O TensorFlow é uma ferramenta de código aberto, criada pelo Google, para auxiliar no desenvolvimento de aprendizado de máquina e inteligência artificial (IA). Ele oferece suporte a uma variedade de tarefas para profissionais que atuam nessas áreas.
Antes de começar a usar o TensorFlow, é fundamental ter uma compreensão sólida dos conceitos de aprendizado de máquina e, especialmente, aprendizado profundo.
Neste artigo, vamos explorar o TensorFlow, seus recursos e apresentar métodos rápidos para instalá-lo em sistemas Windows e Linux.
O que é o TensorFlow?
Tecnicamente, o TensorFlow é uma plataforma de código aberto projetada para facilitar a criação de aplicativos de aprendizado profundo e outros projetos de aprendizado de máquina.
Ele simplifica o processo de desenvolvimento e implementação de aplicativos baseados em ML. Se você busca soluções para problemas usando aprendizado de máquina, o TensorFlow pode ser uma ferramenta valiosa.
O TensorFlow oferece recursos para desenvolver e treinar modelos usando Python ou JavaScript. Se você é desenvolvedor, a documentação oficial detalha como ele pode otimizar o fluxo de trabalho de implementação de aplicativos de aprendizado de máquina.
Recursos do TensorFlow
O TensorFlow se destaca por diversas razões, que podem ser avaliadas ao analisar seus principais recursos.
Ao examinar os benefícios técnicos, é essencial comparar suas funcionalidades. Vamos então nos concentrar nos recursos mais comuns e úteis para a maioria dos usuários.
1. Código Aberto
Em 2015, o Google decidiu tornar o TensorFlow um projeto de código aberto, permitindo que a comunidade o aprimorasse e garantindo a transparência de seu funcionamento.
Os desenvolvedores têm a liberdade de personalizar a biblioteca de diversas maneiras, solucionando problemas de formas inesperadas.
Sem a estrutura de código aberto, o TensorFlow talvez não tivesse alcançado a popularidade que possui atualmente.
2. Depuração Simplificada
O TensorFlow foi projetado para facilitar a construção de modelos, e uma experiência de depuração intuitiva é parte crucial desse processo.
A facilidade de uso é um grande diferencial.
3. Suporte para CPUs e GPUs
Com o TensorFlow, é possível treinar modelos utilizando tanto CPUs quanto GPUs. Geralmente, o uso de uma GPU acelera significativamente o processamento em aplicativos de aprendizado profundo, em comparação com uma CPU.
Portanto, se você possui uma GPU potente, o TensorFlow pode ajudá-lo a aproveitar ao máximo seus recursos.
4. APIs de Aprendizado de Máquina
As APIs permitem aos desenvolvedores integrar uma variedade de funcionalidades em seus aplicativos. O TensorFlow oferece acesso a um conjunto considerável de APIs estáveis.
Algumas dessas APIs podem proporcionar melhorias no desempenho. Segundo as informações oficiais, não deve haver problemas com as APIs disponíveis para Python. Ao trabalhar com outras linguagens, é recomendável verificar com os mantenedores do TensorFlow se elas são adequadas para o seu caso específico.
5. Modelos Prontos para Uso
O TensorFlow inclui uma variedade de modelos pré-treinados. Tanto profissionais quanto iniciantes podem utilizá-los para economizar tempo e construir modelos de ML mais rapidamente.
Além desses recursos, você também obtém flexibilidade, facilidade de uso, um conjunto de ferramentas de visualização e muitas outras funcionalidades que podem otimizar o fluxo de trabalho de desenvolvimento de aprendizado de máquina.
Agora que você tem uma boa compreensão do TensorFlow, vamos ver como baixá-lo e instalá-lo em sistemas Windows e Linux.
Download e Instalação do TensorFlow
Diferente de outros softwares, não há um arquivo .exe para instalação. Primeiro, é necessário baixar o pacote usando o gerenciador de pacotes recomendado.
Existem diferentes métodos de instalação. Podemos listá-los da seguinte forma:
- Usando Miniconda e pip
- Usando Miniconda e pip no WSL 2
- Usando um contêiner Docker
- Compilando a partir do código-fonte
Como Instalar o TensorFlow no Windows?
Como mencionado, não há um arquivo .exe para instalação. É necessário baixar o pacote usando o gerenciador de pacotes apropriado.
#1. Usando Miniconda e pip (Método Recomendado)
Observação: No momento em que este artigo é escrito, o TensorFlow 2.10 é a versão mais recente com suporte nativo para GPU no Windows. Para usar versões mais recentes, o TensorFlow recomenda a instalação no WSL 2, conforme descrito a seguir.
Se você deseja usar o TensorFlow com suporte a GPU, o método recomendado é utilizar o Miniconda (instalador do gerenciador de pacotes conda).
Com o Miniconda, você cria um ambiente isolado, evitando conflitos com outros softwares do sistema.
Para começar, baixe o instalador do Miniconda para Windows e siga as instruções na tela para concluir a instalação.
Após a conclusão, abra o prompt do Miniconda, conforme mostrado na imagem:
O prompt deve aparecer desta forma:
Após abrir o prompt do Anaconda, digite o seguinte comando para garantir que o gerenciador de pacotes conda esteja atualizado:
conda update -n base -c defaults conda
Com isso resolvido, siga os passos abaixo para instalar o TensorFlow:
Primeiro, crie um novo ambiente (nomeado tf):
conda create --name tf python=3.9
Dica: Ative e desative o ambiente com os comandos: conda activate tf e conda deactivate
É necessário ativar o ambiente para prosseguir. Para habilitar o suporte a GPU, verifique se o driver da placa de vídeo (NVIDIA) está instalado e execute o seguinte comando para instalar pacotes adicionais:
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
Este comando fará o download de aproximadamente 1 GB de pacotes, incluindo ferramentas que permitem a execução de aplicativos de aprendizado de máquina com GPU e redes neurais profundas.
Por fim, use o gerenciador de pacotes pip para instalar o pacote TensorFlow. Embora seja possível usar o conda, ele pode não oferecer a versão estável mais recente.
Antes de prosseguir, certifique-se de que o pip está atualizado com o comando:
pip install --upgrade pip
Com isso pronto, instale o TensorFlow com:
pip install tensorflow
Você verá diversos pacotes sendo compilados e instalados. O processo pode parecer demorado, mas aguarde alguns instantes até que a instalação seja concluída.
#2. Usando Conda e pip no WSL 2
Se você já tiver o WSL 2 configurado em seu sistema, poderá instalar o TensorFlow executando os seguintes comandos no terminal da distribuição:
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/
python3 -m pip install tensorflow
# Verificar instalação:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
Você pode copiar e colar todos os comandos de uma vez, e eles serão processados em sequência.
Caso você não tenha instalado o WSL 2 no Windows, abra o prompt de comando como administrador e digite o seguinte:
wsl.exe --install
Este comando fará o download do Ubuntu e ativará o recurso WSL no seu sistema. Será necessário reiniciar o computador para concluir a instalação.
Se você não encontrar o Ubuntu no seu sistema, procure por “Ubuntu WSL” na Microsoft Store e instale.
#3. Compilando a partir do Código-Fonte
Como o TensorFlow é um projeto de código aberto, é possível compilá-lo do zero, com configurações personalizadas.
Este método é recomendado para usuários avançados, que compreendem todas as opções de configuração e detalhes técnicos. Consulte a documentação oficial para obter mais informações.
Como Instalar o TensorFlow no Linux?
Assim como no Windows, o TensorFlow pode ser instalado no Linux usando Miniconda e pip, ou compilando a partir do código-fonte.
Vejamos como fazer:
#1. Usando Miniconda e pip (Método Recomendado)
Observação: Siga os mesmos comandos usados no Windows. A única diferença é a forma de instalar e baixar o Miniconda no Linux.
Para instalar o Miniconda no Linux, use o terminal:
curl https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -o Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh
Reinicie o terminal para ver algo similar a isso:
A presença de “(base)” antes do prompt do terminal indica que o conda está instalado e ativo.
Não desative o ambiente, a menos que a instalação do TensorFlow esteja concluída.
Você pode seguir os passos mencionados anteriormente para Windows para instalar o TensorFlow. Ou, você pode usar os seguintes comandos:
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/
python3 -m pip install tensorflow
# Verificar instalação:
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
No Linux, pode haver problemas com o driver da GPU. Consulte a documentação da NVIDIA para obter mais informações.
#2. Compilando a partir do Código-Fonte
Semelhante ao Windows, a compilação a partir do código-fonte é complexa no Linux e destinada a usuários avançados.
Se você é iniciante, evite este método, a menos que tenha um motivo específico. A melhor forma de explorar essa opção é consultando a documentação.
Como Instalar o TensorFlow com Docker? (Windows e Linux)
O Docker permite a instalação de imagens do TensorFlow de forma simplificada, independentemente da plataforma.
Certifique-se de que o Docker está instalado no seu sistema. Para auxiliar, consulte nosso guia de instalação do Docker.
Após a instalação, execute o seguinte comando no Docker:
docker pull tensorflow/tensorflow
É necessário ter experiência com contêineres Docker para iniciar um contêiner com as configurações apropriadas para seu projeto.
Para suporte específico a GPU ou para baixar uma versão diferente do TensorFlow, consulte as opções na documentação oficial.
O comando para executar o contêiner com o TensorFlow no Docker tem a seguinte estrutura:
docker run [-it] [--rm] [-p hostPort:containerPort] tensorflow/tensorflow[:tag] [command]
Conclusão
A instalação do TensorFlow é um processo único, e este guia deve facilitar esse processo para a maioria dos usuários.
Caso você tenha configurações antigas, versões mais antigas do Python ou uma versão antiga do gerenciador de pacotes Conda, certifique-se de aplicar as atualizações mais recentes para instalar o TensorFlow sem problemas.
Você também pode explorar outras plataformas de IA para construir aplicativos de IA e ML.