Anaconda es una distribución de código libre de Python, muy usada en el ámbito del Data Science y Machine Learning. Facilita la creación de entornos, donde instalar, de forma aislada, diferentes paquetes, evitando así el conflicto entre diferentes versiones y dependencias.
Incluye varios paquetes de ciencia de datos, listos para utilizarse. Además instala Jupyter Notebooks, un entorno de desarrollo de Python que se visualiza en el navegador. En él, trabajas con “notebooks” donde puedes mezclar código, textos, gráficas e imágenes, y donde puedes ejecutar código de forma interactiva mientras programas.
Para administrar los paquetes y entornos utiliza Conda, un gestor de paquetes de código abierto.
Para instalar Anaconda y conocer más de Jupyter visita esta entrada:
https://www.cursosgis.com/como-instalar-jupyter-para-trabajar-con-python/
En esta entrada aprenderás a crear un entorno aislado e instalar en él las herramientas necesarias para usar deep learning acelerado con GPU. Instalaremos las siguientes librerías:
Tensorflow, la librería de código abierto de Google para machine learning, en su versión para GPU.
Keras, para diseñar y manejar los modelos que se ejecutarán posteriormente en Tensorflow.
EO-learn, un framework de Sentinel-Hub para hacer de puente entre el campo de la teledetección y el machine learning.
Para instalar la versión de Tensorflow compatible con GPU debes asegurarte de que tu ordenador tenga una GPU compatible con CUDA, además de usar Windows 10. Esto puedes comprobarlo en el siguiente enlace:
https://developer.nvidia.com/cuda-gpus
Para hacer funcionar esta versión de Tensorflow son necesarias otras tantas dependencias, que instalarlas sin errores de compatibilidad puede ser algo engorroso. Esto se puede solucionar creando un entorno Conda que incluye todo lo necesario. Para ello, una vez tengas instalado Anaconda, accede a su consola (Anaconda Prompt) ejecutándola como administrador:
Para crear el entorno con Tensorflow y todas las dependencias automáticamente teclea el siguiente comando:
conda create -n tf_gpu tensorflow-gpu
Ahora tendrás dos entornos, con diferentes paquetes instalados disponibles en Anaconda, para activar el que acabamos de crear utiliza el siguiente comando:
conda activate tf_gpu
Ahora instalaremos Keras usando:
conda install -c conda-forge keras
Para instalar EO-Learning son necesarios varios paquetes más: GDAL, Fiona y Rasterio para la gestión y procesado de capas raster y vectoriales y Shapely para operaciones geométricas. Las instalamos con los siguientes comandos:
conda install -c conda-forge gdal<br>conda install -c conda-forge rasterio<br>conda install -c conda-forge fiona<br>conda install -c conda-forge shapely
Para evitar un problema de compatibilidad instalamos la librería PyProj en su versión 1.9.6. Además usaremos Pip (el gesto de paquetes típico de Python), para ello ejecutamos en primer lugar:
conda install -n tf_gpu pip
Finalizamos instalando las librerías que nos faltan:
pip install pyproj==1.9.6 pip install eo-learn
Finalmente comprobaremos que se ha instalado todo correctamente, importando los paquetes instalados desde un notebook. Abrimos el navegador Anaconda y seleccionamos el entorno que hemos creado en el menú ‘Environments’:
Seguidamente lanzamos Jupyter desde el menú ‘Home’:
Deberá aparecerte el entorno de Jupyter en el navegador. Creamos un Notebook, seleccionando Python3 en las opciones que despliega botón ‘New’ que hay en la esquina superior derecha:
En el notebook importamos Tensorflow, Keras y EO-learn:
Si ejecutamos el código anterior sin ningún error ya tendremos nuestro entorno listo para trabajar.
(6 votos, promedio: 5,00 de 5)
Cargando...
Formación de calidad impartida por profesionales
Deja tu comentario