Руководство для начинающих по настройке среды разработки искусственного интеллекта в Linux

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

 

Системные требования для Ubuntu 24.04

Прежде чем мы начнём, давайте убедимся, что ваша система соответствует минимальным требованиям для разработки ИИ.

• Операционная система: Ubuntu 24.04 LTS (или более новая версия).
• Процессор: 64-разрядный процессор с как минимум 2 ядрами (Intel Core i5 или AMD Ryzen 5 или лучше для стабильной работы).
• Оперативная память: минимум 4 ГБ оперативной памяти (рекомендуется 8 ГБ или более для более ресурсоёмких моделей ИИ).
• Хранилище: не менее 10 ГБ свободного места на диске (для более высокой производительности настоятельно рекомендуется использовать SSD).
• Видеокарта (опционально): выделенный графический процессор (NVIDIA, рекомендуется для глубокого обучения) с не менее чем 4 ГБ VRAM, если вы планируете использовать такие фреймворки, как TensorFlow или PyTorch, с ускорением на графическом процессоре.

 

Шаг 1: Установите Python в Ubuntu

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

 

Если Python не установлен, вы можете легко установить его с помощью менеджера пакетов.

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

 

Шаг 2: Установите Git в Ubuntu

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.

 

Шаг 3: Настройте виртуальную среду в Ubuntu

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.

 

Шаг 4: Установите библиотеки искусственного интеллекта в Ubuntu

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.

 

Установите TensorFlow в Ubuntu

TensorFlow — это библиотека с открытым исходным кодом, разработанная Google и широко используемая в проектах по машинному обучению и искусственному интеллекту.

pip3 install tensorflow

 

Установите Keras в Ubuntu

Keras — это высокоуровневый API для нейронных сетей, написанный на Python и работающий на базе TensorFlow.

pip3 install keras

 

Установите PyTorch в Ubuntu

PyTorch — еще одна популярная библиотека искусственного интеллекта, особенно для глубокого обучения.

pip3 install torch

 

Шаг 5: Создание вашей первой модели искусственного интеллекта

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)

 

Шаг 6: Запустите модель искусственного интеллекта

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!

 

Заключение

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.