TensorFlow¶

Dans cet article

• Caractéristiques clés de TensorFlow
• Fonctionnalités de déploiement
• Démarrage avec TensorFlow après déploiement
• Connexion et configuration initiale
• Commander un serveur avec TensorFlow via l'API

Caractéristiques clés de TensorFlow¶

• Environnement préconfiguré : version stable la plus récente de TensorFlow préinstallée, pilotes NVIDIA optimisés et paramètres CUDA. Prise en charge de la création et de la gestion de multiples environnements virtuels Python.
• Variété de modèles d'apprentissage automatique : permet la création et l'entraînement d'une large gamme de modèles, y compris réseaux neuronaux, régression linéaire, régression logistique et bien d'autres. Outil polyvalent pour résoudre des tâches d'apprentissage automatique diversifiées.
• Évolutivité : permet d'entraîner des modèles sur de grands ensembles de données. Cette bibliothèque peut exploiter efficacement les ressources de calcul en répartissant la charge sur plusieurs processeurs ou unités de traitement graphique (GPU).
• Flexibilité : propose une interface de programmation flexible qui permet aux développeurs de créer des modèles d'apprentissage automatique adaptés à leurs besoins spécifiques. Prise en charge de divers niveaux d'abstraction, du contrôle de bas niveau sur les calculs aux API de haut niveau pour un prototypage rapide.
• Outils de visualisation : inclut des outils pour visualiser les structures de modèles, les graphes de calcul et les données. Cette fonctionnalité aide à mieux comprendre et déboguer les modèles, ainsi qu'à faciliter l'interprétation des résultats.
• Support du calcul distribué : permet la distribution des calculs sur plusieurs dispositifs, tels que CPU et GPU, ainsi que entre machines dans un cluster. Cela assure un entraînement accéléré et une sortie de modèle grâce à des calculs parallèles.
• Intégration avec d'autres bibliothèques : peut être facilement intégrée avec d'autres bibliothèques d'apprentissage automatique populaires, telles que Keras, scikit-learn et bien d'autres.
• Communauté et ressources éducatives complètes : une communauté d'utilisateurs active et un écosystème de développeurs, ainsi que de nombreuses ressources éducatives, y compris documentation, cours, tutoriels et exemples de code.

Un serveur privé avec TensorFlow est conçu pour les chercheurs, les développeurs et les entreprises qui nécessitent un environnement de calcul sécurisé et performant pour développer et entraîner des modèles d'apprentissage automatique avec TensorFlow. Il garantit un contrôle total sur les ressources et la confidentialité des données, tout en accélérant l'entraînement des modèles grâce aux GPU NVIDIA modernes.

Fonctionnalités de déploiement¶

• Temps d'installation : 15‑30 minutes, incluant le système d'exploitation ;
• Installe Python, TensorFlow, CUDA et les pilotes NVIDIA ;
• Le répertoire personnel de l'utilisateur est /home/user ;
• Exigences système : carte graphique professionnelle (NVIDIA RTX A4000/A5000 ou NVIDIA H100), au moins 16 Go de RAM.

Démarrage avec TensorFlow après déploiement¶

Après paiement sur l'e‑mail enregistré lors de l'inscription, vous recevrez une notification indiquant que le serveur est prêt à être utilisé. Ce message comprendra l'adresse IP du VPS et les identifiants de connexion. La gestion du serveur se fait via notre panneau de contrôle – Invapi.

Les données d'authentification se trouvent dans la section Info >> Tags du panneau de contrôle serveur ou dans l'e‑mail envoyé :

• Connexion : root pour l'administrateur, user pour travailler avec TensorFlow ;
• Mot de passe : pour l'administrateur, reçu dans un e‑mail lors de la livraison du serveur ; pour l'utilisateur user, situé dans le fichier /root/user_credentials.

Connexion et configuration initiale¶

Après avoir obtenu l'accès au serveur, établissez une connexion à celui‑ci via SSH avec les privilèges superutilisateur (root) :

ssh root@<server_ip>

Ensuite, exécutez la commande :

nano /root/user_credentials

Après l'exécution de la commande, un fichier texte contenant les identifiants de l'utilisateur user sera ouvert. Copiez le Mot de passe de l'utilisateur user.
Terminez la session root et reconnectez‑vous au serveur via SSH en tant qu'utilisateur user, en utilisant le Mot de passe copié.

Une fois que vous avez basculé sur le compte user, activez l'environnement virtuel venv en exécutant :

. tensorflow.sh

Vous pouvez maintenant commencer à travailler dans l'interpréteur Python en l'exécutant avec la commande :

python

L'interpréteur est maintenant prêt pour les entrées et l'exécution de code.

Pour tester la fonctionnalité de la bibliothèque et le support GPU, vous pouvez entrer le programme suivant dans la console Python :

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

La première ligne importe la bibliothèque TensorFlow, et la deuxième ligne crée un tenseur de nombres aléatoires de taille 1000x1000 provenant d'une distribution normale, calcule la somme de ses éléments, et affiche le résultat. Exemple de sortie :

Vous pouvez également utiliser le script d'entraînement tensorflow-2-simple-examples. Avant cela, vous devez créer un fichier et copier le texte du script dedans. Exemple de sortie :

Commander un serveur avec TensorFlow via l'API¶

Pour installer ce logiciel en utilisant l'API, suivez les instructions suivantes.