Kurulum¶
Sizi uygulamalı öğrenme deneyimine hazır hale getirmek için Python’u, Jupyter not defterlerini, ilgili kütüphaneleri ve kitabın kendisini çalıştırmada gerekli kodu koşturan bir ortam kurmanız gerekiyor.
Miniconda’yı Yükleme¶
Miniconda’yı yükleyerek işe başlayabilirsiniz. Python 3.x sürümü gereklidir. Eğer makinenizde conda önceden kurulmuş ise, aşağıdaki adımları atlayabilirsiniz.
Miniconda’nın web sitesini ziyaret edin ve Python 3.x sürümünüze ve makine mimarinize göre sisteminiz için uygun sürümü belirleyin. Örneğin, macOS ve Python 3.x kullanıyorsanız, adı “Miniconda3” ve “MacOSX” dizelerini içeren bash betiğini indirin, indirme konumuna gidin ve kurulumu aşağıdaki gibi yürütün:
sh Miniconda3-py39_4.12.0-MacOSX-x86_64.sh -b
Python 3.x’e sahip bir Linux kullanıcısı, adı “Miniconda3” ve “Linux” dizelerini içeren dosyayı indirmeli ve indirme konumunda aşağıda yazılanları yürütmeli:
sh Miniconda3-latest-Linux-x86_64.sh -b
Ardından, doğrudan conda’yı çalıştırabilmeniz için kabuğu (shell)
sıfırlayın.
~/miniconda3/bin/conda init
Şimdi mevcut kabuğunuzu kapatın ve yeniden açın. Artık aşağıdaki gibi yeni bir ortam oluşturabilirsiniz:
conda create --name d2l python=3.9 -y
D2L Not Defterlerini İndirme¶
Sonra, bu kitapta kullanılan kodu indirmeniz gerekiyor. Kodu indirmek ve açmak için herhangi bir HTML sayfasının üst kısmındaki “Not Defterleri” sekmesine tıklayabilirsiniz. Alternatif olarak, “unzip” varsa kullanabilirsiniz (yoksa “sudo apt install unzip” yazarak kurabilirsiniz):
mkdir d2l-tr && cd d2l-tr
curl https://tr.d2l.ai/d2l-tr.zip -o d2l-tr.zip
unzip d2l-tr.zip && rm d2l-tr.zip
Şimdi d2l ortamını etkinleştirebiliriz:
conda activate d2l
Çerçeveyi ve d2l Paketini Yükleme¶
Herhangi bir derin öğrenme çerçevesini kurmadan önce, lütfen önce makinenizde uygun GPU’ların olup olmadığını kontrol edin (standart bir dizüstü bilgisayarda ekranı destekleyen GPU’lar bizim amacımıza uygun sayılmaz). GPU’lu bir sunucuda çalışıyorsanız, ilgili kütüphanelerin GPU-dostu sürümlerinin kurulum talimatları için şu adrese ilerleyin GPU Desteği.
Makinenizde herhangi bir GPU yoksa, henüz endişelenmenize gerek yok. CPU’nuz, ilk birkaç bölümü tamamlamanız için fazlasıyla yeterli beygir gücü sağlar. Daha büyük modelleri koşmadan önce GPU’lara erişmek isteyeceğinizi unutmayın. CPU sürümünü kurmak için aşağıdaki komutu yürütün.
pip install mxnet==1.7.0.post1
pip install torch torchvision
TensorFlow’u hem CPU hem de GPU desteğiyle aşağıdaki gibi yükleyebilirsiniz:
pip install tensorflow tensorflow-probability
Bir sonraki adımımız, bu kitapta bulunan sık kullanılan işlevleri ve
sınıfları kapsamak için geliştirdiğimiz d2l paketini kurmaktır.
pip install d2l==0.17.5
Bu kurulum adımlarını tamamladıktan sonra, Jupyter not defteri sunucusunu şu şekilde çalıştırarak başlatabiliriz:
jupyter notebook
Bu noktada, http://localhost:8888 (otomatik olarak açılmış olabilir)
adresini web tarayıcınızda açabilirsiniz. Sonra kitabın her bölümü için
kodu çalıştırabilirsiniz. Lütfen kitabın kodunu çalıştırmadan veya derin
öğrenme çerçevesini veya d2l paketini güncellemeden önce çalışma
zamanı ortamını etkinleştirmek için daima conda enable d2l komutunu
çalıştırın. Ortamdan çıkmak için conda deactivate komutunu
çalıştırın.
GPU Desteği¶
Varsayılan olarak, MXNet, herhangi bir bilgisayarda (çoğu dizüstü bilgisayar dahil) çalışmasını sağlamak için GPU desteği olmadan kurulur. Bu kitabın bir kısmı GPU ile çalışmayı gerektiriyor veya öneriyor. Bilgisayarınızda NVIDIA grafik kartı varsa ve CUDA yüklüyse, GPU etkin bir sürümü yüklemelisiniz. Yalnızca CPU sürümünü yüklediyseniz, önce şunu çalıştırarak kaldırmanız gerekebilir:
pip uninstall mxnet
Şimdi hangi CUDA sürümünü yüklediğinizi bulmamız gerekiyor. Bunu
nvcc --version veya cat /usr/local/cuda/version.txt komutunu
çalıştırarak kontrol edebilirsiniz. CUDA 10.2’i yüklediğinizi
varsayalım, o zaman aşağıdaki komutla kurabilirsiniz:
# Windows kullanıcıları için
pip install mxnet-cu102==1.7.0 -f https://dist.mxnet.io/python
# Linux ve macOS kullanıcıları için
pip install mxnet-cu102==1.7.0
Son rakamları CUDA sürümünüze göre değiştirebilirsiniz. Örn. CUDA 10.1
için cu101 CUDA 9.0 için cu90.
Derin öğrenme çerçevesi, aksi belirtilmediyse GPU desteğiyle kurulacaktır. Eğer bilgisayarınızda NVIDIA GPU’su varsa ve CUDA kuruluysa, artık hazırsınız.
Derin öğrenme çerçevesi, aksi belirtilmediyse GPU desteğiyle kurulacaktır. Eğer bilgisayarınızda NVIDIA GPU’su varsa ve CUDA kuruluysa, artık hazırsınız.
Alıştırmalar¶
Kitabın kodunu indirin ve çalışma zamanı ortamını yükleyin.