TensorFlow¶

Dans cet article

• Fonctionnalités clés de TensorFlow
• Fonctionnalités de déploiement
• Prise en main de TensorFlow après le déploiement
• Connexion et configuration initiale
• Commande d'un serveur avec TensorFlow via l'API

Fonctionnalités clés de TensorFlow¶

• Environnement préconfiguré : dernière version stable de TensorFlow préinstallée, pilotes NVIDIA optimisés et paramètres CUDA. Prend en charge la création et la gestion de plusieurs environnements virtuels Python.
• Variété de modèles d'apprentissage automatique : permet la création et l'entraînement d'une large gamme de modèles, y compris les réseaux de neurones, la régression linéaire, la régression logistique et bien d'autres. Un outil polyvalent pour résoudre diverses tâches d'apprentissage automatique.
• Évolutivité : permet l'entraînement de modèles sur de grands ensembles de données. Cette bibliothèque peut utiliser efficacement les ressources de calcul en répartissant la charge sur plusieurs processeurs ou unités de traitement graphique (GPU).
• Flexibilité : fournit une interface de programmation flexible qui permet aux développeurs de créer des modèles d'apprentissage automatique adaptés à leurs besoins spécifiques. Prend en charge divers niveaux d'abstraction, du contrôle bas niveau des calculs aux API de haut niveau pour le 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.
• Prise en charge du calcul distribué : permet la distribution des calculs sur plusieurs appareils, tels que les CPU et les GPU, ainsi qu'entre les machines d'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 populaires d'apprentissage automatique, telles que Keras, scikit-learn et bien d'autres.
• Communauté complète et ressources éducatives : une communauté d'utilisateurs active et un écosystème de développeurs, ainsi que de nombreuses ressources éducatives, y compris la documentation, les cours, les tutoriels et le code d'exemple.

Un serveur privé avec TensorFlow est conçu pour les chercheurs, les développeurs et les entreprises qui nécessitent un environnement de calcul sécurisé et haute performance pour développer et entraîner des modèles d'apprentissage automatique à l'aide de TensorFlow. Il garantit un contrôle total sur les ressources et la confidentialité des données, ainsi qu'accélère l'entraînement des modèles grâce à l'utilisation de GPU NVIDIA modernes.

Fonctionnalités de déploiement¶

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

Prise en main de TensorFlow après le déploiement¶

Après le paiement, un e-mail sera envoyé à l'adresse enregistrée lors de l'inscription, vous informant que le serveur est prêt à être utilisé. Ce message inclura l'adresse IP du VPS et les informations d'identification de connexion. La gestion du serveur est gérée via notre panneau de contrôle - Invapi.

Les données d'authentification peuvent être trouvées dans la section Configuration >> Tags du panneau de contrôle du serveur ou dans l'e-mail envoyé :

• Identifiant : root pour l'administrateur, user pour travailler avec TensorFlow ;
• Mot de passe : pour l'administrateur, reçu par 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 des privilèges superutilisateur (root) :

ssh root@<server_ip>

Exécutez ensuite la commande :

nano /root/user_credentials

Après l'exécution de la commande, un fichier texte contenant les informations d'identification de l'utilisateur user s'ouvrira. Copiez le mot de passe de l'utilisateur user. Ensuite, terminez la session root et rétablissez une connexion au serveur via SSH en tant qu'utilisateur user, en utilisant le mot de passe copié.

Une fois que vous êtes passé au 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 à recevoir des entrées et à exécuter du code.

Pour tester la fonctionnalité de la bibliothèque et la prise en charge du GPU, vous pouvez saisir le programme suivant dans la console Python :

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

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

Commande d'un serveur avec TensorFlow via l'API¶