كيفية تثبيت TensorFlow مع وحدة معالجة الرسومات على نظام التشغيل Windows 11 خطوة بخطوة

قم بتهيئة TensorFlow للاستفادة الكاملة من وحدة معالجة الرسومات في نظام التشغيل Windows 11 قد يصبح الأمر مُرهقًا بعض الشيء إذا بدأتَ دون معرفة مسبقة: إصدارات غير متوافقة، أخطاء غريبة، أدلة قديمة، وتعارضات مع إصدارات سابقة من بايثون، أو كودا، أو cuDNN. إذا تساءلتَ يومًا: "لماذا يستمر TensorFlow في استخدام وحدة المعالجة المركزية (CPU) رغم امتلاكه وحدة معالجة رسومية (GPU) قوية؟"، فهذا الدليل مُخصّص لك.

بعد تجميع وتوحيد المعلومات من مختلف الأدلة الرسمية والممارسات الواقعية، سترى كيفية تشغيل TensorFlow مع وحدة معالجة الرسومات على نظام التشغيل Windows 11 باستخدام البيئات الافتراضية (كوندا/مينيكوندا) بشكل موثوق، سترى أمثلة بايثون للذكاء الاصطناعييشرح هذا الدليل أيّ مجموعات الإصدارات تعمل، وما هي الخيارات المتاحة لك إذا كانت وحدة معالجة الرسومات لديك من نوع NVIDIA (CUDA) أو إذا كنت ترغب في استخدام DirectML (AMD، Intel، NVIDIA)، وكيفية التحقق من صحة جميع الإعدادات. الهدف هو أن تحصل، عند الانتهاء، على بيئة مستقرة ومعزولة دون التأثير على تثبيتات أو مشاريع Python الأخرى.

متطلبات الأجهزة وخيارات التسريع في نظام التشغيل ويندوز 11

قبل تثبيت أي شيء، من الضروري معرفة نوع التسارع الذي ترغب في استخدامه. وإذا كنت خردوات إنه متوافق. لديك بشكل أساسي طريقتان لاستخدام وحدة معالجة الرسومات مع TensorFlow في نظام التشغيل Windows 11: حزمة NVIDIA الكلاسيكية (CUDA + cuDNN) أو المكون الإضافي. إضافة TensorFlow-DirectML، والذي يعمل على DirectX 12 ويدعم وحدات معالجة الرسومات NVIDIA و AMD و Intel.

إذا كان لديك وحدة معالجة رسومات NVIDIA تدعم CUDA (على سبيل المثال، بطاقة رسومات GeForce RTX 2060 أو RTX 3060 أو ما شابهها) يمكنك اتباع الأسلوب التقليدي باستخدام CUDA وcuDNN، الذي يتكامل بشكل أفضل مع TensorFlow 2.10 في نظام Windows الأصلي. يعتمد هذا الأسلوب بشكل كبير على توافق الإصدارات بشكل صحيح. السائقينمجموعة أدوات CUDA، وcuDNN، ولغة بايثون، وTensorFlow. للحصول على إرشادات عملية حول تثبيت مجموعة أدوات CUDA، يمكنك الرجوع إلى أدلة محددة على CUDA + cuDNN.

لكن إذا كانت وحدة معالجة الرسومات لديك من AMD أو Intel، أو كنت ترغب ببساطة في خيار أكثر مرونة، تتيح لك إضافة TensorFlow-DirectML-Plugin استخدام وحدة معالجة الرسومات (GPU) عبر DirectML في نظامي التشغيل ويندوز 10 و11، سواء في الوضع الأصلي أو ضمن نظام WSL. في هذه الحالة، لا تعتمد على CUDA/cuDNN، بل على دعم DirectX 12 وبرامج تشغيل محدثة لبطاقة الرسومات الخاصة بك.

ملخص الحد الأدنى من المتطلبات النموذجية لـ DirectML على نظام التشغيل Windows (وفقًا لوثائق مايكروسوفت)، يشمل ذلك: نظام التشغيل ويندوز 10 الإصدار 1709 أو أحدث، أو ويندوز 11 الإصدار 21H2 أو أحدث؛ بايثون من الإصدار 3.7 إلى 3.10 على نظام 64 بت؛ ووحدة معالجة رسومات متوافقة مثل AMD Radeon R5/R7/R9 2xx أو أحدث، أو Intel HD Graphics 5xx أو أحدث، أو NVIDIA GeForce GTX 9xx أو أحدث. إذا كنت تستخدم CUDA مباشرةً، فركز على وحدة معالجة رسومات NVIDIA بمعمارية CUDA 3.5 أو أحدث وبرامج تشغيل محدثة.

في جميع الأحوال، من الضروري الحصول على أحدث برامج تشغيل وحدة معالجة الرسومات (GPU). تم التثبيت. في نظام ويندوز، يمكنك التحقق من وجود تحديثات من "الإعدادات > تحديث ويندوز > تحقق من وجود تحديثات" وبالنسبة لـ NVIDIA، أيضًا من تطبيق GeForce Experience أو موقع برامج التشغيل الرسمي.

اختيار الإصدارات: لماذا يُعد TensorFlow 2.10 أساسيًا في نظام التشغيل Windows

إحدى أكبر المشاكل عند تثبيت TensorFlow مع وحدة معالجة الرسومات على نظام التشغيل Windows 11 تكمن المشكلة في عدم توافق جميع الإصدارات. فبدءًا من TensorFlow 2.11، اختفى دعم CUDA الأصلي في نظام Windows؛ لذا، عمليًا، يُعد TensorFlow 2.10 آخر إصدار مستقر يمكنك استخدامه مع وحدات معالجة الرسومات (GPUs) عبر CUDA في نظام Windows دون اللجوء إلى طرق أخرى. وسل أو دوكر.

في تكوين تم اختباره على نظام التشغيل Windows 11 مع معالج Intel Core i7-11800H، ووحدة معالجة الرسومات NVIDIA GeForce RTX 3060، وذاكرة وصول عشوائي (RAM) سعتها 16 جيجابايت، تم استخدام TensorFlow 2.10 مع Python 3.10 داخل Conda و CUDA 11.2 و cuDNN 8.1على الرغم من أن النظام كان يحتوي على Python 3.12.6 و CUDA 12.3 مثبتة عالميًا، إلا أن هذا الفصل تم تحقيقه تحديدًا بفضل استخدام بيئة Conda الافتراضية.

يُعد TensorFlow 2.10 حساسًا بشكل خاص لـ NumPyلا يعمل هذا مع NumPy 2.x، لذا من المهم الاحتفاظ بـ NumPy 1.23.5 أو أي إصدار آخر مدعوم من سلسلة 1.x. إذا كان لديك NumPy 2 مثبتًا بالفعل، فستحتاج إلى إعادة تثبيت الإصدار المناسب قبل تثبيت TensorFlow.

إذا كنت تعمل مع نسخ تاريخية، ميّز TensorFlow 1.15 بين حزم وحدة المعالجة المركزية ووحدة معالجة الرسوماتبأسماء مختلفة في pip (tensorflow و tensorflow-gpu). بدءًا من TensorFlow 2.x، تتضمن حزمة pip المسماة tensorflow دعمًا مدمجًا لوحدة معالجة الرسومات (GPU) عند استيفاء متطلبات CUDA/cuDNN، على الرغم من أن هذا الدعم على نظام Windows يقتصر فعليًا على الإصدار 2.10.

لأولئك الذين يختارون DirectMLالتركيبة التي توصي بها مايكروسوفت هي استخدام tensorflow-cpu==2.10 كأساس ثم إضافة حزمة tensorflow-directml-plugin، والتي تقوم تلقائيًا بتنشيط الواجهة الخلفية DirectML دون تغيير التعليمات البرمجية الخاصة بك.

تثبيت وإعداد برنامج Miniconda على نظام التشغيل Windows 11

أفضل طريقة لتجنب التعارضات بين إصدارات بايثون، وتينسور فلو، وكودا، وكو دي إن إن يتضمن ذلك العمل مع بيئات افتراضية. يُعدّ برنامج Miniconda خيارًا خفيفًا ومريحًا للغاية لإنشاء هذه البيئات المعزولة في نظام التشغيل Windows 11، مع الحفاظ على سلامة التثبيتات العامة.

أولا تحتاج قم بتنزيل برنامج تثبيت Miniconda لنظام التشغيل Windows 64 بت (إصدار x86-64). عادةً ما يأتي برنامج التثبيت كملف تنفيذي (.exe). أثناء التثبيت، يُنصح بشدة بعدم تحديد خيار "إضافة Miniconda إلى PATH" لتجنب التداخل مع أي تثبيتات أخرى لـ Python قد تكون لديك.

بمجرد اكتمال معالج التثبيت، أعد تشغيل جهاز الكمبيوتر الخاص بك للتأكد من تسجيل كل شيء بشكل صحيح.ثم افتح محطة (CMD o بوويرشيل) وتحقق من توفر conda عن طريق تشغيل:

conda --version

إذا رأيت نتيجة كهذه conda 25.1.1 أو ما شابه ذلك، يعني أن Miniconda قد تم تثبيته بشكل صحيح ويمكنك الآن البدء في إنشاء بيئات افتراضية محددة لـ TensorFlow مع وحدة معالجة الرسومات (GPU).

أنشئ بيئة Conda لـ TensorFlow 2.10 ووحدات معالجة الرسومات NVIDIA

بعد تشغيل Miniconda بنجاح، تتمثل الخطوة التالية في إنشاء بيئة معزولة. لتثبيت TensorFlow 2.10 مع جميع تبعيات CUDA/cuDNN الخاصة به، ستضمن أن التغييرات لا تؤثر على المشاريع الأخرى أو بيئة Python العامة للنظام.

يفتح موجه أوامر أناكوندا أو باور شيل مع دعم Conda، قم بإنشاء بيئة جديدة، على سبيل المثال تسمى tf-2.10، مع Python 3.10:

conda create --name tf-2.10 python=3.10

عند اكتمال إنشاء البيئة، قم بتهيئة Conda في سطر الأوامر الخاص بك لتفعيله بسهولة عن طريق تشغيل الأمر التالي:

conda init

بعد تنفيذ هذا الأمر، أغلق نافذة PowerShell أو CMD ثم أعد فتحها لتطبيق التغييرات. بعد ذلك يمكنك تفعيل البيئة التي تم إنشاؤها حديثًا مع:

conda activate tf-2.10

مع تفعيل بيئة tf-2.10، كل ما تقوم بتثبيته باستخدام pip أو conda سيتم تضمينه هناك، دون أن يختلط مع أي تثبيتات أخرى. ضمن هذه البيئة، ستقوم بتثبيت NumPy وTensorFlow 2.10 ومكتبات CUDA/cuDNN اللازمة.

قم بتثبيت TensorFlow 2.10، وNumPy المتوافق، وCUDA، وcuDNN في Conda

يتطلب TensorFlow 2.10 متطلبات مكتبة محددة للغايةأول خطوة هي التأكد من أن NumPy ليس على فرع 2.x ضمن بيئة tf-2.10. إذا كنت تشك في تثبيت إصدار غير متوافق، يمكنك ضبط الإصدار الصحيح كما يلي:

pip install numpy==1.23.5

بمجرد حصولك على NumPy في إصدار مقبول، قم بتثبيت TensorFlow 2.10 من خلال pip في نفس البيئة:

pip install tensorflow==2.10

كما ذكرنا سابقاً، يرتبط TensorFlow 2.10 لنظام التشغيل Windows الأصلي بـ CUDA 11.2 و cuDNN 8.1لتبسيط الأمور وتجنب التعامل مع برامج التثبيت العالمية من NVIDIA، يمكنك تثبيت هذه المكتبات مباشرة في بيئة Conda باستخدام قناة conda-forge:

conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1

مع هذا النهج ، أنت لا تعتمد على مطابقة مجموعة أدوات CUDA العالمية لجهازك. بما يتوافق مع متطلبات TensorFlow. في الواقع، يمكنك تثبيت CUDA 12.3 على نظام Windows لمهام أخرى، وفي الوقت نفسه استخدام CUDA 11.2 "افتراضيًا" ضمن tf-2.10 دون حدوث تعارض بينهما.

ضع في اعتبارك أن دليل TensorFlow الرسمي يصف أيضًا إجراء "كلاسيكي" لتثبيت CUDA و cuDNN على مستوى النظامبإضافة مساراتها إلى متغير PATH في نظام ويندوز. إذا قررت اتباع هذه الطريقة التقليدية، فستحتاج إلى التأكد من أن الإصدارات المثبتة تتطابق تمامًا مع تلك المطلوبة من قبل TensorFlow، والتأكد من أن الملف cuDNN64_8.dll إنه موجود ويمكن الوصول إليه.

تثبيت كلاسيكي لبرامج تشغيل NVIDIA، وCUDA Toolkit 11.2، وcuDNN 8.1

إذا كنت تفضل أو تحتاج إلى تثبيت CUDA/cuDNN بشكل عام على نظام التشغيل Windows 11هناك تسلسل منطقي شائع الاستخدام تم اختباره أيضًا على نظام التشغيل Windows 10 مع وحدات معالجة الرسومات مثل GeForce RTX 2060. يعتمد هذا النهج على حزمة NVIDIA الرسمية ويعتمد على بعض الأدوات الإضافية.

أول شيء هو أن يكون لديك مُترجم مايكروسوفت فيجوال سي++بما أن CUDA Toolkit يتكامل مع Visual Studio لتجميع مكونات معينة، فإن أسهل طريقة هي تثبيت Microsoft Visual Studio مع تمكين مجموعة أدوات C++.

ثم قم بتثبيت أحدث برامج التشغيل لوحدة معالجة الرسومات NVIDIA الخاصة بك من موقع الويب الخاص بـ التنزيلات استخدم برنامج التثبيت الرسمي من NVIDIA، واختر طرازك المحدد (على سبيل المثال، GeForce RTX 2060) ونظام التشغيل Windows المتوافق. عادةً ما يوفر برنامج التثبيت وضع التثبيت السريع؛ عمليًا، ما عليك سوى الموافقة والمتابعة.

بعد وضع السائقين في مكانهم، يمكنك الانتقال إلى قم بتثبيت CUDA Toolkit 11.2 من ملف إصدارات NVIDIA المؤرشفة، اختر فرع 11.2، ونظام التشغيل (Windows)، ونوع المثبّت (.exe). أثناء التثبيت، يُفضّل عادةً اختيار وضع "مخصص"، ولكن في معظم الحالات، يمكنك ترك الإعدادات الافتراضية بالنقر على "التالي" ثم "موافق".

الخطوة التالية هي الاهتمام بـ مكتبة cuDNN 8.1 الخاصة بـ الشبكات العصبية عميقلتنزيله، يجب أن تكون مسجلاً في بوابة مطوري NVIDIA. بعد تسجيل الدخول، ادخل إلى ملف إصدار cuDNN واختر الإصدار المتوافق مع CUDA 11.2 لنظام التشغيل Windows.

حزمة cuDNN ليست برنامج تثبيت تقليدي، ولكن ملف مضغوط يحتوي على مجلد باسم "cuda" ستجد في الداخل مجلدات فرعية مثل bin وinclude وlib، تحتوي على ملفات بصيغ .dll و.hy وغيرها. ما عليك فعله هو نسخ محتويات هذه المجلدات الفرعية إلى المسارات المقابلة لها في تثبيت CUDA 11.2، والتي عادةً ما تكون في C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2، مع مراعاة بنية bin و include و lib.

بعد نسخ تلك الملفات، من المهم قم بمراجعة وتعديل متغير بيئة ويندوز %PATH%. لتضمين الدلائل التي توجد بها مكتبات CUDA وCUPTI وcuDNN. على سبيل المثال، بالنسبة لـ CUDA 11.0 (المماثل لـ 11.2)، تقترح الوثائق الرسمية الأوامر على النحو التالي:

SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\bin;%PATH%
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\extras\CUPTI\lib64;%PATH%
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\include;%PATH%
SET PATH=C:\tools\cuda\bin;%PATH%

قم بتكييف تلك المسارات مع إصدار CUDA الخاص بك والمجلد الذي وضعت فيه cuDNN (على سبيل المثال، C:\tools\cuda)، أنت تضمن أن TensorFlow يعثر على ملفات DLL الضرورية عند تشغيله.

قم بتثبيت TensorFlow GPU في بيئات Conda بديلة واختبر وحدة معالجة الرسومات (GPU).

توجد مجموعات إصدارات أخرى تم استخدامها بنجاح في نظام التشغيل ويندوزخاصةً مع الإصدارات القديمة من TensorFlow. على سبيل المثال، بالنسبة لـ TensorFlow 2.6.0 مع وحدة معالجة الرسومات (GPU) في بيئة Python 3.7، يمكنك إنشاء بيئة Conda على النحو التالي:

conda create -n test_tensorflow_gpu python=3.7

بعد تهيئة البيئة، يتم تفعيله مع:

conda activate test_tensorflow_gpu

ثم يتم تثبيته tensorflow-gpu 2.6.0 باستخدام pip:

pip install tensorflow-gpu==2.6.0

توجد أيضًا أمثلة على بيئات أقدم نوعًا ما مع TensorFlow 2.1.0 و CUDA 10.1، حيث يتم إنشاء بيئة Conda باستخدام Anaconda و Python 3.7.7، ويتم إضافة ipykernel وتثبيت العديد من التبعيات العلمية، و Keras 2.3.1 وغيرها:

$ conda create -n entornoGPU anaconda python=3.7.7
$ conda activate entornoGPU
$ conda install ipykernel
$ python -m ipykernel install --user --name entornoGPU --display-name "entornoGPU"
$ conda install tensorflow-gpu==2.1.0 cudatoolkit=10.1
$ pip install tensorflow==2.1.0
$ pip install jupyter
$ pip install keras==2.3.1
$ pip install numpy scipy Pillow cython matplotlib scikit-image opencv-python h5py imgaug IPython

أيًا كان المزيج المحدد الذي تختاره (2.10، 2.6.0، 2.1.0، إلخ)، يكون النمط دائمًا هو نفسه: إنشاء بيئة افتراضية نظيفة، وتثبيت الإصدار المتوافق من بايثون، وإضافة TensorFlow ومكتبات CUDA/cuDNN المناسبة، وأخيرًا، التحقق من أن وحدة معالجة الرسومات مرئية.

إحدى الطرق السريعة لمعرفة ما إذا كان TensorFlow يتعرف على وحدة معالجة الرسومات هي فتح Python وتشغيل الأمر التالي:

import tensorflow as tf
print("TensorFlow version:", tf.__version__)
print("GPUs available:", tf.config.list_physical_devices('GPU'))

سيكون الناتج المثالي على هذا النحو تقريبًا:

TensorFlow version: 2.10.0
GPUs available:

إذا كان على العكس من ذلك ، قائمة وحدات معالجة الرسومات تبدو فارغة ([]إذا كان TensorFlow يستخدم وحدة المعالجة المركزية فقط، يُنصح في هذه الحالة بإغلاق نافذة الطرفية، وإعادة تشغيل بيئة التشغيل، والتأكد من صحة إعدادات مسارات CUDA/cuDNN، وتحديث برنامج تشغيل NVIDIA، وعدم وجود أي تعارضات في الإصدارات.

استخدام إضافة TensorFlow-DirectML على نظام التشغيل Windows 11

بالنسبة للعديد من مستخدمي نظام التشغيل Windows 11، وخاصة أولئك الذين لديهم وحدات معالجة رسومات AMD أو Intel بالنسبة لمن يرغبون بتجنب تعقيدات CUDA/cuDNN، يقدم الملحق tensorflow-directml-plugin بديلاً مثيراً للاهتمام. يستفيد هذا الملحق من DirectML على DirectX 12، مما يسمح بتسريع TensorFlow دون الاعتماد على بيئة CUDA.

الشرط الأول هو أن يكون نظام التشغيل Windows 10/11 لديك إصدارًا متوافقًا (Windows 10 1709+ أو Windows 11 21H2+)، وأن تدعم وحدة معالجة الرسومات DirectX 12 و DirectMLبالإضافة إلى ذلك، أنت بحاجة إلى إصدار Python x86-64 3.7 أو 3.8 أو 3.9 أو 3.10، مع العلم أن 3.10 هو الإصدار الأقصى الذي يدعمه هذا المكون الإضافي.

يوصى به مجدداً استخدم برنامج Miniconda لإنشاء بيئة افتراضيةبعد تثبيت Miniconda، يمكنك إنشاء بيئة تسمى، على سبيل المثال، tfdml_plugin باستخدام:

conda create --name tfdml_plugin python=3.9
conda activate tfdml_plugin

بعد تفعيل البيئة، يجب عليك تثبيت الإصدار الأساسي من TensorFlow على وحدة المعالجة المركزية الذي يتطلبه الملحقوبالتحديد، tensorflow-cpu==2.10، لأنه غير متوافق مع tensorflow "العادي" أو tensorflow-gpu:

pip install tensorflow-cpu==2.10

بعد ذلك، يتم تثبيت الجهاز نفسه tensorflow-directml-plugin ببساطة:

pip install tensorflow-directml-plugin

بمجرد الانتهاء، يجب أن تبدأ نصوص TensorFlow الخاصة بك في الاستخدام الواجهة الخلفية لـ DirectML بشفافيةدون الحاجة إلى تعديل الكود. إذا كانت لديك نماذج أو دفاتر ملاحظات بالفعل، فما عليك سوى تشغيلها داخل بيئة tfdml_plugin.

قم بدمج بيئة Conda مع PyCharm وبيئات التطوير المتكاملة الأخرى.

إذا كنت تستخدم PyCharm أو أي بيئة تطوير متكاملة أخرى لتطوير البرامج بلغة بايثونمن المفيد جدًا ربط مترجم IDE مباشرة ببيئة Conda التي أنشأتها لـ TensorFlow، بحيث يمكنك تشغيل وتصحيح المشاريع باستخدام إصدارات المكتبة التي قمت بتكوينها بالضبط.

في برنامج PyCharm، على سبيل المثال، يمكنك الانتقال إلى ملف > الإعدادات > المشروع: مترجم بايثون ومن هناك أضف بيئة Conda الحالية. وللقيام بذلك، حدد "إضافة مترجم > إضافة مترجم محلي".

في المعالج، اختر "البيئة القائمة" ثم انتقل إلى مسار ملف بايثون القابل للتنفيذ الخاص ببيئتك، والذي عادةً ما يبدو كالتالي:

C:\Users\<tu_usuario>\miniconda3\envs\tf-2.10\python.exe

بمجرد التحديد ، اختر بيئة tf-2.10 (أو أي اسم آخر اخترته لها)قم بالتأكيد بالضغط على "موافق" وسيبدأ PyCharm باستخدامه لهذا المشروع. بهذه الطريقة، سيتم دائمًا استيراد TensorFlow وNumPy وCUDA/cuDNN، وما إلى ذلك، من البيئة الصحيحة.

اختبارات ومعايير متقدمة لمقارنة وحدة معالجة الرسومات بوحدة المعالجة المركزية

بالإضافة إلى الفحص الأساسي لـ "tf.config.list_physical_devices('GPU')"هناك طرق أكثر تقدماً لضمان استخدام TensorFlow لوحدة معالجة الرسومات (GPU)، وبالمناسبة، قياس فرق الأداء الفعلي مقارنة بوحدة المعالجة المركزية (CPU).

بالنسبة لعمليات التثبيت مثل TensorFlow-gpu 2.6.0 في Python 3.7، يمكنك كتابة قليلا سيناريو في بايثون يسترجع هذا الأمر قائمة الأجهزة المحلية ويعرض معلومات تفصيلية حول وحدة معالجة الرسومات (GPU) وإصدار CUDA وإصدار cuDNN التي يستخدمها TensorFlow داخليًا. مثال نموذجي على ذلك:

import tensorflow
from tensorflow.python.client import device_lib

دالة print_info():
print(' إصدار TensorFlow: {}'.format(tensorflow.__version__))
print(' GPU: {}'.format())
print('إصدار كودا -> {}'.format(tensorflow.sysconfig.get_build_info()))
print(' إصدار Cudnn -> {}'.format(tensorflow.sysconfig.get_build_info()))

print_info()

يُخبرك ناتج هذا النوع من البرامج النصية بالضبط بما يراه TensorFlow.اسم وحدة معالجة الرسومات (مثل NVIDIA GeForce RTX 2060)، وقدرة الحوسبة، وإصدارات CUDA/cuDNN المدمجة. يتيح لك هذا التأكد من اتساق التركيبات واستخدام الجهاز الصحيح، والرجوع إلى مسرد للمصطلحات إذا كانت لديك أي أسئلة حول المصطلحات.

إذا كنت ترغب في المضي قدمًا، فإن أدوات مثل معيار الذكاء الاصطناعي تتيح لك هذه الأداة مقارنة أداء وحدة معالجة الرسومات (GPU) ووحدة المعالجة المركزية (CPU) عبر العديد من الشبكات العصبية الشائعة (MobileNet، Inception، ResNet، VGG، إلخ). لتثبيتها في بيئتك الافتراضية مع وحدة معالجة رسومات نشطة:

pip install ai-benchmark

بعد ذلك، يمكنك تشغيل اختبار معياري على وحدة معالجة الرسومات (GPU) باستخدام مترجم لغة بايثون:

from ai_benchmark import AIBenchmark
benchmark_gpu = AIBenchmark(use_CPU=False)
benchmark_gpu.run_training()

تُظهر النتائج أوقات التدريب لكل نموذج. و"نتيجة تدريب الجهاز" الإجمالية. في الاختبارات التي أجريت باستخدام RTX 2060، على سبيل المثال، استغرق تدريب MobileNet-V2 مع دفعة = 50 وحجم 224 × 224 حوالي 325 مللي ثانية لكل تكرار على وحدة معالجة الرسومات.

للمقارنة مع وحدة المعالجة المركزية، يمكنك تشغيل ما يلي:

benchmark_cpu = AIBenchmark(use_CPU=True)
benchmark_cpu.run_training()

في ظل تلك الظروف نفسها، استغرق المعالج المركزي حوالي 3148 مللي ثانية في نموذج MobileNet-V2، وفي ظل نفس السيناريو، كان الأداء أعلى بعشرة أضعاف تقريبًا من وحدة معالجة الرسومات. ويتكرر هذا الفرق، مع بعض الاختلافات، في نماذج قياس الأداء الأخرى، مما يُظهر بوضوح ميزة استخدام وحدة معالجة الرسومات للتدريب المكثف.

من الممكن أيضًا إجراء فحص أساسي أكثر في بيئة TensorFlow 2.1.0/2.10 عن طريق تشغيل الأمر التالي:

$ python
$ import tensorflow as tf
$ tf.__version__
$ tf.test.gpu_device_name()

إذا أعاد tf.test.gpu_device_name() شيئًا مثل "/device:GPU:0"يتم اكتشاف وحدة معالجة الرسومات (GPU) واستخدامها بواسطة TensorFlow. إذا أعاد سلسلة نصية فارغة، فمن المحتمل أن حزمة CUDA/cuDNN تحتاج إلى تهيئة صحيحة أو أن هناك عدم توافق في الإصدارات.

بدمج هذه الفحوصات، وإعداد بيئات افتراضية باستخدام Miniconda، واختيار الإصدارات بعناية (TensorFlow 2.10 لنظام التشغيل Windows الأصلي مع CUDA 11.2 و cuDNN 8.1، أو tensorflow-cpu 2.10 مع المكون الإضافي DirectML)، يمكنك جعل TensorFlow يستفيد من وحدة معالجة الرسومات الخاصة بك على نظام التشغيل Windows 11 دون الوقوع في أخطاء غامضة أو تعطيل تثبيتات Python الأخرى الموجودة لديك بالفعل على جهازك.