ウェブサイト検索

Linux 上での AI 開発環境のセットアップ

人工知能 (AI) は、今日のテクノロジーの中で最もエキサイティングで急速に進化している分野の 1 つです。 AI を使用すると、画像認識、自然言語処理、意思決定など、かつては人間の知能が必要であったタスクを機械が実行できるようになります。

初心者で AI 開発に取り組みたい場合は、強力で柔軟性があり、AI コミュニティで広く使用されているLinux がオペレーティング システムとして最適です。

このガイドでは、Ubuntu システム上に AI 開発環境をセットアップするプロセスについて説明します。

始めるために必要なもの

始める前に、Linux 上で AI 開発環境をセットアップするために必要な基本事項を確認しましょう。

  • 基本的なコマンド ラインの知識: Linux ターミナルでコマンドを実行する必要があるため、Linux ターミナルと基本的なコマンドについてある程度の知識が必要です。
  • Python: Python は AI 開発で最も人気のある言語です。ほとんどの AI ライブラリとフレームワークは Python で記述されているため、Python をインストールすることが不可欠です。

これらを用意したら、環境のセットアップを始めましょう。

ステップ 1: システムを更新する

開発環境をセットアップする最初のステップは、システムが最新であることを確認することです。これにより、システム上のすべてのソフトウェア パッケージが最新バージョンであり、互換性の問題が発生しないことが保証されます。

システムを更新するには、ターミナルを開いて次のコマンドを実行します。

sudo apt update && sudo apt upgrade -y

このプロセスが完了すると、システムに AI ツールをインストールする準備が整います。

ステップ 2: Ubuntu に Python をインストールする

Python は AI 開発に最適な言語であり、TensorFlow や PyTorch などのほとんどの AI フレームワークは Python で構築されています。 なので、システムにインストールすることが不可欠です。

Python がすでにインストールされているかどうかを確認するには、次のコマンドを実行します。

python3 --version

Python がインストールされている場合は、Python 3.x.x などのバージョン番号が表示されます。インストールされていない場合は、次のコマンドを実行してインストールできます。

sudo apt install python3 python3-pip -y

Python がインストールされたら、以下を実行してインストールを確認できます。

python3 --version

Python のバージョン番号が表示されるはずです。

ステップ 3: Ubuntu に AI ライブラリをインストールする

Python がインストールされたら、機械学習モデルの構築とトレーニングに役立つ AI ライブラリをインストールする必要があります。最も人気のある AI ライブラリは TensorFlow と PyTorch の 2 つですが、他にもライブラリがあります。

複数の AI プロジェクトに取り組んでいる場合は、仮想環境を使用することをお勧めします。仮想環境を使用すると、プロジェクトごとの依存関係を分離できるため、相互に干渉しなくなります。

sudo apt install python3-venv
python3 -m venv myenv
source myenv/bin/activate

1. Ubuntu に TensorFlow をインストールする

TensorFlow は、特にディープ ラーニングで最も広く使用されている AI フレームワークの 1 つであり、機械学習モデルを構築およびトレーニングするためのツールを提供します。

TensorFlow をインストールするには、次のコマンドを実行します。

pip3 install tensorflow

2.UbuntuにPyTorchをインストールする

PyTorch も人気のある AI フレームワークで、特にその使いやすさと動的な計算グラフで知られており、研究やプロトタイピングに広く使用されています。

PyTorch をインストールするには、次のコマンドを実行します。

pip3 install torch torchvision

3. Ubuntu に Keras をインストールする

Keras は、TensorFlow 上で実行される高レベルのニューラル ネットワーク API であり、シンプルなインターフェイスを提供することでディープ ラーニング モデルの構築とトレーニングを容易にします。

Keras をインストールするには、次のコマンドを実行します。

pip3 install keras

Keras はデフォルトで TensorFlow 2.x に含まれているため、すでに TensorFlow をインストールしている場合は、TensorFlow 2.x をインストールする必要はありません。 > ケラスは別に。

4.Scikit-learnをインストールする

深層学習を必要としない機械学習タスクの場合、分類、回帰、クラスタリングなどのツールを提供する Scikit-learn は優れたライブラリです。

インストールするには、次を実行します。

pip3 install scikit-learn

5. Ubuntu に Pandas と NumPy をインストールする

Pandas と NumPy は、データセットの処理と数学的演算の実行に使用されるため、データの操作と分析に不可欠なライブラリです。

それらをインストールするには、次を実行します。

pip3 install pandas numpy

ステップ 4: Jupyter Notebook をインストールする (オプション)

Jupyter Notebook は、対話型環境で Python コードを作成して実行できる Web ベースのツールで、コードの実験、モデルの実行、データの視覚化を目的とした AI 開発で広く使用されています。

Jupyter Notebook をインストールするには、次のコマンドを実行します。

pip3 install notebook

インストール後、次のコマンドを実行して Jupyter Notebook を起動できます。

jupyter notebook

これにより、Web ブラウザーに新しいタブが開き、新しいノートブックを作成し、コードを記述して、出力をすぐに確認できます。

ステップ 5: GPU ドライバーをインストールする (AI 開発を高速化するためのオプション)

システムに互換性のあるNVIDIA GPU がある場合、それを使用して AI モデル、特にディープ ラーニング モデルのトレーニングを高速化できます。これらは大量の計算能力を必要とし、GPU を使用すると大幅に計算能力を削減できます。トレーニング時間。

NVIDIA カードに必要な GPU ドライバーをインストールするには、次のコマンドを実行します。

sudo apt install nvidia-driver-460

インストールが完了したら、システムを再起動して変更を適用します。

また、CUDA (コンピューティング ユニファイド デバイス アーキテクチャ) と cuDNN (CUDA ディープ ニューラル ネットワーク ライブラリ) をインストールする必要があります。 TensorFlow と PyTorch が GPU を使用できるようにします。

CUDA と cuDNN のインストール手順は、NVIDIA の Web サイトで見つけることができます。

ステップ 6: セットアップをテストする

Python と必要な AI ライブラリをインストールし、オプションで仮想環境と GPU ドライバーをセットアップしたので、セットアップをテストします。

TensorFlow をテストするには、次のように入力して Python インタープリターを開きます。

python3

次に、TensorFlow をインポートし、そのバージョンを確認します。

import tensorflow as tf
print(tf.__version__)

TensorFlow のバージョン番号が画面に表示されるはずです。エラーがなければTensorFlowは正しくインストールされています。

次に、PyTorch をテストします。

import torch
print(torch.__version__)

両方のライブラリがエラーなしでバージョン番号を出力すれば、セットアップは完了です。

ステップ 7: AI モデルの構築を開始する

環境がセットアップされたら、AI モデルの構築を開始できるようになります。ここでは、TensorFlow と Keras を使用して基本的なニューラル ネットワークを作成する方法の簡単な例を示します。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

Define a simple model
model = Sequential([
    Dense(64, activation='relu', input_shape=(784,)),
    Dense(10, activation='softmax')
])

Compile the model
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

Summary of the model
model.summary()

このコードは、1 つの隠れ層と分類用の出力層を持つ単純なニューラル ネットワークを定義します。このモデルは、MNIST (手書きの数字) や CIFAR-10 (オブジェクトの画像) などのデータセットを使用してトレーニングできます。

結論

おめでとう！ Python、TensorFlow、PyTorch、を使用して Ubuntu 上に AI 開発環境をセットアップできました。 Keras とJupyter Notebook など、AI モデルの構築とトレーニングを開始するために必要なツールがすべて揃っています。

AI への取り組みを続けるにつれて、深層学習、強化学習、自然言語処理などのより高度なトピックを探索できます。スキルの学習と向上に役立つオンライン リソース、チュートリアル、コースが多数あります。

AI 開発は無限の可能性を秘めたエキサイティングな分野であることを忘れないでください。自動運転車を構築する場合でも、インテリジェントなチャットボットを作成する場合でも、ビッグデータを分析する場合でも、AI で開発したスキルはテクノロジーの多くの分野で価値があります。

コーディングを楽しんで、AI の旅を楽しんでください。

関連記事: