Gerekli Sistemön Koşulları
Rocky Linux 9 üzerinde derin öğrenme ortamı kurmak için öncelikle sistemin bazı gereksinimlere sahip olması gerekir. Bu gereksinimler arasında yeterli RAM (minimal 16 GB önerilir), güçlü bir GPU (CUDA destekli) ve uygun bir işlemci yer alır. Ayrıca, Rocky Linux 9’un en güncel sürümünün kurulu olması ve sistem güncellemelerinin yapılmış olması önemlidir.
Paket Yönetimi ve Güncellemeler
Rocky Linux 9 üzerinde gerekli paketlerin yüklenmesi için `dnf` paket yöneticisi kullanılabilir. İlk olarak, sistem güncellemeleri yapılmalıdır. Terminalde aşağıdaki komutlar kullanılarak sistem güncellenebilir:
“`bash
sudo dnf update -y
“`
Yeterli güncellemeler sonrası, gerekli bazı temel paketlerin yüklenmesi gerekmektedir. Bu paketler arasında `gcc`, `g++`, `make`, `python3`, `pip`, ve `git` bulunmaktadır. Bu paketlerin yüklenmesi için şu komut kullanılabilir:
“`bash
sudo dnf install gcc g++ make python3 python3-pip git -y
“`
Python ve Sanal Ortamın Kurulumu
Python programlama dili, derin öğrenme kütüphanelerinin çoğu için temel oluşturmaktadır. ‘pip’ ile sanal ortam oluşturmak için aşağıdaki adımlar takip edilebilir:
“`bash
pip3 install virtualenv
mkdir ~/deep_learning
cd ~/deep_learning
virtualenv venv
source venv/bin/activate
“`
Bu adımlar sonrasında, sanal ortam etkinleştirilmiş olacaktır.
TensorFlow Kurulumu
TensorFlow, derin öğrenme uygulamalarında yaygın olarak kullanılan bir kütüphanedir. TensorFlow’u kurmak için aşağıdaki komut kullanılabilir:
“`bash
pip install tensorflow
“`
CUDA desteği ile GPU hızlandırması için, NVIDIA’nın önerdiği özel sürücülerin ve CUDA Toolkit’in de kurulması gerekebilir. TensorFlow’un resmi web sitesinden gerekli CUDA sürüm ve TensorFlow uyumluluğu kontrol edilmelidir.
PyTorch Kurulumu
PyTorch, esnek yapısı ve kullanımı kolay arayüzü ile popüler bir derin öğrenme kütüphanesidir. PyTorch kurulumu için `pip` komutuyla aşağıdaki adımlar izlenebilir:
NVIDIA GPU desteği için CUDA’nın doğru sürümü belirtilmelidir. Örnek bir kurulum komutu şöyle olabilir:
“`bash
pip install torch torchvision torchaudio –extra-index-url https://download.pytorch.org/whl/cu113
“`
Bu komut, PyTorch’un CUDA 11.3 ile yüklenmesini sağlar. Güncel sürüm bilgilerine ve uyumluluklarına PyTorch’un resmi web sayfasından ulaşmak mümkündür.
CUDA ve CuDNN Kurulumu
CUDA, NVIDIA tarafından sağlanan bir paralel hesaplama platformudur. CuDNN, derin öğrenme için optimize edilmiş bir GPU hızlandırma kütüphanesidir. CUDA ve CuDNN kurulumu için, öncelikle NVIDIA’nın resmi web sitesinden uygun CUDA Toolkit ve CuDNN indirilmelidir.
CUDA Yükleme
Aşağıdaki adımlar, CUDA’yı yüklemek için kullanılabilir:
1. NVIDIA’nın CUDA Toolkit sayfasından uygun sürüm indirilir.
2. İndirilen dosya terminalde çalıştırılır:
“`bash
sudo sh cuda_
“`
3. .bashrc dosyasına CUDA yolunun eklenmesi gerekir:
“`bash
echo ‘export PATH=/usr/local/cuda/bin:$PATH’ >> ~/.bashrc
echo ‘export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH’ >> ~/.bashrc
source ~/.bashrc
“`
CuDNN Yükleme
CuDNN’i kurmak için de benzer adımlar izlenir. CuDNN dosyaları, CUDA kurulum dizinine kopyalanmalıdır. Aşağıdaki komutlar kullanılır:
“`bash
tar -xzvf cudnn-.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn
“`
Kütüphanelerin Test Edilmesi
Kurulumların başarıyla tamamlanmasının ardından, TensorFlow ve PyTorch kütüphanelerinin doğru şekilde çalıştığını test etmek önemlidir. Aşağıdaki Python komutları ile test edilebilir:
TensorFlow Testi:
“`python
import tensorflow as tf
print(“TensorFlow version:”, tf.__version__)
print(“Num GPUs Available: “, len(tf.config.list_physical_devices(‘GPU’)))
“`
PyTorch Testi:
“`python
import torch
print(“PyTorch version:”, torch.__version__)
print(“Is CUDA available:”, torch.cuda.is_available())
“`
Bu komutlar çalıştırıldığında, sistemde yüklü olan TensorFlow ve PyTorch sürümleri ve GPU erişimi hakkında bilgi elde edilir.
Gelişmiş Ayarlar ve İpuçları
Kurulumdan sonra, performansı optimize etmek için çeşitli ayarlamalar yapılabilir. TensorFlow ve PyTorch’un çeşitli yapılandırma dosyaları ve parametreleri üzerinden daha ileri düzey ayarlamalar yapılmalı, bellek yönetimi ve diğer parametrelerin optimizasyonları sağlanmalıdır.
Ayrıca, eğitim ve test veri kümelerinin doğru bir şekilde hazırlanması ve işlenmesi, modelin başarısını artırmada önemli bir rol oynamaktadır. Eğitim sürecinin izlenmesi ve hiperparametre ayarlamaları da ayrıca göz önünde bulundurulmalıdır.
Rocky Linux 9 üzerinde derin öğrenme ortamı kurulumu bu adımlar ve öneriler doğrultusunda gerçekleştirilebilir. Çeşitli kaynakların takibi ve güncel gelişmelerin izlenmesi, bu süreçte büyük önem taşır.
