ติดตั้ง TensorFlow บน Ubuntu รองรับ CPU GPU ครบจบ

TensorFlow บน Ubuntu ติดตั้งอย่างไรให้ใช้งานได้ทั้ง CPU และ GPU

TensorFlow เป็น Open-source Machine Learning Framework จาก Google Brain ใช้สร้างและ Train โมเดล Deep Learning ทุกประเภท ตั้งแต่ Image Classification, NLP ไปจนถึง Recommendation Systems รองรับทั้ง CPU และ GPU ทำให้เป็นเครื่องมือยอดนิยมในวงการ AI ทั่วโลก

ทำไมต้อง TensorFlow

TensorFlow รองรับตั้งแต่ Prototype ไปจนถึง Production Scale มี Ecosystem ใหญ่ทั้ง TensorFlow Lite, TensorFlow.js, TensorFlow Serving รองรับ GPU Acceleration ผ่าน CUDA Train โมเดลได้เร็วขึ้นหลายเท่า Community ใหญ่มี Tutorial และ Pre-trained Model ให้เลือกใช้เยอะ

เตรียม Environment บน Ubuntu

ติดตั้ง Python และ Virtual Environment

TensorFlow แนะนำให้ใช้ผ่าน Virtual Environment เพื่อไม่ให้ Package ชนกัน

sudo apt update
sudo apt install python3 python3-pip python3-venv -y
python3 -m venv ~/tf-env
source ~/tf-env/bin/activate
pip install --upgrade pip

การใช้ Virtual Environment สำคัญมากเพราะ TensorFlow มี Dependency เยอะ ถ้าลงใน System Python ตรง ๆ อาจทำให้ Package อื่นพัง

ติดตั้ง TensorFlow

แบบ CPU Only

ถ้าเครื่องไม่มี GPU หรือต้องการทดลองก่อน

pip install tensorflow

แบบ GPU Support

สำหรับคนที่มี NVIDIA GPU ต้องติดตั้ง Driver ก่อน

sudo apt install nvidia-driver-535

Reboot แล้วเช็คว่า GPU ถูก Detect

nvidia-smi

จากนั้นติดตั้ง TensorFlow พร้อม CUDA Dependencies

pip install tensorflow[and-cuda]

คำสั่งนี้ติดตั้ง CUDA ให้อัตโนมัติ สะดวกกว่าลงแยกเยอะ

ติดตั้งผ่าน Conda

อีกทางเลือกคือ Conda ซึ่งจัดการ CUDA ให้อัตโนมัติ

conda create -n tf-gpu python=3.11
conda activate tf-gpu
conda install tensorflow-gpu

ข้อดีคือไม่ต้องลง CUDA กับ cuDNN เอง Conda จัดการ Version ที่เข้ากันได้ให้ทั้งหมด

ทดสอบการติดตั้ง

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

ถ้ามี GPU จะเห็นรายชื่อ GPU Device ถ้าลงแบบ CPU Only จะเห็น List ว่างเปล่า ซึ่งไม่ใช่ Error

ทดสอบด้วย MNIST

import tensorflow as tf

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=3)
print("Test accuracy:", model.evaluate(x_test, y_test)[1])

ถ้ารันผ่านและเห็น Accuracy ประมาณ 97% ขึ้นไป ทุกอย่างเรียบร้อย

Best Practices

ใช้ Virtual Environment เสมอ ตรวจสอบ CUDA Compatibility ก่อนอัปเกรด TensorFlow ใช้ Mixed Precision Training เพิ่มความเร็วและลดการใช้ GPU Memory สำหรับ Production ควรใช้ TensorFlow Serving ในการ Deploy Model

คำถามที่พบบ่อย (FAQ)

TensorFlow กับ PyTorch เลือกตัวไหนดี?

TensorFlow เหมาะกับ Production มีเครื่องมือ Deploy ครบ PyTorch เหมาะกับ Research เขียนง่ายกว่า ทั้งคู่ดีทั้งนั้น ขึ้นอยู่กับว่าเน้นงานแบบไหน

ติดตั้ง TensorFlow แล้ว Import ไม่ได้ ทำอย่างไร?

ตรวจสอบว่า Activate Virtual Environment แล้วหรือยัง และ Python Version ตรงกับที่ TensorFlow รองรับ (Python 3.9-3.11)

ต้องมี GPU ถึงจะใช้ TensorFlow ได้ไหม?

ไม่จำเป็น TensorFlow ทำงานบน CPU ได้ แค่ช้ากว่า GPU สำหรับการเรียนรู้และทดลองใช้ CPU ก็เพียงพอ

สรุป

TensorFlow เป็นเครื่องมือทรงพลังสำหรับ Machine Learning บน Ubuntu ไม่ว่าจะเริ่มด้วย CPU หรือ GPU เต็มกำลัง สิ่งสำคัญคือจัดการ Environment ให้ดีและเลือก Version ที่เข้ากันได้

สำหรับคนที่ต้องการ Train โมเดล ML จริงจัง VPS ของ DriteStudio มีหลาย Spec เหมาะกับงาน Data Science ส่วนใครที่ต้องการ GPU Server สำหรับ Deep Learning เต็มรูปแบบ Dedicated Server ของ DriteStudio รองรับ Hardware ระดับสูงที่ตอบโจทย์ ติดต่อทีมงานได้เลย