TensorFlow est une plateforme open-source développée par Google pour l’apprentissage automatique et l’IA (intelligence artificielle). Elle aide les développeurs qui travaillent dans ce domaine à accomplir toute une série de tâches.
Pour commencer, vous devez avoir une bonne compréhension de l’apprentissage automatique ou, plus précisément, de l’apprentissage profond avant de pouvoir utiliser TensorFlow.
Permettez-moi ici de vous présenter TensorFlow, ses fonctionnalités et les méthodes rapides pour l’installer sous Windows et Linux.
Vue d’ensemble de TensorFlow
Techniquement, TensorFlow est une plateforme open-source qui aide les applications d’apprentissage profond et tout autre cas d’utilisation de l’apprentissage automatique.
Elle facilite la création et le déploiement d’applications basées sur l’apprentissage automatique. Si vous souhaitez résoudre un problème à l’aide de l’apprentissage automatique, vous pouvez obtenir de l’aide avec TensorFlow.
TensorFlow fournit des outils permettant de développer et d’entraîner des modèles à l’aide de Python ou de JavaScript. Bien que je ne sois pas développeur, vous pouvez consulter sa documentation pour savoir comment il affecte votre flux de travail lors du déploiement d’une application d’apprentissage automatique.
Caractéristiques de TensorFlow
TensorFlow est célèbre pour plusieurs raisons, et vous pouvez l’évaluer par vous-même en connaissant ses meilleures fonctionnalités.
Si nous discutons des avantages techniques, vous devrez les comparer à ce que vous faites. Nous nous concentrerons donc sur les fonctionnalités communes les plus utiles.
1. Source ouverte
Google a décidé d’ouvrir TensorFlow en 2015 afin de permettre à la communauté de l’améliorer et d’assurer la transparence de son fonctionnement.
Les développeurs peuvent personnaliser la bibliothèque de différentes manières pour résoudre des problèmes auxquels vous ne vous attendiez peut-être pas.
Sans un framework open-source, il n’aurait peut-être pas été aussi populaire qu’il l’est. D’où
2. Débogage facile
TensorFlow vise à vous aider à construire facilement des modèles ; par conséquent, une expérience de débogage sans effort fait partie de ce processus.
L’expérience utilisateur intuitive est une cerise sur le gâteau.
3. Prise en charge des CPU et des GPU
Avec TensorFlow, vous avez la possibilité d’entraîner le calcul des données sur un CPU ou un GPU. En général, un GPU accélère les choses pour les applications d’apprentissage profond par rapport à un CPU.
Ainsi, si vous disposez d’un puissant GPU, TensorFlow peut vous aider à en tirer le meilleur parti.
4. API utiles pour l’apprentissage automatique
Les API aident les développeurs à intégrer diverses fonctionnalités dans leurs applications. TensorFlow donne accès à une bonne collection d’API stables.
Certaines d’entre elles peuvent également offrir des avantages en termes de performances. Selon les déclarations officielles, vous ne devriez pas avoir de problème avec les API disponibles en Python. Si vous travaillez avec d’autres langages, vous devez vérifier auprès des responsables de TensorFlow s’ils sont adaptés à votre cas d’utilisation.
5. Modèles prêts pour la production
TensorFlow propose une variété de modèles pré-entraînés. Que vous soyez un professionnel ou un débutant, vous pouvez les utiliser pour gagner du temps et construire des modèles ML plus rapidement.
En plus de ces fonctionnalités, vous bénéficiez de la flexibilité, de la facilité d’utilisation, d’une boîte à outils de visualisation et d’autres éléments qui peuvent faciliter votre flux de travail de développement de l’apprentissage automatique.
Maintenant que vous avez une bonne idée de TensorFlow, où pouvez-vous le télécharger ? Comment l’installer et le configurer sur vos systèmes Windows et Linux ?
Voyons cela ci-dessous.
Téléchargement et installation de TensorFlow
Contrairement à d’autres programmes, vous n’obtiendrez pas ici de fichier d’installation .exe. Vous devrez principalement télécharger le paquet à l’aide du gestionnaire de paquets recommandé.
Dans l’ensemble, il existe différentes méthodes d’installation. Nous pouvons les énumérer comme suit :
- Utilisation de Miniconda et de pip
- Utilisation de Miniconda et de pip sur WSL 2
- Utilisation d’un conteneur Docker
- Construire à partir des sources
Comment installer TensorFlow sur Windows ?
Contrairement à d’autres programmes, vous n’obtiendrez pas de fichier d’installation .exe. Vous devrez télécharger le paquetage en utilisant le gestionnaire de paquetage recommandé.
#1. En utilisant Miniconda et pip (Méthode recommandée)
Note : Au moment où nous écrivons ces lignes, TensorFlow 2.10 est la dernière version à supporter le GPU sur Windows (nativement). Si vous travaillez avec des paquets plus récents, TensorFlow vous recommande d’installer TensorFlow in WSL 2, qui sera discuté plus loin.
Si vous souhaitez utiliser TensorFlow avec le support du GPU, TensorFlow vous recommande d’utiliser Miniconda(installateur pour le gestionnaire de paquets conda) pour commencer.
Avec Miniconda, vous pouvez créer un environnement séparé pour éviter tout conflit avec d’autres logiciels dans votre système.
Pour commencer, vous devez télécharger la dernière version de Miniconda Windows Installer et suivre les instructions à l’écran pour terminer l’installation.
Une fois l’installation terminée, vous devez lancer l’invite Miniconda comme indiqué dans la capture d’écran :
Voici à quoi cela ressemble :
Une fois la fenêtre d’invite Anaconda affichée, vous pouvez taper la commande suivante pour vous assurer que le gestionnaire de paquets conda a été mis à jour :
conda update -n base -c defaults conda
Ceci étant dit, voici les étapes à suivre pour installer TensorFlow :
Tout d’abord, créez un nouvel environnement (avec le nom tf) :
conda create --name tf python=3.9
Astuce: Vous pouvez l’activer/désactiver en utilisant les commandes : conda activate tf et conda deactivate
Vous devrez l’activer pour continuer. Pour activer le support du GPU dans le processus, vous devez vous assurer que votre pilote graphique (NVIDIA GPU) est installé, puis installer quelques paquets à l’aide de la commande suivante :
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
Cette commande télécharge environ 1 gigaoctet de paquets, qui comprennent des outils vous permettant de déployer des applications d’apprentissage automatique avec le GPU et un réseau neuronal profond.
Enfin, vous devrez utiliser le gestionnaire de paquets pip pour installer le paquet TensorFlow. Vous pouvez choisir d’utiliser conda pour installer Tensorflow, mais il se peut qu’il ne dispose pas de la dernière version stable nécessaire.
Avant de procéder, assurez-vous que pip a été mis à jour en utilisant la commande :
pip install --upgrade pip
Une fois cela fait, installez TensorFlow avec :
pip install tensorflow
Vous remarquerez que de nombreux paquets sont en cours de construction/installation. Le processus peut sembler bloqué, mais donnez-lui une minute, et il devrait reprendre et terminer l’installation.
#2. Utiliser Conda et pip sur le WSL 2
En supposant que vous ayez déjà installé WSL 2 sur votre système, vous pouvez installer TensorFlow en utilisant les commandes suivantes dans le terminal de la distribution :
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
# Vérifiez l'installation :
python3 -c "import tensorflow as tf ; print(tf.config.list_physical_devices('GPU'))"
Vous pouvez coller tout cela en une seule fois, et les données seront traitées une par une.
Au cas où vous n’auriez pas installé WSL 2 sur Windows. Allez à l’invite de commande avec un accès administrateur, puis tapez ce qui suit :
wsl.exe --install
Cela devrait télécharger Ubuntu et activer la fonction WSL pour votre système. Vous devrez redémarrer votre PC pour que l’opération soit terminée.
Si vous ne trouvez pas Ubuntu sur votre système, vous pouvez vous rendre sur le Microsoft Store et installer Ubuntu WSL.
#3. Construire à partir des sources
Étant donné que TensorFlow est open-source, vous pouvez le construire à partir de la base avec vos options de configuration.
Cette méthode est donc recommandée pour les utilisateurs avancés qui connaissent toutes les options et les rouages de la configuration. Reportez-vous à la documentation officielle pour en savoir plus.
Comment installer TensorFlow sur Linux ?
Comme pour Windows, vous pouvez installer TensorFlow en utilisant Miniconda et pip sur Linux. Vous pouvez également choisir de construire à partir des sources.
Laissez-moi vous montrer comment faire :
#1. Utiliser Miniconda et pip (Méthode recommandée)
Note : Suivez les mêmes commandes que pour Windows. La seule différence est la façon dont vous installez/téléchargez Miniconda sur Linux.
Voici comment installer Miniconda sur Linux en utilisant le 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
Redémarrez le terminal de votre distribution Linux pour obtenir quelque chose comme ceci :
Vous remarquerez un ( base) devant les variables de l’invite du terminal. Cela indique que conda est actuellement actif et installé.
Ne le désactivez pas tant que vous n’avez pas terminé l’installation de TensorFlow.
Vous pouvez naviguer vers les étapes mentionnées ci-dessus pour Windows et l’installer. Ou bien, collez ce qui suit pour installer 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
# Vérifiez l'installation :
python3 -c "import tensorflow as tf ; print(tf.config.list_physical_devices('GPU'))"
Avec Linux, vous pouvez avoir des problèmes avec le pilote GPU. Pour cela, vous devriez consulter la documentation de NVIDIA pour en savoir plus.
#2. Construire à partir du code source
Comme sous Windows, la construction à partir du code source est délicate sous Linux et réservée aux utilisateurs avancés.
Vous (en supposant que vous soyez un débutant) ne devriez pas opter pour cette méthode à moins que vous n’ayez quelque chose de spécifique à l’esprit. Le meilleur moyen d’en savoir plus est de consulter la documentation.
Comment installer TensorFlow à l’aide de Docker ? (Windows et Linux)
Quelle que soit la plateforme, Docker vous permet d’installer des images TensorFlow sans problème.
Assurez-vous que Docker est installé sur votre système, ou vous pouvez suivre notre guide d’installation de Docker pour vous aider.
Une fois l’installation terminée, vous devez entrer la commande suivante depuis Docker :
docker pull tensorflow/tensorflow
Vous devez avoir une certaine expertise des conteneurs Docker pour démarrer un conteneur avec les configurations requises pour votre travail.
Pour le support spécifique des GPU ou le téléchargement d’une version différente de TensorFlow, référez-vous aux options disponibles dans la documentation officielle.
Voici à quoi ressemble la commande lorsque vous souhaitez l’exécuter à l’aide de Docker :
docker run [-it] [--rm] [-p hostPort:containerPort] tensorflow/tensorflow[:tag] [command]
Erreurs d’installation courantes de TensorFlow
Pour conclure, voici quelques erreurs courantes que vous pouvez rencontrer en essayant d’installer TensorFlow :
- “ImportError : Le chargement de la DLL a échoué : Le module spécifié n’a pas été trouvé” :
Cela signifie simplement que CUDA n’est pas installé.
- “AttributeError : module ‘tensorflow’ has no attribute’ Session’”:
Votre installation de TensorFlow est corrompue. Désinstallez complètement TensorFlow et TensorFlow-GPU, puis réinstallez TensorFlow-GPU.
- Le problème générique, probablement lié à tensorboard:
Tensorflow utilise tensorboard, qui peut être parfois “capricieux”. Il est impératif d’avoir tensorboard dans la même version que TensorFlow et de désinstaller les versions ultérieures.
- “ImportError : Le chargement de la DLL a échoué : Le module spécifié n’a pas pu être trouvé” :
Soit CUDA n’a pas été installé (utilisez memcheck), soit la version du GPU TensorFlow installée n’est pas compatible. La solution est simple : désinstallez TensorFlow-GPU et installez une version plus ancienne.
- “ImportError : Could not find ‘ cudart 64_10.dll’” :
La version de CUDA installée n’est pas compatible avec votre ordinateur. Cette erreur vous indique que vous avez besoin de CUDA 10.0 en 64 bits. Vous pouvez donc désinstaller complètement CUDA et installer la version indiquée dans la console. N’oubliez pas de modifier les variables d’environnement avec la nouvelle installation
Conclusion
L’installation de TensorFlow se fait en une seule fois, et grâce à notre guide, le processus devrait être simple pour la plupart des utilisateurs.
Si vous aviez déjà des configurations antérieures ou une installation avec des versions plus anciennes de Python ou un gestionnaire de paquets Conda plus ancien, assurez-vous d’appliquer les dernières mises à jour à TensorFlow. Assurez-vous d’appliquer les dernières mises à jour pour installer TensorFlow de manière transparente.
Vous pouvez également explorer les meilleures plateformes d’IA pour créer des applications d’IA et de ML.