جدید! از Simple ML for Sheets برای اعمال یادگیری ماشینی روی داده‌های Google Sheets خود استفاده کنید. ادامه مطلب

نصب و راه اندازی

با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.

نصب با پیپ

جنگل های تصمیم TensorFlow را با اجرای زیر نصب کنید:

# Install TensorFlow Decision Forests.
pip3 install tensorflow_decision_forests --upgrade

سپس نصب را با اجرای زیر بررسی کنید:

# Check the version of TensorFlow Decision Forests.
python3 -c "import tensorflow_decision_forests as tfdf; print('Found TF-DF v' + tfdf.__version__)"

ساخت از منبع

لینوکس

برپایی

الزامات

  • بازل >= 3.7.2
  • پایتون >= 3
  • Git
  • بسته های پایتون: پانداهای تنسورفلو ناتوان

به جای اینکه وابستگی ها را با دست نصب کنید، می توانید از Docker TensorFlow Build استفاده کنید. اگر این گزینه را انتخاب کردید، Docker را نصب کنید:

تلفیقی

TensorFlow Decision Forests را به صورت زیر دانلود کنید:

# Download the source code of TF-DF.
git clone https://github.com/tensorflow/decision-forests.git
cd decision-forests

اختیاری: TensorFlow Decision Forests به Yggdrasil Decision Forests بستگی دارد. اگر می‌خواهید کد Yggdrasil را ویرایش کنید، می‌توانید Yggdrasil github را شبیه‌سازی کنید و مسیر را مطابق با third_party/yggdrasil_decision_forests/workspace.bzl تغییر دهید.

اختیاری: اگر می خواهید از گزینه docker استفاده کنید، اسکریپت start_compile_docker.sh را اجرا کنید و به مرحله بعد بروید. اگر نمی‌خواهید از گزینه docker استفاده کنید، مستقیماً به مرحله بعدی بروید.

# Optional: Install and start the build docker.
./tools/start_compile_docker.sh

با دستور زیر تست های واحد TF-DF را کامپایل و اجرا کنید. توجه داشته باشید که test_bazel.sh برای python3.8 و کامپایلر پیش فرض دستگاه شما پیکربندی شده است. برای تغییر این پیکربندی فایل را مستقیماً ویرایش کنید.

# Build and test TF-DF.
./tools/test_bazel.sh

با دستور زیر یک بسته پیپ ایجاد و تست کنید. python3.8 را با نسخه پایتونی که می خواهید استفاده کنید جایگزین کنید. توجه داشته باشید که لازم نیست از همان نسخه پایتون مانند اسکریپت test_bazel.sh کنید.

اگر پیکربندی شما با manylinux2014 سازگار باشد، یک بسته پیپ سازگار با manylinux2014 تولید خواهد شد.

اگر پیکربندی شما با manylinux2014 سازگار نباشد، یک بسته پیپ غیر سازگار با manylinux2014 تولید خواهد شد و بررسی نهایی با شکست مواجه خواهد شد. مهم نیست که می خواهید از TF-DF در دستگاه خود استفاده کنید. یک راه آسان برای سازگار کردن بیلد manylinux2014 استفاده از داکر ذکر شده در بالا است.

# Build and test a Pip package.
./tools/build_pip_package.sh python3.8

این دستور بسته پیپ TF-DF را نصب می کند و مثال را در examples/minimal.py اجرا می کند. بسته Pip در دایرکتوری dist/ قرار دارد.

اگر می خواهید یک بسته Pip برای نسخه سازگار دیگر پایتون ایجاد کنید، اجرا کنید:

# Install the other versions of python (assume only python3.8 is installed; this is the case in the build docker).
sudo apt-get update && sudo apt-get install python3.7 python3.9 python3-pip

# Create the Pip package for the other version of python
./tools/build_pip_package.sh python3.7
./tools/build_pip_package.sh python3.9

همچنین ، می‌توانید با اجرای دستور زیر، بسته پیپ را برای تمام نسخه‌های سازگار پایتون با استفاده از pyenv ایجاد کنید. برای جزئیات بیشتر به tools/build_pip_package.sh مراجعه کنید.

# Build and test all the Pip package using Pyenv.
./tools/build_pip_package.sh ALL_VERSIONS

سیستم عامل مک

برپایی

الزامات

  • Coreutils (تست شده با brew install coreutils )
  • بازل >= 3.7.2
  • Python >= 3 (تست شده با brew install python )
  • Git
  • JDK 11
  • بسته های پایتون: پانداهای تنسورفلو ناتوان

تلفیقی

همان مراحلی را که برای کامپایل لینوکس بدون داکر انجام دادید دنبال کنید.

یادداشت پایانی

کامپایل TF-DF (از 17 دسامبر 2021) به بسته TensorFlow Pip و وابستگی TensorFlow Bazel متکی است. بخش کوچکی از TensorFlow کامپایل خواهد شد. کامپایل TF-DF در یک ایستگاه کاری قدرتمند 10 دقیقه طول می کشد.

عیب یابی