elaprendiz0000

 import torch import numpy as np import time device = 'cuda' if torch.cuda.is_available else 'cpu' print(device) torch_rand1 = torch.rand(100,100,100,100).to(device) torch_rand2 = torch.rand(100,100,100,100).to(device) np_rand1 = torch.rand(100,100,100,100) np_rand2 = torch.rand(100,100,100,100) start_time = time.time() rand = (torch_rand1 @ torch_rand2) end_time = time.time() elapsed_time = end_time - start_time print(f"{elapsed_time:.8f}") start_time = time.time() rand = np.multiply(np_rand1,np_rand2) end_time = time.time() elapsed_time = end_time - start_time print(f"{elapsed_time:8f}")

import torch randint = torch. randint (- 100 , 100 ,( 6 ,)) randint tensor = torch. tensor ([[ 0.1 , 1.2 ],[ 2.2 , 3.1 ],[ 4.9 , 5.2 ]]) tensor zeros = torch. zeros ( 2 , 3 ) zeros ones = torch. ones ( 3 , 4 ) ones input = torch. empty ( 2 , 3 ) input arange =torch. arange ( 5 ) arange linspace = torch. linspace ( 3 , 10 , steps = 5 ) linspace logspace =torch. logspace ( start =- 10 , end = 10 , steps = 5 ) logspace eye = torch. eye ( 5 ) eye a = torch. empty (( 2 , 3 ), dtype =torch.int64) empty_like = torch. empty_like ( a ) empty_like

  1. Activamos el entorno Conda (base):      conda activate base && conda init bash 2 .Creamos un entorno virtual python para aislarnos de las dependencias de paquetes del entorno que tenemos instalado en el Sistema operativo. El siguiente comando lo ejecutamos tras haber ejecutado el el comanto del punto 1.     python -m venv cuda 3. Activamos el entorno cuda      source ./cuda/bin/activate 4. Instalamos el framework Pytorch: pip3 install torch --index-url https://download.pytorch.org/whl/cu118 PyTorch es un popular marco de aprendizaje automático de código abierto basado en la biblioteca Torch. Se utiliza principalmente para aplicaciones como visión por computadora, procesamiento del lenguaje natural y aprendizaje profundo 123. PyTorch es preferido sobre otros marcos de aprendizaje profundo como TensorFlow y Keras ya que utiliza gráficos de cálculo dinámico y es completamente Pythonic 2. PyTorch es una biblioteca optimizada de tensores de aprendizaje profundo basada en Python

Dado que no consguía hacer funcionar llama2 en windows y en Linux siguiendo los pasos salía todo a la primera, opté por instalar ubuntu dentro de Windows y realizar ahí la instalación. 1.- Instalé ubuntu y luego lo moví de disco porque toda la instalación ocupa mucho para hacerlo en la unidad c: -  Para ello seguí los pasos que se indican en "Instalar WSL en otra unidad en Windows"  2.- Después instalé miniconda 3.- Instalar pytorch: tienes varias opciones de url, se pueden ver en https://pytorch.org/get-started/locally/ Yo elegí inicialmente la url de CPU porque en mi pc de programación no tenía nvidia. En cualquier caso esto no me funcionó así que recomiendo instalar la versión con GPU y tener una GPU de nvida para trabajar con IA. En mi casó instalé una vieja GTX1080 pero ya os adelanto que la GPU es muy limitada en desempeño para esta aplicación. 4.- Seguir los pasos que se indican en el readme de llama2 en github: https://github.com/facebookresearch/llama 5.- Crear un

La única forma de hacerlo a día de hoy que yo conozca es mover la distribución de Linux que instaló en wsl. Instalé Ubuntu en Windows como wsl y mostré cómo moverlo paso a paso. 1.Verifique las instalaciones de WSL 2 que ya están instaladas en su computadora. wsl --list -v Si la instalación que desea mover a otra unidad aún se está ejecutando, debemos detenerla con el siguiente comando. En mi caso, quiero mover Ubuntu, así que estoy terminando Ubuntu. wsl -t Ubuntu 2.Exportar a una carpeta. (Aquí exportando Ubuntu como ubuntu-ex.tar a D:\wsl\wsl_export) wsl --export Ubuntu "D:\wsl_export\ubuntu-ex.tar" 3.Anule el registro de la instalación anterior de WSL. Cuando cancela el registro, eliminará Ubuntu de la lista wsl2 que vimos anteriormente. wsl --unregister Ubuntu 4. Importe su instalación de WSL a una carpeta. Este paso también vuelve a registrar el ubuntu. wsl --import Ubuntu "D:\wsl_import\ubuntu" "D:\wsl_export\ubuntu-ex.tar"

sudo apt-get update sudo apt-get upgrade sudo apt-get install wget bzip2  wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O miniconda.sh source ~/.bashrc conda --version bash miniconda.sh sudo apt-get install libopenblas-dev libblas-dev m4 cmake python3-dev python3-yaml python3-setuptools sudo apt-get install python3-pip pip3 install --upgrade pip conda create -n llama2env python=3.11.5 conda init cd llama2env/ conda activate llama2env conda env list pip3 install torch torchvision torchaudio pip install -e . git clone https://github.com/oobabooga/text-generation-webui.git pip install -r requirements.txt cd :~/miniconda3/envs/llama2env/ cd text-generation-webui/ python server.py Después ir a http://127.0.0.1:7860/ y seguir los pasos indicados en el vídeo para parametrizar y ejecutar un modelo

 Un "learning path" para crear programas de inteligencia artificial (AI) basados en modelos de internet con Python puede ser emocionante y gratificante. A continuación, te proporciono un camino de aprendizaje con pasos y recursos recomendados para que puedas adentrarte en el mundo de la inteligencia artificial:   Nivel 1: Fundamentos de Python y Machine Learning   1. Aprende Python:    - Comienza por aprender Python, ya que es el lenguaje de programación más utilizado en la comunidad de inteligencia artificial.    - Recomendación: Codecademy, Python.org, libros de Python como "Automate the Boring Stuff with Python" de Al Sweigart.   2. Introducción a Machine Learning:    - Familiarízate con los conceptos básicos de machine learning.    - Recomendación: Curso "Machine Learning" de Andrew Ng en Coursera o el libro "Introduction to Machine Learning with Python" de Andreas C. Müller y Sarah Guido.   Nivel 2: Bibliotecas y Frameworks de AI   3. Numpy