ساخت از منبع

یک بسته Pip TensorFlow از منبع بسازید و آن را روی لینوکس اوبونتو و macOS نصب کنید. در حالی که دستورالعمل ها ممکن است برای سیستم های دیگر کار کنند، اما فقط برای اوبونتو و macOS تست شده و پشتیبانی می شود.

راه اندازی برای لینوکس و macOS

ابزارهای ساخت زیر را برای پیکربندی محیط توسعه خود نصب کنید.

وابستگی های بسته Python و TensorFlow را نصب کنید

sudo apt install python3-dev python3-pip

brew install python

وابستگی های بسته Pip TensorFlow را نصب کنید (اگر از یک محیط مجازی استفاده می کنید، آرگومان --user را حذف کنید):

pip install -U --user pip

Bazel را نصب کنید

برای ساخت TensorFlow، باید Bazel را نصب کنید. Bazelisk یک راه آسان برای نصب Bazel است و به طور خودکار نسخه صحیح Bazel را برای TensorFlow دانلود می کند. برای سهولت استفاده، Bazelisk را به عنوان bazel قابل اجرا در PATH خود اضافه کنید.

اگر Bazelisk در دسترس نیست، می توانید Bazel را به صورت دستی نصب کنید . مطمئن شوید که نسخه صحیح Bazel را از فایل bazelversion. TensorFlow نصب کنید.

Clang را نصب کنید (توصیه می شود، فقط لینوکس)

Clang یک کامپایلر C/C++/Objective-C است که در C++ بر اساس LLVM کامپایل شده است. این کامپایلر پیش فرض برای ساخت TensorFlow با شروع TensorFlow 2.13 است. نسخه فعلی پشتیبانی شده LLVM/Clang 17 است.

بسته های شبانه LLVM Debian/Ubuntu یک اسکریپت نصب خودکار و بسته هایی را برای نصب دستی در لینوکس ارائه می دهند. اگر مخزن llvm apt را به صورت دستی به منابع بسته خود اضافه می کنید، حتماً دستور زیر را اجرا کنید:

sudo apt-get update && sudo apt-get install -y llvm-17 clang-17

اکنون که /usr/lib/llvm-17/bin/clang مسیر واقعی برای زنگ زدن در این مورد است.

همچنین، می‌توانید Clang + LLVM 17 از پیش ساخته شده را دانلود و باز کنید.

در زیر نمونه ای از مراحلی است که می توانید برای راه اندازی باینری های دانلود شده Clang + LLVM 17 در سیستم عامل های Debian/Ubuntu انجام دهید:

1. به فهرست مقصد مورد نظر تغییر دهید: cd <desired directory>

2. بارگیری و استخراج فایل بایگانی...(مناسب با معماری شما):

   wget https://github.com/llvm/llvm-project/releases/download/llvmorg-17.0.2/clang+llvm-17.0.2-x86_64-linux-gnu-ubuntu-22.04.tar.xz
   
   tar -xvf clang+llvm-17.0.2-x86_64-linux-gnu-ubuntu-22.04.tar.xz
   
   

3. محتویات استخراج شده (دایرکتوری ها و فایل ها) را در /usr کپی کنید (ممکن است به مجوزهای sudo نیاز داشته باشید و دایرکتوری صحیح ممکن است بسته به توزیع متفاوت باشد). این به طور موثر Clang و LLVM را نصب می کند و آن را به مسیر اضافه می کند. شما نباید چیزی را جایگزین کنید، مگر اینکه نصب قبلی داشته باشید، در این صورت باید فایل ها را جایگزین کنید:

   cp -r clang+llvm-17.0.2-x86_64-linux-gnu-ubuntu-22.04/* /usr
   

4. نسخه باینری Clang + LLVM 17 به دست آمده را بررسی کنید:

   clang --version
   

5. اکنون که /usr/bin/clang مسیر واقعی صدای زنگ جدید شماست. می توانید اسکریپت ./configure را اجرا کنید یا متغیرهای محیطی CC و BAZEL_COMPILER را به صورت دستی در این مسیر تنظیم کنید.

نصب پشتیبانی از GPU (اختیاری، فقط لینوکس)

هیچ پشتیبانی GPU برای macOS وجود ندارد.

راهنمای پشتیبانی GPU را برای نصب درایورها و نرم افزارهای اضافی مورد نیاز برای اجرای TensorFlow روی GPU بخوانید.

کد منبع TensorFlow را دانلود کنید

از Git برای کلون کردن مخزن TensorFlow استفاده کنید:

git clone https://github.com/tensorflow/tensorflow.git
cd tensorflow

مخزن به طور پیش فرض به شاخه توسعه master است. همچنین می توانید یک شاخه انتشار را برای ساخت بررسی کنید:

git checkout branch_name  # r2.2, r2.3, etc.

ساخت را پیکربندی کنید

بیلدهای TensorFlow توسط فایل .bazelrc در دایرکتوری ریشه مخزن پیکربندی می شوند. از اسکریپت های ./configure یا ./configure.py می توان برای تنظیم تنظیمات رایج استفاده کرد.

لطفاً اسکریپت ./configure را از دایرکتوری ریشه مخزن اجرا کنید. این اسکریپت مکان وابستگی های TensorFlow را از شما می خواهد و گزینه های پیکربندی ساخت اضافی را می خواهد (برای مثال پرچم های کامپایلر). برای جزئیات بیشتر به بخش نمونه جلسه مراجعه کنید.

./configure

همچنین یک نسخه پایتون از این اسکریپت، ./configure.py وجود دارد. در صورت استفاده از یک محیط مجازی، python configure.py مسیرهای داخل محیط را اولویت بندی می کند، در حالی که ./configure مسیرهای خارج از محیط را اولویت بندی می کند. در هر دو حالت می توانید پیش فرض را تغییر دهید.

جلسه نمونه

شکل زیر یک نمونه اجرا از اسکریپت ./configure را نشان می دهد (جلسه شما ممکن است متفاوت باشد):

./configure
You have bazel 6.1.0 installed.
Please specify the location of python. [Default is /Library/Frameworks/Python.framework/Versions/3.9/bin/python3]: 


Found possible Python library paths:
  /Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages
Please input the desired Python library path to use.  Default is [/Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages]

Do you wish to build TensorFlow with ROCm support? [y/N]:
No ROCm support will be enabled for TensorFlow.

Do you wish to build TensorFlow with CUDA support? [y/N]:
No CUDA support will be enabled for TensorFlow.

Do you want to use Clang to build TensorFlow? [Y/n]:
Clang will be used to compile TensorFlow.

Please specify the path to clang executable. [Default is /usr/lib/llvm-16/bin/clang]:

You have Clang 16.0.4 installed.

Please specify optimization flags to use during compilation when bazel option "--config=opt" is specified [Default is -Wno-sign-compare]:


Would you like to interactively configure ./WORKSPACE for Android builds? [y/N]: n
Not configuring the WORKSPACE for Android builds.

Do you wish to build TensorFlow with iOS support? [y/N]: n
No iOS support will be enabled for TensorFlow.

Preconfigured Bazel build configs. You can use any of the below by adding "--config=<>" to your build command. See .bazelrc for more details.
    --config=mkl            # Build with MKL support.
    --config=mkl_aarch64    # Build with oneDNN and Compute Library for the Arm Architecture (ACL).
    --config=monolithic     # Config for mostly static monolithic build.
    --config=numa           # Build with NUMA support.
    --config=dynamic_kernels    # (Experimental) Build kernels into separate shared objects.
    --config=v1             # Build with TensorFlow 1 API instead of TF 2 API.
Preconfigured Bazel build configs to DISABLE default on features:
    --config=nogcp          # Disable GCP support.
    --config=nonccl         # Disable NVIDIA NCCL support.

گزینه های پیکربندی

پشتیبانی از پردازنده گرافیکی

از نسخه 2.18.0

برای پشتیبانی از GPU ، cuda=Y در طول پیکربندی تنظیم کنید و در صورت نیاز نسخه های CUDA و cuDNN را مشخص کنید. Bazel بسته های CUDA و CUDNN را به طور خودکار دانلود می کند یا در صورت نیاز به توزیع مجدد CUDA/CUDNN/NCCL در سیستم فایل محلی اشاره می کند.

قبل از نسخه 2.18.0

برای پشتیبانی از GPU ، cuda=Y در طول پیکربندی تنظیم کنید و نسخه‌های CUDA و cuDNN را مشخص کنید. اگر سیستم شما چندین نسخه از CUDA یا cuDNN را نصب کرده است، به جای تکیه بر پیش فرض، صریحاً نسخه را تنظیم کنید. ./configure پیوندهای نمادین به کتابخانه های CUDA سیستم شما ایجاد می کند—بنابراین اگر مسیرهای کتابخانه CUDA خود را به روز کنید، این مرحله پیکربندی باید قبل از ساخت دوباره اجرا شود.

بهینه سازی ها

برای پرچم‌های بهینه‌سازی کامپایل، پیش‌فرض ( -march=native ) کد تولید شده را برای نوع CPU دستگاه شما بهینه می‌کند. با این حال، اگر TensorFlow را برای یک نوع CPU متفاوت می‌سازید، یک پرچم بهینه‌سازی خاص‌تر را در نظر بگیرید. برای مثال، راهنمای GCC را بررسی کنید.

تنظیمات از پیش تنظیم شده

برخی از پیکربندی های ساخت از پیش پیکربندی شده در دسترس هستند که می توانند به دستور bazel build اضافه شوند، به عنوان مثال:

• --config=dbg — ساخت با اطلاعات اشکال زدایی. برای جزئیات بیشتر به CONTRIBUTING.md مراجعه کنید.
• --config=mkl —پشتیبانی از Intel® MKL-DNN .
• --config=monolithic -پیکربندی برای یک ساخت عمدتا ثابت و یکپارچه.

پکیج پیپ را بسازید و نصب کنید

گزینه های ساخت Bazel

برای گزینه های ساخت به مرجع خط فرمان Bazel مراجعه کنید.

ساخت TensorFlow از منبع می تواند از مقدار زیادی RAM استفاده کند. اگر سیستم شما دارای محدودیت حافظه است، استفاده از رم Bazel را با استفاده از: --local_ram_resources=2048 محدود کنید.

بسته های رسمی TensorFlow با یک زنجیره ابزار Clang ساخته شده اند که با استاندارد بسته manylinux2014 مطابقت دارد.

بسته را بسازید

برای ساخت بسته پیپ، باید پرچم --repo_env=WHEEL_NAME را مشخص کنید. بسته به نام ارائه شده، بسته ایجاد می شود، به عنوان مثال:

برای ساخت بسته CPU tensorflow:

bazel build //tensorflow/tools/pip_package:wheel --repo_env=WHEEL_NAME=tensorflow_cpu

برای ساخت بسته GPU tensorflow:

bazel build //tensorflow/tools/pip_package:wheel --repo_env=WHEEL_NAME=tensorflow --config=cuda --config=cuda_wheel

برای ساخت بسته TPU tensorflow:

bazel build //tensorflow/tools/pip_package:wheel --repo_env=WHEEL_NAME=tensorflow_tpu --config=tpu

برای ساخت بسته شبانه، tf_nightly به جای tensorflow تنظیم کنید، به عنوان مثال برای ساخت بسته شبانه CPU:

bazel build //tensorflow/tools/pip_package:wheel --repo_env=WHEEL_NAME=tf_nightly_cpu

در نتیجه، چرخ تولید شده در آن قرار خواهد گرفت

bazel-bin/tensorflow/tools/pip_package/wheel_house/

بسته را نصب کنید

نام فایل فایل .whl تولید شده به نسخه TensorFlow و پلتفرم شما بستگی دارد. برای نصب بسته pip install استفاده کنید، به عنوان مثال:

pip install bazel-bin/tensorflow/tools/pip_package/wheel_house/tensorflow-version-tags.whl

Docker Linux می سازد

تصاویر توسعه Docker TensorFlow راهی آسان برای راه اندازی محیطی برای ساخت بسته های لینوکس از منبع است. این تصاویر قبلاً حاوی کد منبع و وابستگی های مورد نیاز برای ساخت TensorFlow هستند. برای دستورالعمل‌های نصب و فهرست برچسب‌های تصویر موجود، به راهنمای TensorFlow Docker بروید.

فقط CPU

مثال زیر از تصویر :devel برای ساخت یک بسته فقط CPU از آخرین کد منبع TensorFlow استفاده می کند. راهنمای Docker را برای برچسب‌های TensorFlow -devel در دسترس بررسی کنید.

آخرین تصویر توسعه را دانلود کنید و یک ظرف Docker را راه اندازی کنید که از آن برای ساخت بسته پیپ استفاده می کنید:

docker pull tensorflow/tensorflow:devel
docker run -it -w /tensorflow_src -v $PWD:/mnt -e HOST_PERMS="$(id -u):$(id -g)" \
    tensorflow/tensorflow:devel bash

git pull  # within the container, download the latest source code

دستور docker run بالا یک پوسته را در پوشه /tensorflow_src ریشه درخت منبع راه‌اندازی می‌کند. دایرکتوری فعلی میزبان را در پوشه /mnt کانتینر نصب می کند و اطلاعات کاربر میزبان را از طریق یک متغیر محیطی به کانتینر ارسال می کند (برای تنظیم مجوزها استفاده می شود - Docker می تواند این کار را دشوار کند).

از طرف دیگر، برای ساختن یک کپی میزبان از TensorFlow در یک ظرف، درخت منبع میزبان را در پوشه /tensorflow کانتینر سوار کنید:

docker run -it -w /tensorflow -v /path/to/tensorflow:/tensorflow -v $PWD:/mnt \
    -e HOST_PERMS="\\((id -u):\\)(id -g)" tensorflow/tensorflow:devel bash

با تنظیم درخت منبع، بسته TensorFlow را در محیط مجازی کانتینر بسازید:

1. اختیاری: پیکربندی ساخت - این امر از کاربر می خواهد به سؤالات پیکربندی ساخت پاسخ دهد.
2. بسته پیپ را بسازید.
3. مجوزهای مالکیت فایل را برای خارج از کانتینر تنظیم کنید.

./configure  # if necessary

bazel build //tensorflow/tools/pip_package:wheel --repo_env=WHEEL_NAME=tensorflow_cpu --config=opt
`
chown $HOST_PERMS bazel-bin/tensorflow/tools/pip_package/wheel_house/tensorflow-version-tags.whl

بسته را در کانتینر نصب و تأیید کنید:

pip uninstall tensorflow  # remove current version

pip install bazel-bin/tensorflow/tools/pip_package/wheel_house/tensorflow-version-tags.whl
cd /tmp  # don't import from source directory
python -c "import tensorflow as tf; print(tf.__version__)"

در دستگاه میزبان شما، بسته Pip TensorFlow در دایرکتوری فعلی است (با مجوزهای کاربر میزبان): ./tensorflow- version - tags .whl

پشتیبانی از پردازنده گرافیکی

Docker ساده ترین راه برای ایجاد پشتیبانی GPU برای TensorFlow است زیرا دستگاه میزبان فقط به درایور NVIDIA® نیاز دارد (نیازی نیست که NVIDIA® CUDA® Toolkit نصب شود). برای راه اندازی nvidia-docker (فقط لینوکس) به راهنمای پشتیبانی GPU و راهنمای TensorFlow Docker مراجعه کنید.

مثال زیر تصویر TensorFlow :devel-gpu را دانلود می کند و nvidia-docker برای اجرای کانتینر مجهز به GPU استفاده می کند. این تصویر توسعه برای ساخت یک بسته پیپ با پشتیبانی از GPU پیکربندی شده است:

docker pull tensorflow/tensorflow:devel-gpu
docker run --gpus all -it -w /tensorflow -v $PWD:/mnt -e HOST_PERMS="$(id -u):$(id -g)" \
    tensorflow/tensorflow:devel-gpu bash
git pull  # within the container, download the latest source code

سپس، در محیط مجازی کانتینر، بسته TensorFlow را با پشتیبانی از GPU بسازید:

./configure  # if necessary

bazel build //tensorflow/tools/pip_package:wheel --repo_env=WHEEL_NAME=tensorflow --config=cuda --config=cuda_wheel --config=opt

chown $HOST_PERMS bazel-bin/tensorflow/tools/pip_package/wheel_house/tensorflow-version-tags.whl

بسته را در کانتینر نصب و تأیید کنید و GPU را بررسی کنید:

pip uninstall tensorflow  # remove current version

pip install bazel-bin/tensorflow/tools/pip_package/wheel_house/tensorflow-version-tags.whl
cd /tmp  # don't import from source directory
python -c "import tensorflow as tf; print(\"Num GPUs Available: \", len(tf.config.list_physical_devices('GPU')))"

تنظیمات ساخت تست شده

لینوکس

CPU

پردازنده گرافیکی

macOS

CPU

پردازنده گرافیکی