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. 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:
# O nome do arquivo pode estar diferente
sh Miniconda3-latest-MacOSX-x86_64.sh -b
Para os usuários de Linux:
# 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.
~/miniconda3/bin/conda init
Agora feche e reabra seu shell atual. Você deve ser capaz de criar um novo ambiente da seguinte forma:
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, executesudo apt install unzip)
disponível:
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.
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.
pip install mxnet==1.7.0.post1
pip install torch torchvision -f https://download.pytorch.org/whl/torch_stable.html
Você pode instalar o TensorFlow com suporte para CPU e GPU da seguinte maneira:
pip install tensorflow tensorflow-probability
Nós também instalamos o pacote d2l que encapsula funções e classes
frequentemente usadas neste livro.
# -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:
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.
Compatibilidade com GPU¶
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:
pip uninstall mxnet
Em seguida, precisamos encontrar a versão CUDA que você instalou. Você
pode verificar em nvcc --version
oucat / usr / local / cuda / version.txt. Suponha que você tenha
instalado o CUDA 10.1, então você pode instalar com o seguinte comando:
# 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 ecu90 para CUDA 9.0.
Por padrão, o Framework de Deep Learning é instalada com suporte para GPU. Se o seu computador tem GPUs NVIDIA e instalou CUDA, então está tudo pronto.
Por padrão, o Framework de Deep Learning é instalada com suporte para GPU. Se o seu computador tem GPUs NVIDIA e instalou CUDA, então está tudo pronto.