O curso de Deep Learning da fast.ai recomenda que novatos comecem utilizando alguma das soluções de nuvem que recomendam e ajudam a configurar em seu site. No entanto, sempre poderá haver necessidades específicas que requeiram instalação em ambiente próprio. Aqui, sintetizamos um passo-a-passo para configurar um ambiente de desenvolvimento completo para o curso da fast.ai no sistema operacional Ubuntu 18.04.2 LTS. Um ambiente de desenvolvimento para Deep Learning apoia-se em uma pirâmide de funcionalidades fornecidas por diversos sistemas de software: cadernos jupyter, biblioteca fastai, ambiente python com o gerenciador de pacotes Anaconda, framework pyTorch, biblioteca CUDA, drivers nVidia… Assim, a opção mais simples utiliza sistemas já configurados com todas as partes instaladas e testadas.
A versão mais simples e gratuita utiliza o Kaggle:
FastAi Kaggle
Recomenda-se criar uma conta no Kaggle, como solução mínima que já garante poder executar os cadernos dos cursos da fast.ai, ainda que com várias limitações. Uma solução mais disponível e confiável requer criar uma conta na Google Cloud (GCP), que requer fornecer dados de cartão de crédito, porém sem cobrança, podendo utilizar um crédito inicial de U$ 300! Instruções detalhadas para configuração do GCP no site da fas.ai: FastAi GCP Configurations
Finalmente, também é possível configurar seu próprio sistema, seja em computador local ou na nuvem. Para isso, é preciso instalar em sequência todos os degraus da pirâmide de software. Segue um passo-a-passo de instalação e configuração, da base da pirâmide até a sua ponta.
Opção 1: Pelo PPA, para fácil manutenção/upgrade utilizando o sistema APT do Ubuntu
Em um terminal, executar:
https://launchpad.net/~graphics-drivers/+archive/ubuntu/ppa
[em 4/3/2019 a versão mais recente é ‘nvidia-driver-415’]
Em caso de dúvida o seguinte comando permite listar os drivers disponíveis nesse ppa:
Opção 2: Baixando os drivers adequados do site da nVidia:
Download NVIDIA driver
Tornar o arquivo executável e executar o arquivo .run acima. Qualquer que seja a opção utilizada acima, lembre-se de reiniciar o computador antes de prosseguir. Após reiniciar, verificar que a instalação dos drivers foi bem sucedida, executando no terminal:
Esse comando deve retornar diversos dados de configuração de sua placa de vídeo:
Download Anaconda
[em 4/3/2019, a última versão é Anaconda3–2018.12-Linux-x86_64.sh]
[opcional, mas boa prática] Verifique o hash criptográfico do instalador baixado com SHA-256, em um terminal:
A comparar com o hash publicado em Anaconda Repository [Aqui especificamente para a minha versão: Anaconda3]
Finalmente, o passo mais importante! No ambiente virtual criado e ativado no passo anterior, executar: [obs: o pacote pytorch já instala os requisitos CUDA]
O comando acima deverá instalar as últimas versões de pyTorch (>= 1.0) com o CUDA mais avançado para a sua placa de vídeo, assim como a versão mais recente da fastai (>= v1). Outros cursos da fast.ai podem requerer diferentes versões da biblioteca, daí a importância de utilizar o ambiente virtual do conda. ATENÇÃO: Algumas instruções de instalação da fastai recomendam instalar um decodificador JPEG otimizado para as operações de transformação de imagens. Recomendo não fazê-lo em um primeiro momento, pois isso gerou problemas de compatibilidade posteriormente entre as versões esperadas de PIL e pillow
No github, o projeto “course-v3" contém os cadernos jupyter do curso Practical Deep Learning for Coders, part 1 (DL1) mais recentes, adequados para uso com a versão da bilbioteca fastai v1. Com o terminal na sua pasta de desenvolvimento, execute: git clone https://github.com/fastai/course-v3
Realizar uma cópia do caderno “00_notebook_tutorial.ipynb” para “00_notebook_tutorial-copy.ipynb” de forma a poder editar livremente sua própria versão, sem causar problemas com atualizações posteriores da fastai pelo git. Executar as células do caderno “00_notebook_tutorial-copy.ipynb” Esse passo-a-passo funcionou bem para minha instalação do zero de Ubuntu 18:04 LTS com uma placa GTX 1080Ti, em 4/3/2019. Caso prefira instalar seu ambiente de desenvolvimento no Windows (não recomendado pela fast.ai) sugiro que leiam o ótimo tutorial do nosso colega Pierre Guillou: Pierre Guillou's Tutorial Havendo alguma dificuldade, pesquisar o erro levantado nos fóruns da fastai. Caso não resolva, utilize uma versão já instalada, em nuvem, como Google Cloud: FastAi Course Espero que esse passo-a-passo tenha sido útil. Se for o caso, aplauda o artigo para que eu priorize novas postagens desse tipo. deeplearningbrasilia.
Follow this useful link to install Tensorflow and Keras by following the same process that we use to create the fastai environment. Install Tensorflow and Keras