Den senaste tiden har vi arbetat mycket med AI i labbet. Detta har gett omfattande resultat, från att av misstag borra ett helt operativsystem med olika konfigurationer och programvara till att behöva ställa in och ha en baslinjebild att arbeta med på olika plattformar. Vi bestämde oss för att det skulle vara värt att beskriva de grundläggande stegen för att komma igång när vi går igenom processen att skapa en basbild för att arbeta med artificiell intelligens (AI) och utveckling.
Den senaste tiden har vi arbetat mycket med AI i labbet. Detta har gett omfattande resultat, från att av misstag borra ett helt operativsystem med olika konfigurationer och programvara till att behöva ställa in och ha en baslinjebild att arbeta med på olika plattformar. Vi bestämde oss för att det skulle vara värt att beskriva de grundläggande stegen för att komma igång när vi går igenom processen att skapa en basbild för att arbeta med artificiell intelligens (AI) och utveckling.
Detta gäller oavsett om du fokuserar på slutledning eller träning. Att ha en ren, organiserad miljö är avgörande för effektiv utveckling, så för syftet med den här guiden antar vi att du har en ren installation av ditt föredragna operativsystem (OS).
Vår nya favoritinferensbox
AI-installationsguide – Håll den konsekvent
Sedan jag implementerade denna standardbasbild för mina AI- och ML-projekt har jag sett anmärkningsvärda förbättringar i effektivitetsrepeterbarhet och produktivitet. Den välstrukturerade och heltäckande miljön har avsevärt minskat tiden jag lägger på att sätta upp och felsöka olika servrar och arbetsstationer som vi testar på. Eftersom en del av vårt arbete med AI är att hjälpa till med att testa och granska nya plattformar, säkerställer repeterbarheten att vi konsekvent kan reproducera våra resultat, vilket stärker validiteten och tillförlitligheten av våra resultat.
Ett särskilt anmärkningsvärt resultat av att anta denna standard har varit Kevins förvandling. Innan introduktionen av denna baslinje var Kevin tvungen att bära bördan av allt arbete, och ofta på egen hand hanterade kaoset som orsakades av motstridiga bibliotek och felaktiga verktygsversioner.
Men sedan introduktionen av den standardiserade basbilden har Kevin kunnat delegera fler uppgifter och fokusera på det som verkligen betyder något – som att hitta den perfekta kontorsstolen. Det verkar som att både Kevin och jag äntligen har upptäckt hemligheten bakom en harmonisk och effektiv AI-utvecklingsmiljö. Nu kan Kevin äntligen njuta av sitt morgonkaffe utan att behöva oroa sig för hur han ska fixa den senaste kompatibilitetskrisen som jag skapade över en natt.
Den här guiden är designad för att vara mångsidig och tillgodose olika behov och preferenser. Oavsett om du är en IT-proffs som vill skapa en standardiserad basbild för implementering i hela din organisation, eller en enskild utvecklare som vill skapa en ren och effektiv AI-utvecklingsmiljö, ger den här guiden de väsentliga stegen och insikterna om varför du kan eller kanske inte behöver ett särskilt verktyg för att uppnå ditt mål. Genom att följa de skisserade stegen kommer du att vara väl rustad att skapa en robust, repeterbar och pålitlig grund för dina AI- och maskininlärningsprojekt.
Steg för att få en ren grundmiljö för att arbeta med AI
- Installera korrekta NVIDIA-drivrutiner för dina kort: För att utnyttja den fulla potentialen hos din GPU för AI-uppgifter är det viktigt att installera rätt NVIDIA-drivrutiner. Dessa drivrutiner möjliggör kommunikation mellan GPU:n och operativsystemet, vilket säkerställer optimal prestanda och stabilitet.
Välj rätt alternativ för ditt system.
- installera NVIDIA CUDA Toolkit: NVIDIA CUDA Toolkit är en parallell datorplattform och programmeringsmodell som gör det möjligt för utvecklare att utnyttja kraften hos NVIDIA GPU:er för allmänna datoruppgifter, inklusive AI och djupinlärningsapplikationer. Genom att installera CUDA Toolkit kan du utnyttja GPU:s kapacitet för snabbare och effektivare AI-utveckling.
Vi antar att du också använder fönster.
Varför är NVIDIA CUDA Toolkit viktigt?
Den tillhandahåller en omfattande utvecklingsmiljö som inkluderar GPU-accelererade bibliotek, felsöknings- och optimeringsverktyg och en programmeringsmodell som gör det lättare att skriva och underhålla GPU-kod.
- installera Anakonda: Anaconda är en populär distribution av Python och R programmeringsspråk, fokuserad på datavetenskap och maskininlärning. Den levereras förladdad med ett brett utbud av viktiga bibliotek och verktyg för AI-utveckling, såsom NumPy, pandor, TensorFlow och PyTorch.
Det är en installatör! Jippie!
Varför är Anaconda viktig?
Anaconda förenklar processen med att sätta upp och hantera olika programmeringsmiljöer, vilket gör det lättare att arbeta med olika AI-ramverk och bibliotek utan kompatibilitetsproblem.
Anaconda-miljöer är en kraftfull funktion som låter dig skapa isolerade utrymmen för olika projekt, alla med sin egen unika uppsättning bibliotek och paket. Dessa miljöer hjälper till att upprätthålla renheten och organisationen av din utvecklingsarbetsyta, eftersom de förhindrar konflikter mellan olika projekts beroenden. För någon som mig, som är benägen att installera ett överdrivet antal Python-paket, är Anaconda-miljöer en livräddare – de räddar mig från att förvandla min Python-basmiljö till en mardrömslik klang av motstridiga bibliotek.
Användningen av Anaconda-miljöer är avgörande för effektiv AI-utveckling, eftersom det gör det möjligt för utvecklare att hantera och växla mellan flera projekt utan ansträngning. Detta är särskilt viktigt när man arbetar med AI-ramverk och bibliotek, som ofta har specifika versionskrav och beroenden.
Genom att hålla dina projekt separata och fristående låter Anaconda-miljöer dig njuta av din kärlek till Python-paket utan att offra stabilitet och reproducerbarhet. De främjar bästa praxis i utvecklingen, och säkerställer att dina AI-projekt förblir organiserade, pålitliga och lätta att samarbeta om, allt samtidigt som du behåller ditt förstånd intakt.
- installera Visual Studio Code och Visual Studio 2022 Community: Visual Studio Code (VSCode) och Visual Studio 2022 Community är två kraftfulla integrerade utvecklingsmiljöer (IDE) för AI-utveckling. Båda IDE:erna erbjuder avancerad kodredigering, felsökning och samarbetsfunktioner, vilket gör det lättare att skriva, testa och dela dina AI-projekt.
Mörkt läge som standard, så här.
Varför är dessa IDE:er viktiga och vad är deras skillnader?
VSCode är en lätt, plattformsoberoende IDE med ett stort ekosystem av tillägg, vilket gör den mycket anpassningsbar och lämplig för olika programmeringsspråk och ramverk. Däremot är Visual Studio 2022 Community en mer funktionsrik, endast Windows-IDE som tillhandahåller ytterligare verktyg och tjänster, såsom inbyggt stöd för Git-versionskontroll och Microsoft Azure-integration.
Beroende på dina specifika behov och preferenser kan du finna det fördelaktigt att ha båda IDE:erna installerade på ditt system för större flexibilitet. Observera, om du inte väljer att gå med vägen att använda Visual Studio Community, kommer du att vilja installera Git, vi gillar Git för Windows.
- installera Jupyter Notebook: Jupyter Notebook är en webbaserad interaktiv datormiljö som låter dig skapa och dela dokument som innehåller live-kod, ekvationer, visualiseringar och berättande text. Det används i stor utsträckning inom datavetenskap och maskininlärning för experiment, visualisering och samarbete.
Installera JupyterLab i din Anaconda-miljö med pip så här:
pip install jupyterlab
Varför är Jupyter Notebook viktig?
Det gör att du snabbt kan prototyper och dela dina AI-projekt, vilket gör det lättare att samarbeta med andra och upprepa ditt arbete.
- installera TensorBoard: TensorBoard är ett visualiseringsverktyg för TensorFlow som hjälper dig att förstå, felsöka och optimera dina AI-modeller. Den tillhandahåller olika visualiseringar och mätvärden som kan hjälpa till vid utveckling och justering av modeller för djupinlärning.
Varför är TensorBoard viktigt?
Det ger värdefulla insikter i utbildningsprocessen för dina AI-modeller, så att du kan spåra framsteg, identifiera problem och fatta datadrivna beslut om hur du kan förbättra dina modeller.
- installera MLflow: MLflow är en plattform med öppen källkod för att hantera hela livscykeln för maskininlärning, inklusive experiment, reproducerbarhet och implementering. Det tillhandahåller ett centraliserat system för att spåra experiment, lagra artefakter och distribuera modeller.
Varför är MLflow viktigt?
Det effektiviserar arbetsflödet för maskininlärning genom att göra det möjligt för dig att hantera och organisera dina experiment, dela resultat och distribuera modeller mer effektivt. Detta gör det lättare att samarbeta med lagkamrater och se till att dina AI-projekt är konsekventa och reproducerbara.
Skilja tankar
Dessa verktyg och paket kompletterar din egen standardsvit av programvara för kontor och säkerhet och kan skapa en heltäckande basbild för distribution inom en delmängd av en organisation, vilket ger en stark grund för AI- och ML-utveckling. Den här basbilden är särskilt användbar för organisationer som precis har börjat utforska AI- och ML-kapaciteten, eftersom den säkerställer att nödvändiga verktyg och ramverk är lätt tillgängliga för utvecklare att börja arbeta med direkt.
Detta är ett av våra viktigaste utvecklingssystem som inspirerade den här artikeln.
Det är välkänt att standardisering av utvecklingsmiljön med en basbild kan gynna organisationen mycket, eftersom det effektiviserar installationsprocessen. Med dagens blixtrande snabbt utvecklande och föränderliga AI-landskap är det ännu viktigare att minska potentiella kompatibilitetsproblem mellan olika AI-ramverk och bibliotek. Även om detta i skrivande stund är några av de mest populära uppsättningen av verktyg och paket, är det viktigt att hålla sig uppdaterad med de senaste trenderna.
Även om denna basinstallation ger en bred och dynamisk miljö, har utvecklare fortfarande flexibiliteten att anpassa sin arbetsyta baserat på deras specifika behov och projekt. De kan enkelt lägga till eller ta bort bibliotek, ramverk och verktyg efter behov, och skräddarsy sin utvecklingsmiljö till de unika utmaningarna och målen för deras AI- och ML-projekt. Det kommer att vara nyckeln till att balansera mellan standardisering och anpassning för att säkerställa att din organisation effektivt och effektivt kan utnyttja kraften i AI och ML för att driva innovation och framgång.
Engagera dig med StorageReview
Nyhetsbrev | Youtube | Podcast iTunes/Spotify | Instagram | Twitter | TikTok | Rssflöde
