ساخت از منبع

یک بسته TensorFlow pip از منبع بسازید و آن را روی Ubuntu Linux و macOS نصب کنید. اگرچه دستورالعمل‌ها ممکن است برای سایر سیستم‌ها کار کنند، اما فقط برای Ubuntu و macOS آزمایش و پشتیبانی می‌شوند.

راه‌اندازی برای لینوکس و macOS

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

پایتون و وابستگی‌های بسته TensorFlow را نصب کنید

sudo apt install python3-dev python3-pip

brew install python

وابستگی‌های بسته TensorFlow pip را نصب کنید (در صورت استفاده از محیط مجازی، آرگومان --user را حذف کنید):

pip install -U --user pip

نصب بازل

برای ساخت TensorFlow، باید Bazel را نصب کنید. Bazelisk روشی آسان برای نصب Bazel است و به طور خودکار نسخه صحیح Bazel را برای TensorFlow دانلود می‌کند. برای سهولت استفاده، Bazelisk را به عنوان فایل اجرایی bazel در PATH خود اضافه کنید.

اگر Bazelisk در دسترس نیست، می‌توانید Bazel را به صورت دستی نصب کنید . مطمئن شوید که نسخه صحیح Bazel را از فایل .bazelversion تنسورفلو نصب می‌کنید.

نصب Clang (توصیه می‌شود، فقط لینوکس)

Clang یک کامپایلر C/C++/Objective-C است که با زبان C++ و مبتنی بر LLVM کامپایل شده است. این کامپایلر، کامپایلر پیش‌فرض برای ساخت TensorFlow از TensorFlow 2.13 به بعد است. نسخه پشتیبانی‌شده فعلی LLVM/Clang 17 است.

بسته‌های شبانه LLVM دبیان/اوبونتو یک اسکریپت نصب خودکار و بسته‌هایی برای نصب دستی در لینوکس ارائه می‌دهند. اگر مخزن llvm apt را به صورت دستی به منابع بسته خود اضافه می‌کنید، 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 clang در این مورد است.

به عنوان یک روش جایگزین، می‌توانید Clang + LLVM 17 از پیش ساخته شده را دانلود و از حالت فشرده خارج کنید.

در زیر مثالی از مراحلی که می‌توانید برای راه‌اندازی فایل‌های باینری دانلود شده Clang + LLVM 17 در سیستم عامل‌های Debian/Ubuntu انجام دهید، آورده شده است:

1. به دایرکتوری مقصد مورد نظر بروید: cd <desired directory>

2. بارگذاری و استخراج یک فایل آرشیو... (مناسب برای 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 استخراج‌شده (دایرکتوری‌ها و فایل‌ها) را در /usr کپی کنید (ممکن است به مجوزهای sudo نیاز داشته باشید و دایرکتوری صحیح ممکن است بسته به توزیع متفاوت باشد). این کار به‌طور مؤثر Clang و LLVM را نصب می‌کند و آن را به مسیر اضافه می‌کند. نیازی به جایگزینی چیزی نیست، مگر اینکه نصب قبلی داشته باشید که در این صورت باید فایل‌ها 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. حالا که /usr/bin/clang مسیر واقعی clang جدید شماست، می‌توانید 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 از پردازنده گرافیکی (GPU) برای macOS وجود ندارد.

برای نصب درایورها و نرم‌افزارهای اضافی مورد نیاز برای اجرای TensorFlow روی GPU، راهنمای پشتیبانی GPU را مطالعه کنید.

کد منبع TensorFlow را دانلود کنید

از گیت برای کلون کردن مخزن TensorFlow استفاده کنید:

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

این مخزن به طور پیش‌فرض در شاخه توسعه master قرار دارد. همچنین می‌توانید برای ساخت، شاخه انتشار را بررسی کنید:

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

پیکربندی ساخت

نسخه‌های TensorFlow توسط فایل .bazelrc در دایرکتوری ریشه مخزن پیکربندی می‌شوند. اسکریپت‌های ./configure یا ./configure.py می‌توانند برای تنظیم تنظیمات رایج استفاده شوند.

لطفاً اسکریپت ./configure ‎ را از دایرکتوری ریشه مخزن اجرا کنید. این اسکریپت از شما محل وابستگی‌های TensorFlow و گزینه‌های پیکربندی ساخت اضافی (مثلاً پرچم‌های کامپایلر) را درخواست می‌کند. برای جزئیات بیشتر به بخش جلسه نمونه مراجعه کنید.

./configure

همچنین یک نسخه پایتون از این اسکریپت وجود دارد، ./configure.py . اگر از یک محیط مجازی استفاده می‌کنید، python configure.py مسیرهای درون محیط را اولویت‌بندی می‌کند، در حالی که ./configure مسیرهای خارج از محیط را اولویت‌بندی می‌کند. در هر دو مورد می‌توانید پیش‌فرض را تغییر دهید.

جلسه نمونه

موارد زیر نمونه‌ای از اجرای اسکریپت ./configure ‎ را نشان می‌دهد (ممکن است جلسه شما 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.

گزینه‌های پیکربندی

پشتیبانی از پردازنده گرافیکی

از نسخه ۲.۱۸.۰

برای پشتیبانی از GPU ، در طول پیکربندی cuda=Y را تنظیم کنید و در صورت لزوم نسخه‌های CUDA و cuDNN را مشخص کنید. Bazel بسته‌های CUDA و CUDNN را به صورت خودکار دانلود می‌کند یا در صورت لزوم به توزیع‌های مجدد CUDA/CUDNN/NCCL در سیستم فایل محلی اشاره می‌کند.

قبل از نسخه ۲.۱۸.۰

برای پشتیبانی از GPU ، در طول پیکربندی، cuda=Y را تنظیم کنید و نسخه‌های CUDA و cuDNN را مشخص کنید. اگر سیستم شما چندین نسخه از CUDA یا cuDNN نصب شده دارد، به جای تکیه بر پیش‌فرض، نسخه را به طور صریح تنظیم کنید. ./configure پیوندهای نمادین به کتابخانه‌های CUDA سیستم شما ایجاد می‌کند - بنابراین اگر مسیرهای کتابخانه CUDA خود را به‌روزرسانی کنید، این مرحله پیکربندی باید قبل از ساخت دوباره اجرا شود.

بهینه‌سازی‌ها

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

پیکربندی‌های از پیش پیکربندی‌شده

برخی پیکربندی‌های ساخت از پیش پیکربندی‌شده وجود دارند که می‌توانند به دستور bazel build اضافه شوند، برای مثال:

• --config=dbg با اطلاعات اشکال‌زدایی بسازید. برای جزئیات بیشتر به CONTRIBUTING.md مراجعه کنید.
• --config=mkl — پشتیبانی از Intel® MKL-DNN .
• --config=monolithic —پیکربندی برای یک ساختار عمدتاً ایستا و یکپارچه.

ساخت و نصب بسته pip

گزینه‌های ساخت Bazel

برای گزینه‌های ساخت، به مرجع خط فرمان Bazel مراجعه کنید.

ساخت TensorFlow از منبع می‌تواند مقدار زیادی رم مصرف کند. اگر سیستم شما با محدودیت حافظه مواجه است، استفاده از رم Bazel را با استفاده از دستور زیر محدود کنید: --local_ram_resources=2048 .

بسته‌های رسمی TensorFlow با استفاده از ابزار Clang ساخته شده‌اند که با استاندارد بسته manylinux2014 مطابقت دارد.

ساخت بسته

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

برای ساخت پکیج CPU تنسورفلو:

bazel build //tensorflow/tools/pip_package:wheel --repo_env=USE_PYWRAP_RULES=1 --repo_env=WHEEL_NAME=tensorflow_cpu

برای ساخت پکیج پردازنده گرافیکی تنسورفلو:

bazel build //tensorflow/tools/pip_package:wheel --repo_env=USE_PYWRAP_RULES=1 --repo_env=WHEEL_NAME=tensorflow --config=cuda --config=cuda_wheel

برای ساخت پکیج TPU تنسورفلو:

bazel build //tensorflow/tools/pip_package:wheel --repo_env=USE_PYWRAP_RULES=1 --repo_env=WHEEL_NAME=tensorflow_tpu --config=tpu

برای ساخت بسته nightly، به جای tensorflow ، tf_nightly را تنظیم کنید، مثلاً برای ساخت بسته nightly CPU:

bazel build //tensorflow/tools/pip_package:wheel --repo_env=USE_PYWRAP_RULES=1 --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 .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

ساخت‌های داکر لینوکس

ایمیج‌های توسعه‌ی داکر TensorFlow راهی آسان برای راه‌اندازی محیطی برای ساخت بسته‌های لینوکس از منبع هستند. این ایمیج‌ها از قبل حاوی کد منبع و وابستگی‌های مورد نیاز برای ساخت TensorFlow هستند. برای دستورالعمل‌های نصب و لیست تگ‌های ایمیج موجود، به راهنمای TensorFlow Docker مراجعه کنید.

فقط پردازنده

مثال زیر از تصویر :devel برای ساخت یک بسته‌ی فقط CPU-only از آخرین کد منبع TensorFlow استفاده می‌کند. برای اطلاع از تگ‌های TensorFlow -devel موجود ، راهنمای Docker را بررسی کنید.

آخرین نسخه از ایمیج توسعه را دانلود کنید و یک کانتینر داکر را که برای ساخت بسته pip استفاده خواهید کرد، راه‌اندازی 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 shell در دایرکتوری /tensorflow_src - ریشه درخت منبع - اجرا می‌کند. این shell دایرکتوری فعلی میزبان را در دایرکتوری /mnt کانتینر mount می‌کند و اطلاعات کاربر میزبان را از طریق یک متغیر محیطی (که برای تنظیم مجوزها استفاده می‌شود - Docker می‌تواند این کار را پیچیده کند) به کانتینر منتقل می‌کند.

روش دیگر، برای ساخت یک کپی میزبان از TensorFlow درون یک کانتینر، درخت منبع میزبان را در دایرکتوری /tensorflow کانتینر نصب 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 باعث می‌شود کاربر به سؤالات پیکربندی ساخت پاسخ دهد.
2. بسته pip 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=USE_PYWRAP_RULES=1 --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 درون 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 TensorFlow pip در دایرکتوری فعلی (با مجوزهای کاربر میزبان) قرار دارد: ./tensorflow- version - tags .whl

پشتیبانی از پردازنده گرافیکی

داکر ساده‌ترین راه برای ایجاد پشتیبانی GPU برای TensorFlow است، زیرا دستگاه میزبان فقط به درایور NVIDIA® نیاز دارد (نیازی به نصب NVIDIA® CUDA® Toolkit نیست). برای راه‌اندازی nvidia-docker (فقط لینوکس) به راهنمای پشتیبانی GPU و راهنمای TensorFlow Docker مراجعه کنید.

مثال زیر ایمیج TensorFlow :devel-gpu را دانلود می‌کند و nvidia-docker برای اجرای کانتینرِ دارای GPU استفاده می‌کند. این ایمیجِ توسعه طوری پیکربندی شده است که یک بسته‌ی pip با پشتیبانی از GPU بسازد:

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=USE_PYWRAP_RULES=1 --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 درون کانتینر نصب و تأیید کنید و وجود 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')))"

پیکربندی‌های ساخت آزمایش‌شده

لینوکس

پردازنده

پردازنده گرافیکی

مک‌او‌اس

پردازنده

پردازنده گرافیکی