В предыдущей статье мы познакомили вас с основами ИИ и с тем, как он вписывается в мир Linux. Теперь пришло время углубиться в тему и настроить систему Linux, чтобы начать создавать свою первую модель ИИ.
Независимо от того, являетесь ли вы новичком или уже имеете некоторый опыт, в этом руководстве вы найдёте инструкции по установке основных инструментов, необходимых для работы с системами на базе Debian
Прежде чем мы начнём, давайте убедимся, что ваша система соответствует минимальным требованиям для разработки ИИ.
Python — самый популярный язык программирования для разработки ИИ благодаря своей простоте, мощности и огромной библиотеке инструментов и фреймворков.
В большинстве систем Linux Python предустановлен, но давайте убедимся, что у вас установлена последняя версия. Если Python установлен, вы увидите что-то вроде Python 3.x.x
.
python3 --version
sudo apt update sudo apt install python3
Далее вам нужно установить pip (менеджер пакетов Python), который поможет вам устанавливать библиотеки Python и управлять ими.
sudo apt install python3-pip
Git — это инструмент контроля версий, который позволяет отслеживать изменения в коде и сотрудничать с другими разработчиками, что важно для создания ИИ, поскольку многие проекты в области ИИ публикуются на таких платформах, как GitHub.
sudo apt install git
Подтвердите установку, набрав:
git --version
Вы должны увидеть что-то вроде git version 2.x.x
.
Виртуальная среда помогает управлять проектами и их зависимостями изолированно, то есть вы можете работать над несколькими проектами, не беспокоясь о конфликтах между различными библиотеками.
Сначала убедитесь, что у вас установлен пакет python3-venv
, необходимый для создания виртуальной среды.
sudo apt install python3-venv
Далее вам нужно создать новый каталог для вашего проекта и настроить виртуальную среду:
mkdir my_ai_project cd my_ai_project python3 -m venv venv source venv/bin/activate
После выполнения приведённых выше команд приглашение терминала должно измениться, указывая на то, что вы находитесь в виртуальной среде.
Теперь, когда вы настроили Python, Git и виртуальную среду, пришло время установить библиотеки, которые помогут вам создавать модели ИИ.
Некоторые из самых популярных библиотек для ИИ — TensorFlow, Keras и PyTorch.
TensorFlow — это библиотека с открытым исходным кодом, разработанная Google и широко используемая в проектах по машинному обучению и искусственному интеллекту.
pip3 install tensorflow
Keras — это высокоуровневый API для нейронных сетей, написанный на Python и работающий на базе TensorFlow.
pip3 install keras
PyTorch — еще одна популярная библиотека искусственного интеллекта, особенно для глубокого обучения.
pip3 install torch
Теперь, когда ваша система готова, давайте создадим простую модель ИИ под названием нейронная сеть с помощью TensorFlow и Keras для классификации рукописных цифр из знаменитого набора данных MNIST.
Создайте новый файл Python с именем first_ai_model.py
и откройте его в любимом текстовом редакторе.
sudo nano first_ai_model.py
В верхней части файла добавьте следующие операторы импорта для подключения необходимых библиотек:
import tensorflow as tf from tensorflow.keras import layers, models
Затем загрузите набор данных MNIST, содержащий 60 000 изображений рукописных цифр (от 0 до 9), для обучения нашей модели.
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()
Предварительно обработайте данные, чтобы нормализовать изображения до значений от 0 до 1 путём деления на 255.
train_images, test_images = train_images / 255.0, test_images / 255.0
Постройте модель, создав простую нейронную сеть с одним скрытым слоем.
model = models.Sequential([ layers.Flatten(input_shape=(28, 28)), layers.Dense(128, activation='relu'), layers.Dense(10) ])
Скомпилируйте модель, указав оптимизатор, функцию потерь и показатели для оценки.
model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy'])
Обучите модель, используя обучающие данные.
model.fit(train_images, train_labels, epochs=5)
Наконец, протестируйте модель на тестовых данных, чтобы понять, насколько хорошо она работает.
test_loss, test_acc = model.evaluate(test_images, test_labels) print('Test accuracy:', test_acc)
После написания кода сохраните файл и запустите его в терминале:
python3 first_ai_model.py
Модель начнёт обучение и после 5 эпох покажет точность теста. Чем выше точность, тем лучше работает модель.
Поздравляем, вы только что создали свою первую модель искусственного интеллекта!
В этой статье мы рассказали, как настроить систему Linux для разработки ИИ, установив Python, Git и основные библиотеки ИИ, такие как TensorFlow, Keras и PyTorch.
Мы также рассмотрели создание простой нейронной сети для распознавания рукописных цифр. Теперь, вооружившись этими инструментами и знаниями, вы готовы исследовать захватывающий мир искусственного интеллекта в Linux!
Следите за обновлениями этой серии статей, в которых мы подробнее рассмотрим методы разработки ИИ и изучим более сложные темы.