tensorflow.js 的服务器端安装 – 分享自 @开发者头条

tensorflow是谷歌推出的一款神经网络算法库，利用这个算法库可以实现深度学习。目前这个算法库已经绑定了多种开发语言，而tensorflow.js就是Javascript语言的具体实现，在tensorflow的官网上有专门的Javascript板块，地址： https://www.tensorflow.org/js 。tensorflow.js的最初版本只能运行在浏览器中，借助webgl调用GPU资源实现快速运算，但是毕竟浏览器功能有限，项目中也不太可能会把一个深度学习的流程丢到前端去处理。后来官方又推出了两个node版本，一个基于 CPU ，另一个基于 GPU 。本文主要介绍这两种库的后端安装方法。

前期准备

1. 确定服务器的操作系统和硬件是否符合安装要求，参考 https://www.npmjs.com/package/@tensorflow/tfjs-node
2. 电脑或者服务器一定要安装python2.7的环境（注意不能安装python3）
3. 使用npm全局安装node-gyp这个库
4. windows需要安装vs studio（需要有vcxproj编译组件），mac需要安装xcode
5. gpu版本需要确认显卡是否能够支持（注：mac所有系统都不支持gpu），参考 https://developer.nvidia.com/cuda-gpus
6. gpu版本需要安装好显卡驱动
7. gpu版本需要安装CUDA工具包，推荐10.0，网址： https://developer.nvidia.com/cuda-toolkit-archive
8. gpu版本需要下载CUDNN SDK，版本必须和上一步中的CUDA工具包版本匹配，下载解压后把对应文件夹的文件覆盖到上一步的安装目录中，网址 https://developer.nvidia.com/cudnn ，这里下载前需要注册会员
9. gpu版本需要添加CUDA、CUPTI和cuDNN到系统环境变量，windows和linux方法不同，参考 https://www.tensorflow.org/install/gpu

如果安装CPU版本，只需要准备1-4步，GPU版本则需要1-9的所有步骤。

到这里，你已经完成了tensorflow服务器版本的 一半 安装。

安装tensorflow到node项目

接下来我们需要把@tensorflow/tfjs-node（@tensorflow/tfjs-node-gpu）安装到项目依赖中，其实只需要下面这一步：

npm install @tensorflow/tfjs-node

或者

npm install @tensorflow/tfjs-node-gpu

运气好的话你会看到一个很长的下载过程，一大串代码编译过程，最后安装成功！但是！

绝大多数都会遇到莫名其妙的问题，譬如卡在了下载进度上，或者报一些node-gyp的错误。一般来说，@tensorflow/tfjs-node如果安装出现问题，多装两次就行。但是@tensorflow/tfjs-node-gpu出问题的话，就需要具体问题具体分析。

GPU版本安装问题解决思路

1. 卡在下载进度条的问题：

这个主要是由于gpu版本需要下载一个将近250M的libtensorflow包，而国内访问谷歌服务器又不是特别稳定，下载过程经常掉线。解决方法是可以间断性地重复执行npm rebuild @tensorflow/tfjs-node-gpu -f。或者修改node_modules/@tensorflow/tfjs-node-gpu/scripts/install.js文件，将其中的storage.googleapis.com域名修改成本地的https服务，然后用下载工具单独把libtensorflow包下载到https目录，通过本地下载实现稳定安装。另外可能有同学考虑用科学上网的方法获取稳定下载，本人亲测效果不咋地。

1. node-gyp错误：

下载libtensorflow包后，tensorflow的钩子会继续执行代码编译，node-gyp会调用本地环境对下载源码进行编译。编译过程出错就会出现node-gyp的错误。

这种编译错误大多数都是本地编译环境缺失导致的，譬如windows中vs studio缺失相应的项目编译组件，这种问题一般通过下载缺失的组件就能完美解决！

CPU vs GPU

GPU版本的tensorflow一定比CPU版本的快吗？我一开始折腾安装了两个版本的tensorflow就是想看看GPU到底比CPU快了多少。实际我的项目主要运行了LSTM时序神经网络，测试跑下来的结果傻了眼，GPU速度只有CPU的2/3。为什么呢？Tensorflow的一位参与者给出了答案，地址在这里：  https://github.com/tensorflow/tfjs/issues/468 。大意就是：GPU版本绝大多数的运行时间都消耗在了数据传输过程，对于一些相对单一神经网络结构，速度反而会比CPU版本慢，但是像加入了池化层的这种复杂神经网络结构，GPU的速度会快得多。所以根据网络结构选择对tensorflow的版本非常重要！

结语

上面这个故事告诉我们，付出的努力不一定和结果成正比，选择大于努力。

（全文完）