(Marco Cristani) Istruzioni lezione di laboratorio

(Marco Cristani) Istruzioni lezione di laboratorio

Venerdi 19 maggio iniziano le lezioni di laboratorio di deep learning, 
preparate in collaborazione con il dr. Marco Carletti (in cc), che vi 
seguirà con le esercitazioni in Python. A questo proposito, vi ricordo 
di portarvi il portatile, ci sarà una lezione a metà tra teoria e pratica.
Allego le sue raccomandazioni su quanto necessario per far girare gli 
esercizi. Assicuratevi di aver messo a punto il vostro sistema una volta 
in aula. Se avete problemi, scrivete ad entrambi.

Buon proseguimento!

*_Requisiti_*

Si lavorerà in *Python 3.5* coi moduli:

  * matplotlib <http://matplotlib.org/>
  * NumPy <http://www.numpy.org/>
  * TensorFlow <https://www.tensorflow.org/get_started/os_setup>

Il codice gira senza problemi su CPU, ma è consigliata una GPU nVidia 
per velocizzare le prestazioni (di circa 10 volte).
A questa pagina 
<http://docs.nvidia.com/cuda/cuda-installation-guide-microsoft-windows/> è 
possibile trovare informazioni utili all'installazione dei requisiti 
"grafici" di TensorFlow:

  * CUDA Toolkit 8+ <https://developer.nvidia.com/cuda-downloads>
  * CuDNN 5+ <https://developer.nvidia.com/cudnn>

/Nota bene: la GPU deve avere una potenza grafica superiore a 3 (vedi 
qui <https://developer.nvidia.com/cuda-gpus>)./

*_Sistema operativo_*
*
*
*Linux *ha spesso problemi coi driver nVidia, meno curati della versione 
Windows. Nonostante ciò, se funzionante, Linux è la scelta più 
performante e da preferire.

Per chi lavora in *Windows *(ho testato sotto Win10) conviene affidarsi 
ad Anaconda <https://www.continuum.io/downloads>, o Miniconda 
<http://conda.pydata.org/miniconda.html> 3+, che contiene tutto il 
necessario per lavorare in Python. L'installazione dei pacchetti può 
essere fatta come sotto Linux, tramite il terminale di Anaconda avviato 
come amministratore.

*_Ambiente di sviluppo_*

Non pongo vincoli perchè le esercitazioni sono script .py autocontenuti, 
eseguibili da linea di comando. Va quindi a preferenza.

Gli editor di testo che prevedono un build-system integrato sono ottimi 
per la velocità di scrittura ed esecuzione del codice che non ha infatti 
overhead nell'esecuzione. Tipicamente questi software mancano 
dell'autocompletamento e debugger.
Esempio: Sublime Text <https://www.sublimetext.com/3> (gratis, 
multipiattaforma)

Gli IDE offrono il sistema di autocompletamento, utilissimo per chi non 
è praticissimo con Python e le librerie sopracitate, ma richiede di 
creare un progetto e appesantire l'esecuzione (per lo meno l'avvio) 
degli script.
Esempio: Visual Studio + Python Tools 
<https://www.visualstudio.com/it/vs/python/> (gratis, solo Windows)

Un buon compromesso è il pacchetto Python Jupyter Notebook 
<http://jupyter.org/> (installabile come un qualunque altro modulo 
tramite pip): un'interfaccia web gratuita simile ad un editor di testo, 
ma offre l'autocompletamento, la possibilità di dividere (ed eseguire) 
il codice in blocchi, così da evitare la riesecuzione dell'intero 
script. Essendo un'interfaccia web, non apre finestre, utili se si vuole 
interagire o animare una figura plottata.

_*Guida all'installazione*_

Se in possesso di GPU nVidia è bene installare il CUDA Toolkit (ver 8+) 
e CuDNN (ver 5+).
Per CUDA Toolkit, scaricare l'installer 
<https://developer.nvidia.com/cuda-downloads> (~1.2 GB) e seguire le 
istruzioni presenti nella pagina di download.
Per CuDNN, è necessario registrarsi al sito nVidia prima di scaricare 
l'archivio <https://developer.nvidia.com/cudnn> (~50 MB), da scompattare 
in base al sistema operativo usato.

*_Linux_*

    Per completare l'installazione CuDNN, seguire le indicazioni a
    questa pagina
    <http://askubuntu.com/questions/767269/how-can-i-install-cudnn-on-ubuntu-16-04>.

    Per Python 3.5, aprire un terminale e lanciare i seguenti comandi
    sudo apt install python3 python3-dev python3-pip
    sudo pip3 install numpy matplotlib
    CPU:
    sudo pip3 install tensorflow
    GPU:
    sudo pip3 install tensorflow-gpu


_*Windows*_

    Scompattare l'archivio CuDNN e copiare il contenuto nelle
    sottocartelle bin, include e lib presenti nella cartella di
    installazione CUDA: C:\Program Files\NVIDIA GPU Computing
    Toolkit\CUDA\v8.0

    Per Python 3.5, consiglio l'installazione di Anaconda o Miniconda 3+
    <http://conda.pydata.org/miniconda.html>: crea una comoda
    interfaccia all'installazione Python, facilmente riutilizzabile in
    tutto il sistema dai vari programmi che ne faranno uso. Mentre
    Anaconda presenta un'installer molto più corposo e ricco di
    pacchetti, Miniconda 3+ è un'installazione minimale (ha solo Python
    3.5 e alcuni pacchetti). Bisogna quindi installare i moduli
    necessari alle esercitazioni manualmente, avviando come
    amministratore il terminale di Anaconda (appena installato) e
    lanciare gli stessi comandi pip3 della versione Linux (sudo escluso).


In caso di problemi nell'installazione di TensorFlow, provare con le 
istruzioni alla pagina ufficiale 
<https://www.tensorflow.org/get_started/os_setup>.
Data pubblicazione
lunedì 15 maggio 2017 - 11.47.39
Oggetto
(Marco Cristani) Istruzioni lezione di laboratorio
Pubblicato da
Manuele Bicego
Computational analysis of biological structures and networks (2016/2017)
Condividi