Trải nghiệm khi dùng TensorFlow
TensorFlow không phải phần mềm để bấm mở. Bạn cài nó như một thư viện Python, rồi viết vài dòng code trong file hoặc Jupyter Notebook (trang tính viết code chạy từng ô) để tạo ra một mạng nơ-ron. Lần đầu bạn thường làm bài kinh điển như dạy máy nhận diện chữ số viết tay hay phân loại ảnh quần áo.
Khi chạy huấn luyện, màn hình in ra từng vòng học (epoch) với độ chính xác tăng dần, và bạn lưu mô hình lại để dùng sau. Nếu máy có card đồ hoạ NVIDIA, quá trình này nhanh hơn rõ rệt so với chỉ dùng CPU, nhưng với bài tập nhỏ thì laptop thường cũng đủ.
Điểm đặc trưng của TensorFlow so với nhiều thư viện khác là phần triển khai: cùng một mô hình có thể được đóng gói để chạy trên server, trong trình duyệt hoặc trên điện thoại thông qua các công cụ trong hệ sinh thái. Vì vậy nó vẫn xuất hiện nhiều trong tài liệu, giáo trình và các hệ thống sản xuất đã có từ trước.
Tính năng nổi bật
Xây mạng nơ-ron bằng Python
Cung cấp các khối xây dựng từ đơn giản đến phức tạp để làm mô hình nhận diện ảnh, âm thanh, văn bản hay dữ liệu bảng.
Chạy được trên CPU, GPU
Gói chính hỗ trợ card đồ hoạ NVIDIA (Ubuntu và Windows theo README), còn thiết bị khác như DirectX và macOS Metal dùng qua các plugin thiết bị.
Gói CPU nhỏ gọn
Có bản tensorflow-cpu nhẹ hơn cho máy không có card đồ hoạ hoặc cho môi trường chỉ cần suy luận.
Hệ sinh thái triển khai
Đi kèm nhiều công cụ và thư viện mở rộng để đưa mô hình ra ứng dụng thực tế, xem danh sách ở trang tài nguyên chính thức.
Tài liệu và hướng dẫn phong phú
Có trang Tutorials từng bước cho người mới, kèm diễn đàn cộng đồng và rất nhiều bài viết, khoá học bên ngoài.
API ổn định cho Python và C++
README nói có API Python và C++ ổn định, các ngôn ngữ khác không đảm bảo tương thích ngược.
Tận dụng TensorFlow vào việc gì?
Sinh viên CNTT, người tự học AI
Học nhập môn deep learning
Làm lần lượt các bài hướng dẫn chính thức như phân loại ảnh, dự đoán giá, để hiểu cách một mạng nơ-ron được huấn luyện.
Sinh viên, người làm sản phẩm nhỏ
Làm đồ án nhận diện ảnh
Huấn luyện mô hình phân biệt ảnh sản phẩm hỏng và tốt, hoặc phân loại loại cây qua ảnh lá, rồi đóng gói thành ứng dụng.
Phân tích dữ liệu, chủ shop có người biết code
Dự đoán từ dữ liệu bán hàng
Dùng dữ liệu doanh số theo thời gian để thử dự báo, so sánh với các phương pháp đơn giản hơn trước khi quyết định có cần mạng nơ-ron hay không.
Lập trình viên, kỹ sư ML
Bảo trì hệ thống cũ
Nhiều hệ thống đã triển khai dùng TensorFlow, nên biết nó giúp bạn đọc, sửa và nâng cấp các mô hình đó.
Cần chuẩn bị gì?
- Python và pip đã cài sẵn; nên dùng môi trường ảo (virtual environment) để không lẫn thư viện.
- Máy 64-bit; card đồ hoạ NVIDIA hỗ trợ CUDA là tuỳ chọn để tăng tốc huấn luyện, chi tiết xem trang cài đặt GPU chính thức.
- Phiên bản Python tương thích thay đổi theo từng bản TensorFlow, nên kiểm tra trang tensorflow.org/install trước khi cài.
- Dung lượng ổ cứng vài GB cho thư viện và dữ liệu thử.
Hướng dẫn cài đặt chi tiết
Cài trên pip (Windows, macOS, Linux)
Mở Terminal hoặc PowerShell, tạo một môi trường ảo riêng cho dự án rồi kích hoạt nó. Trên Windows PowerShell lệnh kích hoạt là .venv\Scripts\Activate.ps1, trên macOS/Linux là source .venv/bin/activate.
python -m venv .venvCài bản chính thức theo README. Bản này có hỗ trợ card đồ hoạ CUDA (Ubuntu và Windows).
pip install tensorflowNếu máy không có card đồ hoạ và bạn muốn gói nhỏ hơn, dùng bản CPU.
pip install tensorflow-cpuMuốn nâng cấp lên bản mới thì thêm cờ --upgrade vào các lệnh trên.
Cài trên Docker và GPU
README trỏ sang hướng dẫn chính thức cho Docker, bật GPU và biên dịch từ mã nguồn. Hãy mở các trang tensorflow.org/install/docker và tensorflow.org/install/gpu để lấy lệnh đúng với phiên bản và card đồ hoạ của bạn.
Với macOS dùng chip Apple và thiết bị DirectX, README nói dùng các plugin thiết bị; xem danh sách ở trang tensorflow.org/install/gpu_plugins.
Dùng thử lần đầu
Mở Python trong môi trường vừa cài rồi nhập các dòng sau (đây là ví dụ trong README) để kiểm tra thư viện hoạt động.
import tensorflow as tf print(tf.add(1, 2).numpy()) print(tf.constant('Hello, TensorFlow!').numpy())Nếu in ra số 3 và dòng chữ Hello, TensorFlow là cài thành công.
Xem số lượng card đồ hoạ mà TensorFlow nhìn thấy (kết quả trống nghĩa là đang chạy bằng CPU).
import tensorflow as tf print(tf.config.list_physical_devices('GPU'))Mở trang tensorflow.org/tutorials và làm bài đầu tiên cho người mới (phân loại ảnh). Chạy trên Google Colab nếu máy bạn yếu.
Mẹo dùng hay
- Luôn cài trong môi trường ảo; TensorFlow kéo theo nhiều thư viện nên dễ gây xung đột với dự án khác.
- Máy yếu thì dùng Google Colab để có sẵn môi trường chạy thử, không phải cài gì.
- Nếu bạn mới học, hãy so sánh thêm với PyTorch; nhiều khoá học và bài báo mới hiện dùng PyTorch, còn tài liệu cũ và hệ thống sẵn có dùng TensorFlow.
Lưu ý và hạn chế
- Đây là thư viện cho người biết lập trình Python, không có giao diện bấm chuột.
- Việc chọn phiên bản Python, CUDA và driver cho khớp là nơi người mới hay mắc kẹt, nhất là trên Windows; hãy đọc kỹ trang cài đặt GPU chính thức.
- Bản nightly (tf-nightly) dùng để thử nghiệm, không nên dùng cho sản phẩm thật.
Câu hỏi thường gặp
TensorFlow có miễn phí không?
Có. Đây là mã nguồn mở theo giấy phép Apache-2.0, dùng được cho cả mục đích thương mại.
Máy không có card đồ hoạ có học được TensorFlow không?
Được. Bài tập nhỏ chạy tốt bằng CPU, và bạn có thể dùng bản tensorflow-cpu hoặc Google Colab khi cần tăng tốc.
Nên học TensorFlow hay PyTorch?
Cả hai đều phổ biến. TensorFlow mạnh ở hệ sinh thái triển khai và hệ thống sẵn có; PyTorch được dùng nhiều trong nghiên cứu và các dự án mới. Bạn có thể bắt đầu với cái mà khoá học của mình đang dùng.
Tải mã nguồn về máy
Nếu bạn muốn xem hoặc sửa mã nguồn, mở Terminal (trên Windows là PowerShell) và chạy lệnh dưới. Máy cần cài sẵn Git.
git clone https://github.com/tensorflow/tensorflow.gitRepo tương tự nên xem
PyTorch
pytorch / pytorch
Thư viện học sâu phổ biến nhất giới nghiên cứu, tính toán tensor trên GPU và huấn luyện mạng nơ-ron
scikit-learn
scikit-learn / scikit-learn
Thư viện học máy cổ điển bằng Python: phân loại, dự đoán, gom nhóm dữ liệu bảng rất dễ dùng
Hugging Face Transformers
huggingface / transformers
Thư viện Python để tải và chạy hàng triệu mô hình AI từ Hugging Face chỉ với vài dòng code