.. _chap_installation:

Instalação
==========


Para prepara-lo a ter uma experiência prática de aprendizado, precisamos
configurar o ambiente para executar *Python*, *Jupyter notebooks*, as
bibliotecas relevantes, e o código necessário para executar o livro em
si.

Instalando Miniconda
--------------------

A maneira mais simples de começar será instalar
`Miniconda <https://conda.io/en/latest/miniconda.html>`__. A versão
*Python* 3.x é necessária. Você pode pular as etapas a seguir se o conda
já tiver sido instalado. Baixe o arquivo Miniconda sh correspondente do
site e então execute a instalação a partir da linha de comando usando
``sh <FILENAME> -b``. Para usuários do macOS:

.. code:: bash

   # O nome do arquivo pode estar diferente
   sh Miniconda3-latest-MacOSX-x86_64.sh -b

Para os usuários de Linux:

.. code:: bash

   # O nome do arquivo pode estar diferente
   sh Miniconda3-latest-Linux-x86_64.sh -b

A seguir, inicialize o *shell* para que possamos executar ``conda``
diretamente.

.. code:: bash

   ~/miniconda3/bin/conda init

Agora feche e reabra seu *shell* atual. Você deve ser capaz de criar um
novo ambiente da seguinte forma:

.. code:: bash

   conda create --name d2l python=3.8 -y

Baixando os *Notebooks D2L*
---------------------------

Em seguida, precisamos baixar o código deste livro. Você pode clicar no
botão “All Notebooks” na parte superior de qualquer página HTML para
baixar e descompactar o código. Alternativamente, se você tiver
``unzip`` (caso contrário, execute\ ``sudo apt install unzip``)
disponível:

.. code:: bash

   mkdir d2l-en && cd d2l-en
   curl https://d2l.ai/d2l-en.zip -o d2l-en.zip
   unzip d2l-en.zip && rm d2l-en.zip

Agora precisamos ativar o ambiente ``d2l``.

.. code:: bash

   conda activate d2l

Instalando o *Framework* e o pacote ``d2l``
-------------------------------------------

Antes de instalar o *Framework* de *Deep Learning*, primeiro verifique
se você tem ou não GPUs adequadas em sua máquina (as GPUs que alimentam
a tela em um laptop padrão não contam para nossos propósitos). Se você
estiver instalando em um servidor GPU, proceda para: ref: ``subsec_gpu``
para instruções para instalar uma versão compatível com GPU.

Caso contrário, você pode instalar a versão da CPU da seguinte maneira.
Isso será mais do que potência suficiente para você pelos primeiros
capítulos, mas você precisará acessar GPUs para executar modelos
maiores.



.. raw:: html

    <div class="mdl-tabs mdl-js-tabs mdl-js-ripple-effect"><div class="mdl-tabs__tab-bar text"><a href="#mxnet-1-0" onclick="tagClick('mxnet'); return false;" class="mdl-tabs__tab is-active">mxnet</a><a href="#pytorch-1-1" onclick="tagClick('pytorch'); return false;" class="mdl-tabs__tab ">pytorch</a><a href="#tensorflow-1-2" onclick="tagClick('tensorflow'); return false;" class="mdl-tabs__tab ">tensorflow</a></div>



.. raw:: html

    <div class="mdl-tabs__panel is-active" id="mxnet-1-0">

.. code:: bash

   pip install mxnet==1.7.0.post1



.. raw:: html

    </div>



.. raw:: html

    <div class="mdl-tabs__panel " id="pytorch-1-1">

.. code:: bash

   pip install torch torchvision -f https://download.pytorch.org/whl/torch_stable.html



.. raw:: html

    </div>



.. raw:: html

    <div class="mdl-tabs__panel " id="tensorflow-1-2">

Você pode instalar o TensorFlow com suporte para CPU e GPU da seguinte
maneira:

.. code:: bash

   pip install tensorflow tensorflow-probability



.. raw:: html

    </div>



.. raw:: html

    </div>

Nós também instalamos o pacote ``d2l`` que encapsula funções e classes
frequentemente usadas neste livro.

.. code:: bash

   # -U: Atualiza todos os pacotes para as versões mais atuais disponíveis
   pip install -U d2l

Após realizadas as instalações podemos abrir os *notebooks Jupyter*
através do seguinte comando:

.. code:: bash

   jupyter notebook

Nesse ponto, você pode abrir http://localhost:8888 (geralmente abre
automaticamente) no navegador da web. Em seguida, podemos executar o
código para cada seção do livro. Sempre execute ``conda activate d2l``
para ativar o ambiente de execução antes de executar o código do livro
ou atualizar o *framework* de *Deep Learning* ou o pacote ``d2l``. Para
sair do ambiente, execute ``conda deactivate``.

.. _subsec_gpu:

Compatibilidade com GPU
-----------------------




.. raw:: html

    <div class="mdl-tabs mdl-js-tabs mdl-js-ripple-effect"><div class="mdl-tabs__tab-bar text"><a href="#mxnet-3-0" onclick="tagClick('mxnet'); return false;" class="mdl-tabs__tab is-active">mxnet</a><a href="#pytorch-3-1" onclick="tagClick('pytorch'); return false;" class="mdl-tabs__tab ">pytorch</a><a href="#tensorflow-3-2" onclick="tagClick('tensorflow'); return false;" class="mdl-tabs__tab ">tensorflow</a></div>



.. raw:: html

    <div class="mdl-tabs__panel is-active" id="mxnet-3-0">

Por padrão, MXNet é instalado sem suporte a GPU para garantir que será
executado em qualquer computador (incluindo a maioria dos laptops).
Parte deste livro requer ou recomenda a execução com GPU. Se o seu
computador tiver placas gráficas NVIDIA e tiver instalado [CUDA]
(https://developer.nvidia.com/cuda-downloads), então você deve instalar
uma versão habilitada para GPU. Se você instalou a versão apenas para
CPU, pode ser necessário removê-lo primeiro executando:

.. code:: bash

   pip uninstall mxnet

Em seguida, precisamos encontrar a versão CUDA que você instalou. Você
pode verificar em ``nvcc --version``
ou\ ``cat / usr / local / cuda / version.txt``. Suponha que você tenha
instalado o CUDA 10.1, então você pode instalar com o seguinte comando:

.. code:: bash

   # Para usuários de Windows
   pip install mxnet-cu101==1.7.0 -f https://dist.mxnet.io/python

   # Para usuários de Linux e MacOS
   pip install mxnet-cu101==1.7.0

Você pode alterar os últimos dígitos de acordo com sua versão CUDA,
e.g., ``cu100`` para CUDA 10.0 e\ ``cu90`` para CUDA 9.0.



.. raw:: html

    </div>



.. raw:: html

    <div class="mdl-tabs__panel " id="pytorch-3-1">

Por padrão, o Framework de Deep Learning é instalada com suporte para
GPU. Se o seu computador tem GPUs NVIDIA e instalou
`CUDA <https://developer.nvidia.com/cuda-downloads>`__, então está tudo
pronto.



.. raw:: html

    </div>



.. raw:: html

    <div class="mdl-tabs__panel " id="tensorflow-3-2">

Por padrão, o Framework de Deep Learning é instalada com suporte para
GPU. Se o seu computador tem GPUs NVIDIA e instalou
`CUDA <https://developer.nvidia.com/cuda-downloads>`__, então está tudo
pronto.



.. raw:: html

    </div>



.. raw:: html

    </div>

Exercícios
----------

1. Baixe o código do livro e instale o ambiente de execução.



.. raw:: html

    <div class="mdl-tabs mdl-js-tabs mdl-js-ripple-effect"><div class="mdl-tabs__tab-bar text"><a href="#mxnet-5-0" onclick="tagClick('mxnet'); return false;" class="mdl-tabs__tab is-active">mxnet</a><a href="#pytorch-5-1" onclick="tagClick('pytorch'); return false;" class="mdl-tabs__tab ">pytorch</a><a href="#tensorflow-5-2" onclick="tagClick('tensorflow'); return false;" class="mdl-tabs__tab ">tensorflow</a></div>



.. raw:: html

    <div class="mdl-tabs__panel is-active" id="mxnet-5-0">

`Discussão <https://discuss.d2l.ai/t/23>`__



.. raw:: html

    </div>



.. raw:: html

    <div class="mdl-tabs__panel " id="pytorch-5-1">

`Discussão <https://discuss.d2l.ai/t/24>`__



.. raw:: html

    </div>



.. raw:: html

    <div class="mdl-tabs__panel " id="tensorflow-5-2">

`Discussão <https://discuss.d2l.ai/t/436>`__



.. raw:: html

    </div>



.. raw:: html

    </div>

.. raw:: html

   <!--stackedit_data:
   eyJoaXN0b3J5IjpbMjEwMDA3Mjg4Nyw3OTg2OTc2ODEsLTk1Nj
   M1MTEzMSwtMTc1NTIwNTkzOV19
   -->