【最新版】TensorFlow 2.0 Alpha 動作環境構築 : Mac編

2019.05.24
Python超入門

1. はじめに
2. 構成
3. TensorFlowインストール事前準備
4. 仮想環境の作成（推奨）
5. TensorFlow 2.0 Alpha導入
6. 動作確認
7. まとめ
8. おすすめ書籍

はじめに

MacにTensorflow 2.0 Alphaの動作環境を構築した過程を記載します。
基本的にはこちらの公式チュートリアルの流れに沿って導入しています。

本記事はQiitaに投稿した記事の詳細版となります。

構成

MacBook Pro (13-inch, 2016, Two Thunderbolt 3 ports)

TensorFlowインストール事前準備

Python諸々のインストール：公式GitHubのInstall required python packages, On Python 3-based systemsを参考に以下コードを実行しました。

アプリケーション→ユーティリティ→ターミナル.appを開き、以下を1行ずつ実行してください。

Python諸々のバージョン確認

python3 --version
pip3 --version
virtualenv --version

もし入っていないものがあったらHomebrewを使っていれましょう。

/usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"
export PATH="/usr/local/bin:/usr/local/sbin:$PATH"
brew update
brew install python  # Python 3
sudo pip3 install -U virtualenv  # system-wide install

入れ終わったら再度バージョン確認のコードを実行し、正しく導入されているか確認して下さい。
なお、現時点（2019/5/24）での私の環境では以下の通りになりました。
Python 3.7.3
pip 19.0.3
virtualenv 16.6.0

仮想環境の作成（推奨）

Mac本体のシステムから独立した環境を構築したほうが、色々といじるのに便利なため、virtualenvというツールを使った仮想環境の導入をします。

仮想環境を導入するディレクトリを指定します。今回は./venvです。

virtualenv --system-site-packages -p python3 ./venv

ディレクトリの作成が完了したら、仮想環境の有効化をします。

source ./venv/bin/activate

有効化が正しく行われると、プロンプト内に(venv)の表示がなされます。

この独立した環境内でpipのアップグレードを実施します。

pip install --upgrade pip
pip list  # 仮想環境内でインストールされているパッケージを表示

仮想環境を終了する場合は以下を実行してください。
なおTensorFlow使用時は有効になっている必要があります。

deactivate

TensorFlow 2.0 Alpha導入

以下コマンドを実行するとインストールが開始されます。

pip install --upgrade tensorflow==2.0.0-alpha0

インストールが完了しました。

動作確認

以下を入力し対話モードに入ります。

python

Tensorflowをtfとして読み込みます。

import tensorflow as tf

手書き数字のデータセットであるMNISTを読み込みます。

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

tf.keras.Sequentialモデルをビルドします。

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

学習と評価を行います。

model.fit(x_train, y_train, epochs=5)

model.evaluate(x_test, y_test)

このような感じで学習と評価がなされていれば導入完了です。

>>> model.fit(x_train, y_train, epochs=5)
Epoch 1/5
60000/60000 [==============================] - 4s 59us/sample - loss: 0.3015 - accuracy: 0.9122
Epoch 2/5
60000/60000 [==============================] - 3s 54us/sample - loss: 0.1462 - accuracy: 0.9564
Epoch 3/5
60000/60000 [==============================] - 3s 54us/sample - loss: 0.1100 - accuracy: 0.9662
Epoch 4/5
60000/60000 [==============================] - 3s 57us/sample - loss: 0.0910 - accuracy: 0.9722
Epoch 5/5
60000/60000 [==============================] - 3s 53us/sample - loss: 0.0765 - accuracy: 0.9760
<tensorflow.python.keras.callbacks.History object at 0x1123d6748>
>>> 
>>> model.evaluate(x_test, y_test)
10000/10000 [==============================] - 0s 32us/sample - loss: 0.0730 - accuracy: 0.9781
[0.07304580859981943, 0.9781]