TensorFlow¶

Այս հոդվածում

• TensorFlow. Հիմնական հնարավորություններ
• Տեղակայման հնարավորություններ
• TensorFlow-ով աշխատանքի սկսումը տեղակայումից հետո
• Կապվելը և սկզբնական կարգավորումները
• Սերվեր պատվիրել TensorFlow-ով API-ի միջոցով

TensorFlow. Հիմնական հնարավորություններ¶

• Նախադասավորված միջավայր. նախադրված TensorFlow-ի վերջին կայուն տարբերակը, օպտիմալացված NVIDIA դրայվերներ և CUDA կարգավորումներ։ Աջակցում է բազմաթիվ Python վիրտուալ միջավայրերի ստեղծմանը և կառավարմանը։
• Մեքենայական ուսուցման մոդելների բազմազանություն. հնարավորություն է տալիս ստեղծել և ուսուցանել մոդելների լայն շրջանակ, ներառյալ նեյրոնային ցանցեր, գծային ռեգրեսիա, լոգիստիկ ռեգրեսիա և շատ այլն։ Շատակողմանի գործիք է տարբեր մեքենայական ուսուցման խնդիրներ լուծելու համար։
• Մասշտաբայնություն. թույլ է տալիս ուսուցանել մոդելներ մեծ տվյալների բազաների վրա։ Այս գրադարանը արդյունավետ կերպով կարող է օգտագործել հաշվարկային ռեսուրսները՝ բեռը բաշխելով բազմաթիվ պրոցեսորների կամ գրաֆիկական մշակման բլոկների (GPU) միջև։
• Ճկունություն. ապահովում է ճկուն ծրագրավորման ինտերֆեյս, որը թույլ է տալիս մշակողներին ստեղծել մեքենայական ուսուցման մոդելներ՝ հարմարեցված իրենց կոնկրետ կարիքներին։ Աջակցում է արտահայտման տարբեր մակարդակներ՝ ցածր մակարդակի հաշվարկների վերահսկողությունից մինչև բարձր մակարդակի API-ներ արագ նախատիպավորման համար։
• Վիզուալիզացիայի գործիքներ. ներառում է գործիքներ մոդելների կառուցվածքի, հաշվարկային գրաֆիկների և տվյալների վիզուալիզացիայի համար։ Այս ֆունկցիոնալությունը օգնում է ավելի լավ հասկանալ և խնդիրները վերացնել մոդելներում, ինչպես նաև հեշտացնում է արդյունքների մեկնաբանությունը։
• Վերաբաշխված հաշվարկների աջակցություն. թույլ է տալիս բաշխել հաշվարկները բազմաթիվ սարքերի, օրինակ՝ CPU և GPU, ինչպես նաև կլաստերի մեքենաների միջև։ Սա ապահովում է մոդելի ուսուցման և արդյունքների արագացում զուգահեռ հաշվարկների միջոցով։
• Ինտեգրում այլ գրադարանների հետ. կարող է հեշտությամբ ինտեգրվել այլ հայտնի մեքենայական ուսուցման գրադարանների հետ, օրինակ՝ Keras, scikit-learn և շատ այլն։
• Համապարփակ համայնք և կրթական ռեսուրսներ. ակտիվ օգտատերերի համայնք և մշակողների էկոհամակարգ, ինչպես նաև շատ կրթական ռեսուրսներ, ներառյալ փաստաթղթեր, դասընթացներ, ուսումնական ձեռնարկներ և օրինակային կոդ։

TensorFlow-ով մասնավոր սերվերը նախատեսված է հետազոտողների, մշակողների և ընկերությունների համար, որոնք պահանջում են անվտանգ և բարձր արդյունավետ հաշվարկային միջավայր մեքենայական ուսուցման մոդելներ մշակելու և ուսուցանելու համար TensorFlow-ի օգտագործմամբ։ Այն ապահովում է ռեսուրսների և տվյալների գաղտնիության լիարժեք վերահսկողություն, ինչպես նաև արագացնում է մոդելի ուսուցումը՝ օգտագործելով ժամանակակից NVIDIA GPU-ներ։

Տեղակայման հնարավորություններ¶

• Տեղակայման ժամանակը. 15-30 րոպե, ներառյալ OS-ը;
• Տեղադրում է Python, TensorFlow, CUDA և NVIDIA դրայվերներ;
• Օգտատիրոջ տնային հաշիվը /home/user է;
• Համակարգի պահանջներ. պրոֆեսիոնալ գրաֆիկական քարտ (NVIDIA RTX A4000/A5000 կամ NVIDIA H100), առնվազն 16 ԳԲ RAM։

TensorFlow-ով աշխատանքի սկսումը տեղակայումից հետո¶

Վճարում կատարելուց հետո գրանցման ժամանակ նշված էլ. փոստին կստանաք ծանուցում սերվերի պատրաստ լինելու մասին։ Այս հաղորդագրությունը կներառի VPS-ի IP հասցեն և մուտքի տվյալները։ Սերվերի կառավարումը կատարվում է մեր վահանակի միջոցով - Invapi։

Մուտքի տվյալները կարելի է գտնել սերվերի վահանակի Configuration >> Tags բաժնում կամ ուղարկված էլ. փոստում.

• Login: root վարչի համար, user TensorFlow-ով աշխատելու համար;
• Password: վարչի համար՝ ստացվում է էլ. փոստով սերվերի հանձնման ժամանակ; user օգտատիրոջ համար՝ գտնվում է /root/user_credentials ֆայլում։

Կապվելը և սկզբնական կարգավորումները¶

Սերվերին մուտք գործելուց հետո հաստատեք կապը դրա հետ SSH-ի միջոցով՝ սուպերօգտատիրոջ իրավասություններով (root).

ssh root@<server_ip>

Այնուհետև կատարեք հրամանը.

nano /root/user_credentials

Հրամանը կատարելուց հետո կբացվի տեքստային ֆայլ, որը պարունակում է user օգտատիրոջ մուտքի տվյալները։ Պատճենեք user օգտատիրոջ գաղտնաբառը։ Այնուհետև ավարտեք root սեսիան և կրկին հաստատեք կապը սերվերի հետ SSH-ի միջոցով՝ որպես user օգտատեր՝ օգտագործելով պատճենված գաղտնաբառը։

Երբ անցնում եք user հաշվին, ակտիվացրեք venv վիրտուալ միջավայրը՝ կատարելով.

. tensorflow.sh

Այժմ կարող եք սկսել աշխատել Python ինտերպրետատորում՝ այն գործարկելով հետևյալ հրամանով.

python

Ինտերպրետատորը պատրաստ է մուտքագրման և կոդի կատարման համար։

Գրադարանի ֆունկցիոնալությունը և GPU-ի աջակցությունը ստուգելու համար կարող եք Python կոնսոլում մուտքագրել հետևյալ ծրագիրը.

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

Կարող եք նաև օգտագործել ուսուցման սկրիպտը tensorflow-2-simple-examples։ Դրանից առաջ անհրաժեշտ է ստեղծել ֆայլ և պատճենել սկրիպտի տեքստը դրա մեջ։ Արդյունքի օրինակ.

Սերվեր պատվիրել TensorFlow-ով API-ի միջոցով¶