Rocky Linux 9 Nedir?
Rocky Linux, Red Hat Enterprise Linux (RHEL) tabanlı bir dağıtımdır ve açık kaynaklı bir işletim sistemi olarak, özellikle sunucu ve veri merkezlerinde korunaklı bir alternatif sunar. Rocky Linux 9 sürümü, güncellenmiş güvenlik özellikleri, daha iyi performans ve uyumlu yazılım desteği ile gelmektedir. Makine öğrenimi uygulamalarının gerektirdiği yüksek performanslı bilgi işlem kaynakları için uygun bir ortam sağlar.
Gerekli Paketlerin Kurulumu
Makine öğrenimi ortamı kurmadan önce, gerekli paketlerin yüklenmesi gerekir. Öncelikle, sistemin güncel olduğundan emin olunmalıdır. Aşağıdaki komutlar kullanılabilir:
“`bash
sudo dnf update
sudo dnf install -y epel-release
sudo dnf install -y python3 python3-pip python3-venv
“`
Bu adımlar, Python 3 ve pip paket yöneticisini kurarak, Python tabanlı makine öğrenimi kütüphanelerini yönetmek için gereken temel araçları sağlar.
Sanal Ortam Oluşturma
Kütüphaneler arasında çakışmayı önlemek ve projelerin bağımsızlığını sağlamak için bir sanal ortam oluşturulmalıdır. Aşağıdaki komutlarla yeni bir sanal ortam oluşturulabilir:
“`bash
python3 -m venv mymlenv
source mymlenv/bin/activate
“`
Bu komutlar, “mymlenv” adında bir sanal ortam oluşturacak ve bu ortamı etkinleştirecektir. Ortam etkinleştirildiğinde, terminal üzerinde yapılan tüm Python ve pip işlemleri bu sanal ortamda gerçekleşecektir.
TensorFlow Kurulumu
TensorFlow, makine öğrenimi ve derin öğrenme uygulamalarında yaygın olarak kullanılan bir kütüphanedir. TensorFlow’un kurulum gerekleri, sistemde belirli kütüphanelerin mevcut olmasını gerektirebilir. Pip ile TensorFlow’u kurarken aşağıdaki komut kullanılabilir:
“`bash
pip install tensorflow
“`
Eğer GPU kullanılacaksa, uygun NVIDIA sürücülerinin ve CUDA Toolkit’inin yüklü olması gereklidir. TensorFlow’un GPU sürümü için çözüm şu şekilde olacaktır:
“`bash
pip install tensorflow-gpu
“`
CUDA ve cuDNN kütüphanelerinin doğru sürümleriyle kurulu olduğundan emin olunmalıdır. TensorFlow’un resmi web sitesinden uyumlu sürümler ile ilgili bilgi edinmek mümkündür.
PyTorch Kurulumu
PyTorch, esnek ve dinamik hesaplama grafikleri sunan bir diğer popüler makine öğrenimi kütüphanesidir. PyTorch’un basit bir şekilde kurulabilmesi için aşağıdaki komut kullanılabilir:
“`bash
pip install torch torchvision torchaudio
“`
Eğer PyTorch’un GPU desteğinden faydalanılmak isteniyorsa, doğru CUDA versiyonu belirtilerek kurulum yapılmalıdır. Aşağıdaki komut, uygun CUDA sürümünü kullanarak PyTorch’un kurulumu için örnek bir komuttur:
“`bash
pip install torch torchvision torchaudio –extra-index-url https://download.pytorch.org/whl/cu117
“`
Bu komutta “cu117”, CUDA 11.7 sürümünü ifade eder. Kullanılması gereken CUDA sürümü, kurulu olan NVIDIA sürücüsü ile uyumlu olmalıdır.
Gerekli Ek Kütüphanelerin Kurulumu
Makine öğrenimi projeleri sırasında sıklıkla ihtiyaç duyulan bazı diğer kütüphaneler de kurulmalıdır. Bunlar arasında NumPy, Pandas, Matplotlib gibi kütüphaneler bulunmaktadır. Bu kütüphaneler, veri manipülasyonu ve görselleştirmesi için sıkça kullanılır. Aşağıdaki komutlar ile bu kütüphaneler kurulabilir:
“`bash
pip install numpy pandas matplotlib
“`
Ortamın Test Edilmesi
Kurulumların tamamlanmasının ardından, ortamın düzgün bir şekilde çalışıp çalışmadığını test etmek önemlidir. Bunun için basit bir Python scripti çalıştırılabilir. Aşağıdaki örnek, TensorFlow ve PyTorch’un doğru bir şekilde yüklendiğini kontrol etmek için kullanılabilir:
“`python
import tensorflow as tf
import torch
print(“TensorFlow version:”, tf.__version__)
print(“PyTorch version:”, torch.__version__)
print(“Is CUDA available for PyTorch?”, torch.cuda.is_available())
“`
Yukarıdaki script çalıştırıldığında, TensorFlow ve PyTorch’un versiyonları görüntülenecek ve PyTorch için CUDA’nın kullanılıp kullanılmadığı belirtilmiş olacaktır.
Sonuç
Rocky Linux 9 üzerinde makine öğrenimi ortamı kurmak, gerekli kütüphanelerin ve paketlerin yüklenmesiyle gerçekleştirilebilir. TensorFlow ve PyTorch gibi önde gelen kütüphanelerin yanı sıra, veri manipülasyonu ve analizi için ek kütüphaneler de yüklenmelidir. Ortamın başarıyla kurulup kurulmadığı ise test scriptleri ile kontrol edilebilir. Bu süreç, makine öğrenimi projelerine başlamak ve geliştirmek için sağlam bir temel oluşturur.
