Introduzione
TensorFlow è una libreria software open source per l'apprendimento automatico (machine learning) che viene utilizzata per la realizzazione di algoritmi per diversi tipi di compiti percettivi e di comprensione del linguaggio. Si tratta di una libreria matematica simbolica basata sul flusso di dati e su programmi differenti, che viene utilizzata soprattutto per il cosiddetto deep learning, ovvero per l'analisi di set di dati massicci. TensorFlow è una piattaforma end-to-end per il machine learning, che permette di accelerare le diverse fasi del processo di sviluppo di un modello di apprendimento automatico. In particolare, TensorFlow offre strumenti per la preparazione dei dati, la creazione di modelli di machine learning, il loro addestramento e la loro distribuzione in diversi contesti, come ad esempio on-premises, on-device, in cloud o nel browser.
Se non conosci TensorFlow e vuoi iniziare con Ubuntu, questo tutorial passo dopo passo ti guiderà attraverso il processo di installazione di TensorFlow sul tuo sistema Ubuntu. Alla fine di questo tutorial, avrai un'installazione funzionante di TensorFlow e sarai pronto per iniziare a creare e addestrare i tuoi modelli di machine learning.
Requisiti hardware
I requisiti hardware per l'installazione di TensorFlow su Ubuntu dipendono dal tipo di installazione che stai eseguendo, in particolare se stai installando la versione CPU o la versione GPU di TensorFlow. Ecco i requisiti hardware di base per ciascuna versione:
Versione CPU
- Processore: CPU x86-64 con supporto AVX2
- RAM: 2 GB o più
- Spazio su disco: 500 MB o più
Versione GPU
- Processore: GPU NVIDIA con capacità di calcolo di 3.5 o superiore (vedere l'elenco delle GPU supportate)
- NVIDIA CUDA Toolkit: versione 11.0 o successiva (vedere i requisiti di CUDA Toolkit)
- Libreria cuDNN: versione 8.0 o superiore (vedere i requisiti cuDNN)
- RAM: 4 GB o più
- Spazio su disco: 500 MB o più
Vale anche la pena notare che l'utilizzo di una GPU può velocizzare notevolmente l'addestramento dei modelli di deep learning, quindi se si dispone di una GPU NVIDIA compatibile, si consiglia vivamente di installare la versione GPU di TensorFlow. Tuttavia, la versione CPU può ancora essere utilizzata per molte attività di apprendimento automatico ed è una buona opzione se non si dispone di una GPU compatibile.
Aggiornare il tuo sistema
Prima di iniziare, è importante assicurarsi che il proprio sistema Ubuntu sia aggiornato. Apri una finestra di terminale ed esegui il seguente comando per aggiornare l'elenco dei pacchetti del tuo sistema e installare tutti gli aggiornamenti disponibili:
sudo apt update && sudo apt upgrade Installare Python 3 e PIP
TensorFlow richiede Python 3.7-3.10, quindi se non hai installato Python, puoi installarlo eseguendo:
sudo apt install python3-dev python3-pip Questo installerà anche pip, il programma di installazione del pacchetto per Python.
Creare un ambiente virtuale (facoltativo)
Si consiglia di utilizzare un ambiente virtuale per isolare TensorFlow e le sue dipendenze da altri pacchetti sul sistema. Per prima cosa installa il pacchetto Python per la creazione di ambienti virtuali:
sudo apt install python3-venv Quindi, crea una nuova directory per la tua applicazione Tensorflow e passa a loro:
mkdir tensorflow-app && cd tensorflow-app Quindi, puoi creare un ambiente virtuale eseguendo:
python3 -m venv venvQuesto creerà un ambiente virtuale chiamato "venv" nella directory corrente.
Per attivare l'ambiente virtuale, eseguire:
source venv/bin/activate Ora dovresti vedere il nome dell'ambiente virtuale nel prompt del terminale.
Installare TensorFlow
Con Python e pip installati, ora puoi installare TensorFlow. Per installare la versione CPU di TensorFlow, eseguire:
pip install --upgrade tensorflow Se disponi di una GPU e desideri installare la versione GPU di TensorFlow, dovrai prima installare NVIDIA CUDA Toolkit e la libreria cuDNN. Puoi trovare le istruzioni per l'installazione di queste librerie nella documentazione di TensorFlow.
Installare i componenti aggiuntivi di TensorFlow (facoltativo)
TensorFlow Addons è un repository di estensioni e plug-in sviluppati dalla comunità per TensorFlow. Per installare TensorFlow Addons, eseguire:
pip install --upgrade tensorflow-addons Questo installerà l'ultima versione di TensorFlow Addons.
Testare l'installazione
Una volta installato TensorFlow, puoi testare l'installazione eseguendo un semplice script che crea ed esegue una sessione TensorFlow:
python -c "import tensorflow as tf; print(tf.version.VERSION)" Se TensorFlow è installato correttamente, dovresti vedere la versione di TensorFlow stampata sul terminale.
Installare Jupyter Notebook (facoltativo)
Jupyter Notebook è un ambiente di sviluppo interattivo basato sul Web per Python. È un ottimo strumento per esplorare e sperimentare il codice TensorFlow. Per installare Jupyter Notebook, eseguire:
pip install jupyter Per avviare Jupyter Notebook, eseguire:
jupyter notebook Questo avvierà il server Jupyter Notebook e aprirà una nuova finestra del browser con l'interfaccia Jupyter Notebook.
Creare un nuovo notebook(facoltativo)
Nell'interfaccia di Jupyter Notebook, fai clic su "Nuovo" e seleziona "Python 3" per creare un nuovo notebook. Nella prima cella, digita il seguente codice per importare TensorFlow:
import tensorflow as tfOra puoi iniziare a sperimentare con TensorFlow nel tuo Jupyter Notebook!
Creare una rete neurale semplice usando TensorFlow
In questo esempio, stiamo creando una rete neurale che può riconoscere i numeri scritti a mano nel dataset MNIST. Il modello è composto da un livello di input, due livelli densi e un livello di output. Usiamo la funzione di attivazione ReLU per i primi due livelli densi, e per l'ultimo livello non usiamo alcuna funzione di attivazione poiché stiamo lavorando con un problema di classificazione multiclasse:
import tensorflow as tf
from tensorflow import keras
# Carica il dataset MNIST di numeri scritti a mano
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
# Normalizza i dati
x_train = x_train / 255.0
x_test = x_test / 255.0
# Definisci il modello
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10)
])
# Compila il modello
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
# Addestra il modello
model.fit(x_train, y_train, epochs=10)
# Valuta l'accuratezza del modello sui dati di test
test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print('\nTest accuracy:', test_acc)Infine, il modello viene addestrato sui dati di addestramento per 10 epoche, e poi viene valutato sull'accuratezza dei dati di test. Questo esempio è solo l'inizio del potenziale di TensorFlow nel campo dell'apprendimento automatico.
Disattivare l'ambiente virtuale (facoltativo)
Se hai creato un ambiente virtuale nel passaggio 3, puoi disattivarlo eseguendo:
deactivate Questo ti riporterà all'ambiente Python predefinito del tuo sistema.
E questo è tutto! Ora dovresti avere TensorFlow installato e pronto per l'uso sul tuo sistema Ubuntu. Che tu sia un principiante dell'apprendimento automatico o uno sviluppatore esperto, TensorFlow su Ubuntu è un potente strumento per la creazione e l'addestramento di modelli di apprendimento automatico.
Conclusione
Installare TensorFlow su Ubuntu può essere un po' scoraggiante, specialmente se sei nuovo nell'apprendimento automatico e in Linux. Tuttavia, con questo tutorial passo-passo, dovresti essere in grado di installare facilmente TensorFlow e iniziare con l'apprendimento automatico su Ubuntu.
Ricordati di mantenere aggiornato il tuo sistema, creare un ambiente virtuale per TensorFlow e testare l'installazione per assicurarti che tutto funzioni correttamente. Dopo aver installato TensorFlow, le possibilità sono infinite e avrai a disposizione un potente strumento per creare e addestrare i tuoi modelli di machine learning.
