[PYTHON] [Windows 10] Construction de l'environnement "Deep Learning from scratch"

introduction

Ce document décrit la préparation nécessaire pour faire fonctionner le code de chaque livre de «Deep Learning from scratch» (1) à (3). En gros pour ceux qui n'ont jamais écrit de programme ou qui sont inexpérimentés. Cela peut également être utile pour ceux qui ne développent pas sous Windows.

"Git, vscode, etc. sont monnaie courante!" Veuillez noter que ce document n'est pas nécessaire pour ceux qui disent.

Installation de Python

Téléchargez le programme d'installation depuis le site officiel. https://www.python.org/

Vous pouvez le télécharger en pointant sur «Télécharger pour Windows» en haut de la page et en cliquant sur le lien qui apparaît sous «Télécharger pour Windows».

N'oubliez pas de le mettre dans le chemin lors de l'installation. Plus précisément, sur le premier écran de l'assistant d'installation, cochez «Ajouter Python 3.X à PATH».

Si cela est négligé, la commande pip ne peut pas être utilisée. En outre, il peut y avoir des problèmes tels que son identification erronée comme Python désinstallé dans le magasin Windows et le refus d'accepter les commandes (histoire d'expérience).

installation de git

Puisque l'exemple de code est sur github, je vais le télécharger avec git clone. Pour vous préparer à cela, vous devez installer git.

Pour installer git, rendez-vous sur le site officiel. https://git-scm.com/

Vous pouvez télécharger le programme d'installation en cliquant sur le lien «Télécharger x.xx.xx pour Windows» sur le côté droit de la page.

Installation de modules Python

Installez les bibliothèques requises pour exécuter les programmes de ce manuel. Les bibliothèques requises diffèrent selon le volume, mais si vous ne voulez d'abord lire qu'un seul volume, il n'y a pas de problème si vous n'en installez que deux, numpy et matplotlab. Les autres bibliothèques sont nécessaires pour exécuter le code des volumes 2 et 3.

Lancez ** git bash ** depuis le menu démarrer. (Également possible à l'invite de commande) git_bash.png

Tout d'abord, mettez à jour pip lui-même. Étant donné que pip est fréquemment mis à jour, nous vous recommandons de le mettre à jour même si vous avez déjà installé python.

bash


$ pip install --upgrade pip

numpy [Volumes 1 à 3]

Ensuite, installez numpy. numpy est une bibliothèque de calcul numérique Python.

bash


$ pip install numpy

matplotlib [Volumes 1-3]

Ensuite, installez matplotlib. Bien que matplotlib ne soit pas lié au fonctionnement de l'apprentissage automatique lui-même, il est utilisé pour afficher et évaluer la progression et les performances de l'apprentissage automatique dans un graphique.

bash


$ pip install matplotlib

sklearn [Volume 2]

Le volume 2 nécessite sklearn en plus des deux ci-dessus. (Vous pouvez exécuter le code sans lui, mais cela prendra du temps à apprendre, vous devriez donc l'installer.) Non requis pour le volume 1.

bash


$ pip install sklearn

CuPy [Volumes 2 et 3]

C'est une option pour 2 et 3 volumes, et elle n'est pas nécessaire pour 1 volume. C'est une option pour que vous n'ayez pas à l'installer (même si vous ne le faites pas, il s'inscrira dans un temps de calcul réaliste). Cependant, il est préférable de l'introduire lorsque vous essayez de le compliquer en modifiant le programme.

CuPy ne peut être utilisé que sur les PC équipés de GPU NVIDIA.

Consultez l'article séparé ci-dessous pour la méthode d'installation. https://qiita.com/BARANCE_TW/items/30abf85c55070a2bdc9d

Oreiller [Volume 3]

Pillow est une bibliothèque de traitement d'images. Il a pour fonction de traiter l'image en modifiant l'espace colorimétrique et en le binarisant.

bash


$ pip install pillow

Graphviz [Volume 3]

graphviz est un outil pour dessiner des graphiques. Le graphe mentionné ici n'est pas un graphe général dessiné par matplotlib, mais un graphe composé d'arêtes et de nœuds utilisés en théorie des graphes.

Consultez l'article séparé ci-dessous pour la méthode d'installation. https://qiita.com/BARANCE_TW/items/c3f7816d38cc9e746bbd

Exemple de clone de code

Avant le clonage, créez un répertoire de travail (dossier) approprié. Dans ce qui suit, on suppose qu'un répertoire appelé "ai" est créé directement sous le lecteur C. (Autrement dit, C: \ ai devient le répertoire de l'espace de travail)

Ensuite, ouvrez l'URL du référentiel dans votre navigateur et appuyez sur le bouton vert à droite pour copier l'URL de clonage qui apparaît. repo.png

Le référentiel pour chaque volume est ci-dessous.

――Répertoire de "Deep Learning from scratch" https://github.com/oreilly-japan/deep-learning-from-scratch --Répertoire de "Deep Learning 2 made from scratch" https://github.com/oreilly-japan/deep-learning-from-scratch-2 --Répertoire de "Deep Learning 3 made from scratch" https://github.com/oreilly-japan/deep-learning-from-scratch-3

Après avoir copié l'URL de clonage, ouvrez ** git bash ** et collez l'URL de clonage copiée dans {URL de clonage} ci-dessous et exécutez-la. Après un court instant, l'exemple de code sera cloné dans le répertoire approprié.

bash


$ cd /c/ai
$ git clone {clone URL}

installation de vscode

Jusqu'au début du volume 1, la quantité de code est suffisante même avec une console interactive, mais après l'étape intermédiaire, la quantité de code et le nombre de fichiers augmenteront de manière explosive, il est donc recommandé d'utiliser une sorte d'environnement. Je vais installer vscode ici, mais si vous avez un IDE ou un éditeur que vous aimez, c'est très bien.

Téléchargez vscode ci-dessous.

Espace de travail ouvert

Après avoir démarré vscode, ouvrez d'abord le répertoire cloné en tant qu'espace de travail. Cliquez sur le menu Fichier et sélectionnez Ouvrir le dossier. (Notez qu'il ne s'agit pas d'un "espace de travail ouvert") workspace1.png

Après cela, allez dans le répertoire cloné et cliquez sur "Sélectionner un dossier" pour ouvrir l'espace de travail. Confirmez que la liste des fichiers clonés est affichée dans "Explorer" sur le côté gauche.

Modification de launch.json

Avec vscode, vous pouvez exécuter du code avec "Ctrl" + "F5" (ou déboguer l'exécution avec "F5"). Cependant, le répertoire d'exécution à ce moment-là sera le répertoire racine de l'espace de travail par défaut. Si laissé dans cet état, les problèmes suivants se produiront.

Pour résoudre ce problème, modifiez launch.json pour faire du répertoire contenant les fichiers le répertoire d'exécution. Tout d'abord, sélectionnez l'onglet "Exécuter" à partir de l'emplacement où les icônes de gauche sont alignées, puis sélectionnez "Créer un fichier launch.json". launch1.png

Ensuite, le message "Sélectionnez une configuration de débogage" apparaîtra, cliquez donc sur "Fichier Python". launch2.png

Ensuite, l'écran d'édition de launch.json s'affiche. Ce fichier est stocké dans le répertoire ".vscode" directement sous le répertoire racine de l'espace de travail. launch3.png

Ajoutez la notation "" cwd ":" $ {fileDirname} "` à la valeur "configurations" de ce fichier. Le fichier après l'ajout est le suivant.

launch.json


{
    //Vous pouvez utiliser IntelliSense pour apprendre les attributs disponibles.
    //Survolez et affichez la description des attributs existants.
    //Vérifiez les éléments suivants pour plus d'informations: https://go.microsoft.com/fwlink/?linkid=830387
    "version": "0.2.0",
    "configurations": [
        {
            "name": "Python: Current File",
            "type": "python",
            "request": "launch",
            "program": "${file}",
            "console": "integratedTerminal", //Ajouter une virgule à la fin
            "cwd": "${fileDirname}" //Ajouter ici!!
        }
    ]
}

Maintenant, lorsque vous appuyez sur "Ctrl" + "F5", le programme sera exécuté après avoir été déplacé vers le chemin où se trouve le fichier au moment de l'exécution.

Recommended Posts

[Windows 10] Construction de l'environnement "Deep Learning from scratch"
Tutoriel d'apprentissage en profondeur de la construction d'environnement
Apprentissage profond à partir de zéro
Réaliser la construction d'environnement pour "Deep Learning from scratch" avec docker et Vagrant
Apprentissage profond à partir de zéro (calcul des coûts)
Mémo d'apprentissage profond créé à partir de zéro
Créez un environnement pour "Deep Learning from scratch" avec Docker
[Mémo d'apprentissage] Le Deep Learning fait de zéro [Chapitre 7]
Apprentissage profond / Apprentissage profond à partir de zéro 2-Essayez de déplacer GRU
[Mémo d'apprentissage] Deep Learning fait de zéro [Chapitre 5]
[Mémo d'apprentissage] Le Deep Learning fait de zéro [Chapitre 6]
"Deep Learning from scratch" avec Haskell (inachevé)
Deep learning / Deep learning made from scratch Chapitre 7 Mémo
Enregistrement d'apprentissage de la lecture "Deep Learning from scratch"
[Deep Learning from scratch] À propos de l'optimisation des hyper paramètres
Mémo d'auto-apprentissage "Deep Learning from scratch" (partie 12) Deep learning
[Mémo d'apprentissage] Deep Learning fait de zéro [~ Chapitre 4]
"Deep Learning from scratch" Mémo d'auto-apprentissage (n ° 9) Classe MultiLayerNet
Deep Learning from scratch ① Chapitre 6 "Techniques liées à l'apprentissage"
GitHub du bon livre "Deep Learning from scratch"
Deep Learning from scratch Chapter 2 Perceptron (lecture du mémo)
[Mémo d'apprentissage] Apprentissage profond à partir de zéro ~ Mise en œuvre de l'abandon ~
Résumé Python vs Ruby "Deep Learning from scratch"
Mémo d'auto-apprentissage «Deep Learning from scratch» (10) Classe MultiLayerNet
Mémo d'auto-apprentissage «Deep Learning from scratch» (n ° 11) CNN
Créez un environnement d'apprentissage pour le «Deep learning from scratch» avec Cloud9 (jupyter miniconda python3)
[Deep Learning from scratch] J'ai implémenté la couche Affine
Préparez l'environnement pour le livre O'Reilly "Deep Learning from scratch" avec apt-get (Debian 8)
Mémo d'auto-apprentissage «Deep Learning from scratch» (n ° 19) Augmentation des données
Construction de l'environnement Python (Windows10 + Emacs)
Apprentissage profond / code de travail LSTM
Application de Deep Learning 2 à partir de zéro Filtre anti-spam
[Tensorflow] Construction de l'environnement Tensorflow sous Windows 10
[Deep Learning from scratch] J'ai essayé d'expliquer le décrochage
Créez un environnement d'apprentissage automatique à partir de zéro avec Winsows 10
[Deep Learning from scratch] Implémentation de la méthode Momentum et de la méthode AdaGrad
OpenJTalk sur Windows10 (parler japonais avec Python depuis la construction de l'environnement)
Un amateur a trébuché dans le Deep Learning à partir de zéro Note: Chapitre 1
Un amateur a trébuché dans le Deep Learning ❷ fait à partir de zéro Note: Chapitre 5
Un amateur a trébuché dans le Deep Learning ❷ fait à partir de zéro Note: Chapitre 2
Un amateur a trébuché dans le Deep Learning à partir de zéro Note: Chapitre 3
Un amateur a trébuché dans le Deep Learning à partir de zéro Note: Chapitre 7
Un amateur a trébuché dans le Deep Learning à partir de zéro Note: Chapitre 5
Un amateur a trébuché dans le Deep Learning ❷ fait de zéro Note: Chapitre 1
Un amateur a trébuché dans le Deep Learning ❷ fait à partir de zéro Note: Chapitre 4
Mémo d'auto-apprentissage «Deep Learning from scratch» (n ° 18) One! Miaou! Grad-CAM!
Un amateur a trébuché dans le Deep Learning à partir de zéro.
Un amateur a trébuché dans le Deep Learning à partir de zéro Note: Chapitre 2
J'ai essayé d'implémenter Perceptron Part 1 [Deep Learning from scratch]
Mémo d'auto-apprentissage "Deep Learning from scratch" (n ° 15) Tutoriel pour débutants TensorFlow
Deep learning / Deep learning from scratch 2 Chapitre 4 Mémo
Mémo de construction de l'environnement Python sur Windows 10
Construction de l'environnement Anaconda Python sous Windows 10
Construction d'un environnement d'apprentissage amélioré Python + Unity
Deep Learning / Deep Learning à partir de Zero 2 Chapitre 5 Mémo
[Python3] Construction de l'environnement de développement << Édition Windows >>