TensorFlow¶

В этой статье

• TensorFlow. Основные возможности
• Особенности сборки
• Начало работы после развертывания TensorFlow
• Подключение и первоначальные настройки
• Заказ сервера с TensorFlow с помощью API

TensorFlow. Основные возможности¶

• Готовая к использованию среда: предустановленная последняя стабильная версия TensorFlow. Оптимизированные драйверы NVIDIA и настройки CUDA. Поддержка создания и управления множеством виртуальных сред Python.
• Поддержка различных типов моделей машинного обучения: возможность создавать и обучать широкий спектр моделей, включая нейронные сети, линейную регрессию, логистическую регрессию и многие другие. Это универсальный инструмент для решения разнообразных задач машинного обучения.
• Масштабируемость: позволяет обучать модели на больших объемах данных. Эта библиотека может эффективно использовать вычислительные ресурсы, распределяя нагрузку между несколькими процессорами или графическими процессорами.
• Гибкость: TensorFlow предоставляет гибкий программный интерфейс, позволяющий разработчикам создавать модели машинного обучения с учетом своих конкретных потребностей. Он поддерживает различные уровни абстракции, от низкоуровневого управления вычислениями до высокоуровневых API для быстрого прототипирования.
• Инструменты визуализации: наличие инструментов визуализации структуры моделей, графов вычислений и данных. Этот функционал помогает лучше понимать и отлаживать модели, а также облегчает интерпретацию результатов.
• Поддержка распределенных вычислений: возможность распределять вычисления между несколькими устройствами, такими как ЦП и ГПУ, а также между несколькими машинами в кластере. Это обеспечивает ускорение обучения и вывода моделей за счет параллельных вычислений.
• Интеграция с другими библиотеками: TensorFlow можно легко интегрировать с другими популярными библиотеками для машинного обучения, такими как Keras, scikit-learn и многими другими.
• Обширное сообщество и обучающие ресурсы: активное сообщество пользователей и разработчиков, работающих с TensorFlow, а также множество обучающих ресурсов, таких как документация, учебные курсы, туториалы и примеры кода.

Приватный сервер с TensorFlow предназначен для исследователей, разработчиков и компаний, которым требуется безопасная и производительная вычислительная среда для разработки и обучения моделей машинного обучения с использованием TensorFlow. Он обеспечивает полный контроль над ресурсами и конфиденциальность данных, а также ускоряет процесс обучения моделей за счет использования современных GPU NVIDIA.

Особенности сборки¶

• Время на установку 15-30 минут вместе с OS;
• Установка Python, TensorFlow, CUDA, драйверов NVIDIA;
• Домашняя директория пользователя user - home/user
• Системные требования: профессиональная видеокарта (NVIDIA RTX A4000/A5000, NVIDIA H100), не менее 16 ГБ оперативной памяти.

Начало работы после развертывания TensorFlow¶

После оплаты заказа на указанную при регистрации электронную почту придет уведомление о готовности сервера к работе. В нем будет указан IP-адрес VPS, а также логин и пароль для подключения. Управление оборудованием клиенты нашей компании осуществляют в панели управления серверами и API — Invapi.

Данные для авторизации, которые можно найти или во вкладке Информация >> Тэги панели управления сервером или в присланном e-mail:

• Логин: root - для администратора, user - для работы с TensorFlow;
• Пароль: для администратора - приходит в письме на вашу электронную почту при сдаче сервера, для пользователя user расположен в файле /root/user_credentials;

Подключение и первоначальные настройки¶

После получения доступа к серверу необходимо установить соединение с ним по протоколу SSH с правами суперпользователя (root):

ssh root@<server_ip>

nano /root/user_credentials

Затем завершить сессию root и вновь подключиться к серверу по SSH от имени пользователя user, используя скопированный пароль.

После перехода в учетную записьuserнеобходимо активировать виртуальное окружение venv командой:

. tensorflow.sh

Теперь вы можете приступить к работе в интерпретаторе Python, запустив его командой:

python

Для проверки работы библиотеки и поддержка GPU можно набрать в консоли Python следующую программу:

import tensorflow as tf
print(tf.reduce_sum(tf.random.normal([1000, 1000])))

Также можно использовать скрипт тренировки tensorflow-2-simple-examples. Предварительно необходимо создать файл и скопировать в него текст скрипта. Пример вывода:

Заказ сервера с TensorFlow с помощью API¶

Для установки данного ПО с использованием API следуйте этой инструкции.