TensorFlow¶

在这篇文章中

• TensorFlow 关键特性
• 部署功能
• 部署后开始使用 TensorFlow
• 连接和初始设置
• 使用 API 订购配备 TensorFlow 的服务器

TensorFlow 关键特性¶

• 预配置环境：预装最新稳定版 TensorFlow、优化的 NVIDIA 驱动程序和 CUDA 设置。支持创建和管理多个 Python 虚拟环境。
• 多种机器学习模型：支持创建和训练各种模型，包括神经网络、线性回归、逻辑回归等。是解决多样化机器学习任务的通用工具。
• 可扩展性：支持在大型数据集上训练模型。该库可通过在多个处理器或图形处理单元 (GPU) 之间分配负载来高效利用计算资源。
• 灵活性：提供灵活的编程接口，使开发人员能够创建符合其特定需求的机器学习模型。支持从对计算的底层控制到用于快速原型设计的高级 API 的各种抽象级别。
• 可视化工具：包含用于可视化模型结构、计算图和数据的工具。此功能有助于更好地理解和调试模型，并促进结果解释。
• 分布式计算支持：支持在多个设备（如 CPU 和 GPU）以及集群中的机器之间分配计算。这通过并行计算确保加速训练和模型输出。
• 与其他库集成：可以轻松与其他流行的机器学习库集成，例如 Keras、scikit-learn 等。
• 全面的社区和教育资源：拥有活跃的用户社区和开发者生态系统，以及众多教育资源，包括文档、课程、教程和示例代码。

配备 TensorFlow 的私有服务器专为研究人员、开发人员和公司设计，他们需要安全且高性能的计算环境来使用 TensorFlow 开发和训练机器学习模型。它确保对资源的完全控制以及数据保密性，并通过使用现代 NVIDIA GPU 加速模型训练。

部署功能¶

• 安装时间：15-30 分钟，包括操作系统；
• 安装 Python、TensorFlow、CUDA 和 NVIDIA 驱动程序；
• 用户主目录为 /home/user；
• 系统要求：专业显卡（NVIDIA RTX A4000/A5000 或 NVIDIA H100），至少 16 GB 内存。

部署后开始使用 TensorFlow¶

在注册时使用的电子邮件支付后，您将收到服务器已准备好使用的通知。该消息将包含 VPS IP 地址和登录凭据。服务器管理通过 我们的控制面板 - Invapi 处理。

认证数据可以在服务器控制面板的 Configuration >> Tags 部分或发送的电子邮件中找到：

• 登录名：管理员为 root，用于操作 TensorFlow 的用户为 user；
• 密码：管理员密码在服务器交付时通过电子邮件接收；用户 user 的密码位于文件 /root/user_credentials 中。

连接和初始设置¶

获得服务器访问权限后，以超级用户权限 (root) 通过 SSH 连接到服务器：

ssh root@<server_ip>

然后执行命令：

nano /root/user_credentials

执行命令后，将打开一个包含用户 user 凭据的文本文件。复制用户 user 的密码。 接下来，结束 root 会话，并使用复制的密码以用户 user 身份通过 SSH 重新连接到服务器。

切换到 user 账户后，通过运行以下命令激活虚拟环境 venv：

. tensorflow.sh

现在您可以通过运行以下命令开始在 Python 解释器中工作：

python

解释器现已准备好输入和执行代码。

要测试库的功能和 GPU 支持，您可以在 Python 控制台中输入以下程序：

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

您还可以使用训练脚本 tensorflow-2-simple-examples。在此之前，您需要创建一个文件并将脚本文本复制进去。示例输出：

使用 API 订购配备 TensorFlow 的服务器¶