflow-dev/bin/activate.

现在，您已经安装了 TensorFlow，让我们确认一下 TensorFlow 是否安装成功。
 

步骤 2 — 验证安装是否成功

为了验证 TensorFlow 是否安装成功，我们将在 TensorFlow 中使用非 root 用户权限运行一个的简单程序。我们将使用惯用的初学者示例"Hello, world!"作为一种验证形式来验证。我们将使用 Python 的交互式控制台(Python's interactive console)来创建这个程序，而不是创建一个 Python 文件。

要编写程序，请启动 Python 解释器：

(tensorflow-dev) $ python

您将会在终端看到如下的提示

>>>

这是 Python 解释器的提示符，这表明它已经准备好让您开始输入一些 Python 语句。

首先，输入这一行代码来导入 TensorFlow 包，并将其作为本地变量 tf。输入代码后按回车键：

>>> import tensorflow as tf

接下来，添加这行代码来设置信息"Hello, world!"：

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

然后创建一个新的 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:

Output2017-06-18 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.

这告诉你，你有一个指令集(instruction set)，它可以继续优化，以获得更好的 TensorFlow 性能。如果你看到这个，你可以放心地忽略它并继续下面的步骤。

最后，输入这一行代码，打印出在之前的代码行中构建的 hello TensorFlow 会话的结果：

>>> print(sess.run(hello))

您将在控制台中看到如下输出：

OutputHello, world!

这表明一切都正常，您可以开始使用 TensorFlow 来做一些有趣的事情。

通过按下 CTRL+D 退出 Python 交互式控制台。

现在让我们使用 TensorFlow 的图像识别 API 来熟悉 TensorFlow 吧。
 

步骤3 — 使用 TensorFlow 进行图像识别

现在已经安装了 TensorFlow，通过运行一个简单的程序来验证一下，让我们看看 TensorFlow 的图像识别功能。

为了给图像分类，你需要训练一个模型。然后您需要编写一些代码来使用该模型。要了解更多有关这些概念的知识，您可以看一看机器学习的介绍 (An Introduction to Machine Learning)。

TensorFlow 提供了模型和示例的存储库，包括代码和用于对图像进行分类的训练模型。

使用 Git 将 TensorFlow 模型仓库从 GitHub 克隆到您的项目目录中：

(tensorflow-dev) $ git clone https://github.com/tensorflow/models.git

当 Git 将存储库检出新文件夹 models 时，您将看到以下输出：

OutputCloning into 'models'...remote: Counting objects: 8785, done.remote: Total 8785 (delta 0), reused 0 (delta 0), pack-reused 8785Receiving 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：

(tensorflow-dev) $ cd models/tutorials/image/imagenet

此目录包含 classify_image.py 文件，它使用 TensorFlow 来识别图像。这个程序在第一次运行时会从 tensorflow.org 下载一个经过训练的模型。下载该模型需要您的磁盘有 200MB 的可用空间。

在本例中，我们将对预处理好的熊猫图像进行分类。执行这条命令以运行图像分类器程序：

(tensorflow-dev) $ python classify_image.py

您将看到以下输出：

Outputgiant 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)

您已经使用了 TensorFlow 的图像识别功能对您的第一个图像进行了分类。

如果您想要使用另一个图像，可以通过将 -- image_file 参数添加到 python3 classify_image.py 中来实现。对于这个参数，您将需要传入图像文件的绝对路径。
 

最后

您已经在 Python 虚拟环境中安装了 TensorFlow，并通过运行几个示例验证了 TensorFlow 的运行情况。现在您拥有了一些工具，它们可以让您探索其他项目，包括卷积神经网络和 Word Embeddings。

TensorFlow 的开发者指南是个非常好的资源和手册。您还可以探索 Kaggle，这是一个检验机器学习概念实际应用的竞争平台，您与其他机器学习、数据科学和统计爱好者进行竞赛。他们有一个优秀的维基主页，你可以看到和分享一些解决方案，其中一些是在统计和机器学习技术的前沿思想。