TensorFlow¶

En este artículo

• TensorFlow. Características principales
• Funcionalidades de implementación
• Primeros pasos con TensorFlow después de la implementación
• Conexión y configuración inicial
• Ordenar un servidor con TensorFlow usando la API

TensorFlow. Características principales¶

• Entorno preconfigurado: última versión estable de TensorFlow preinstalada, controladores NVIDIA optimizados y configuraciones CUDA. Admite la creación y gestión de múltiples entornos virtuales de Python.
• Variedad de modelos de aprendizaje automático: permite la creación y entrenamiento de una amplia gama de modelos, incluidas redes neuronales, regresión lineal, regresión logística y muchos otros. Una herramienta versátil para resolver diversas tareas de aprendizaje automático.
• Escalabilidad: permite entrenar modelos en grandes conjuntos de datos. Esta biblioteca puede utilizar eficientemente los recursos computacionales distribuyendo la carga entre múltiples procesadores o unidades de procesamiento gráfico (GPU).
• Flexibilidad: proporciona una interfaz de programación flexible que permite a los desarrolladores crear modelos de aprendizaje automático adaptados a sus necesidades específicas. Admite varios niveles de abstracción, desde el control de bajo nivel sobre los cálculos hasta APIs de alto nivel para prototipado rápido.
• Herramientas de visualización: incluye herramientas para visualizar estructuras de modelos, grafos de cómputo y datos. Esta funcionalidad ayuda a comprender y depurar mejor los modelos, así como facilita la interpretación de resultados.
• Soporte para computación distribuida: permite distribuir cálculos entre múltiples dispositivos, como CPUs y GPUs, así como entre máquinas en un clúster. Esto asegura un entrenamiento acelerado y salida de modelos mediante cálculos paralelos.
• Integración con otras bibliotecas: se puede integrar fácilmente con otras bibliotecas populares de aprendizaje automático, como Keras, scikit-learn y muchas otras.
• Comunidad y recursos educativos completos: una comunidad de usuarios activa y un ecosistema de desarrolladores, junto con numerosos recursos educativos, incluida documentación, cursos, tutoriales y código de ejemplo.

Un servidor privado con TensorFlow está diseñado para investigadores, desarrolladores y empresas que requieren un entorno de cómputo seguro y de alto rendimiento para desarrollar y entrenar modelos de aprendizaje automático utilizando TensorFlow. Garantiza un control completo sobre los recursos y la confidencialidad de los datos, así como acelera el entrenamiento de modelos mediante el uso de GPUs NVIDIA modernas.

Funcionalidades de implementación¶

• Tiempo de instalación: 15-30 minutos, incluido el sistema operativo;
• Instala Python, TensorFlow, CUDA y controladores NVIDIA;
• El directorio de inicio del usuario es /home/user;
• Requisitos del sistema: tarjeta gráfica profesional (NVIDIA RTX A4000/A5000 o NVIDIA H100), al menos 16 GB de RAM.

Primeros pasos con TensorFlow después de la implementación¶

Después del pago, en el correo electrónico registrado durante el registro, recibirá una notificación sobre que el servidor está listo para su uso. Este mensaje incluirá la dirección IP del VPS y las credenciales de inicio de sesión. La gestión del servidor se realiza a través de nuestro panel de control - Invapi.

Los datos de autenticación se pueden encontrar en la sección Configuration >> Tags del panel de control del servidor o en el correo electrónico enviado:

• Login: root para administrador, user para trabajar con TensorFlow;
• Password: para administrador, recibida en un correo electrónico al entregar el servidor; para el usuario user, ubicada en el archivo /root/user_credentials.

Conexión y configuración inicial¶

Después de obtener acceso al servidor, establezca una conexión con él vía SSH con privilegios de superusuario (root):

ssh root@<server_ip>

Luego ejecute el comando:

nano /root/user_credentials

Después de ejecutar el comando, se abrirá un archivo de texto que contiene las credenciales del usuario user. Copie la contraseña para el usuario user. A continuación, finalice la sesión de root y vuelva a establecer una conexión con el servidor vía SSH como el usuario user, utilizando la contraseña copiada.

Una vez que haya cambiado a la cuenta user, active el entorno virtual venv ejecutando:

. tensorflow.sh

Ahora puede comenzar a trabajar en el intérprete de Python ejecutándolo con el comando:

python

El intérprete ahora está listo para recibir entrada y ejecutar código.

Para probar la funcionalidad de la biblioteca y el soporte de GPU, puede ingresar el siguiente programa en la consola de Python:

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

También puede usar el script de entrenamiento tensorflow-2-simple-examples. Antes de eso, necesita crear un archivo y copiar el texto del script en él. Ejemplo de salida:

Ordenar un servidor con TensorFlow usando la API¶

Para instalar este software usando la API, siga estas instrucciones.

Algunos de los contenidos de esta página fueron creados o traducidos usando IA.