Ir al contenido principal

AI: Como preparar el entorno para trabajar con Python + Conda + Cuda (require GPU NVIDIA)

 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 y Torch y se utiliza principalmente para aplicaciones que utilizan GPU y CPU 2. PyTorch es flexible y potente, lo que lo convierte en una opción popular para la investigación y producción de aprendizaje profundo 1. PyTorch proporciona un rico ecosistema de herramientas y bibliotecas que extienden su funcionalidad y admiten el desarrollo en visión por computadora, NLP y más 1.

5. Ejecutamos el entorno jupyter (notebook):

 jupyter notebook

Yo lo ejecuté desde mi WSL ubuntu en windows y me propone una url que puedo poner en mi navegador en windows y trabajar ya con el mismo:

ejemplo:

 http://localhost:8888/tree?token=0000000000000000000000000000000000000000


6.- Hacemos un script con bash de modo que nos automatice la preparación del entorno cada vez que reiniciemos el PC y dejamos el script en el directorio de trabajo:


  1. Abre la terminal de Ubuntu.
  2. Crea un nuevo archivo de script de Bash usando el siguiente comando:
    nano bacsj.sh
  3. Copia y pega los siguientes comandos en el archivo:
    #!/bin/bash
conda activate base && conda init bash
python -m venv cuda
source ./cuda/bin/activate
jupyter notebook
  4. Guarda y cierra el archivo presionando Ctrl + X, luego Y y finalmente Enter.
  5. Dale permiso de ejecución al archivo usando el siguiente comando:
    chmod +x bacsj.sh
  6. Ahora puedes ejecutar el script usando el siguiente comando:
    ./bacsj.sh
    Esto ejecutará los tres comandos que mencionaste en orden.


Etiquetas:

Comentarios

Publicar un comentario

Entradas populares de este blog

[Validación Cruzada] [Machine Learning] [Evaluación de Modelos] [Ciencia de Datos] [R Programming] [Resampling] Validación Cruzada: Concepto y Técnicas Principales

Validación Cruzada: Concepto y Técnicas Principales Validación Cruzada: Concepto y Técnicas Principales La validación cruzada es un conjunto de técnicas utilizadas para evaluar la capacidad de generalización de un modelo de machine learning. Su objetivo principal es determinar cómo de bien puede el modelo desempeñarse con datos no vistos, proporcionando una evaluación más robusta y fiable en comparación con dividir los datos en un simple conjunto de entrenamiento y prueba. Principales Técnicas de Validación Cruzada 1. K-Fold Cross Validation (Validación Cruzada K-Fold) El conjunto de datos se divide en \(k\) particiones o "pliegues" de igual tamaño. El modelo se entrena \(k\) veces: en cada iteración, un pliegue diferente se utiliza como conjunto de prueba y los \(k-1\) pliegues restantes como conjunto de entrenamiento. La métrica final (por ejemplo, precisión, F1, etc.) se c...
Publicar un comentario
Leer más

AI:LLM:GREP: Regular expressions using "grep"

The regular expression [ˆa-zA-Z], which we used to avoid embedded instances of "the", implies that there must be some single (although non-alphabetic) character before the the. We can avoid this by specifying that before the the we require either the beginning-of-line or a non-alphabetic character, and the same at the end of the line:  grep -E "(^|[^a-zA-Z])[tT]he([^a-zA-Z]|^)" wizard_of_oz  The process we just went through was based on fixing two kinds of errors: false false positives positives, strings that we incorrectly matched like other or there, and false negafalse negatives tives, strings that we incorrectly missed, like The. Addressing these two kinds of errors comes up again and again in implementing speech and language processing systems. Reducing the overall error rate for an application thus involves two antagonistic efforts:  • Increasing precision (minimizing false positives)  • Increasing recall (minimizing false negatives) Some aliases for common...
Publicar un comentario
Leer más

Encontré 42 GB de modelos de IA fosilizados en mi PC: una puesta al día honesta sobre IA local, conceptos y entornos Python en 2026

Hace tiempo que no tocaba nada de IA en mi PC, y al echar un ojo descubrí varios programas que no recordaba para qué eran y, sobre todo, modelos de hace año y medio acumulando polvo en el disco. Lo que empezó como una limpieza acabó siendo una puesta al día completa: Ollama, conceptos fundamentales, mapa del ecosistema, comparativas, y un setup de Python desde cero. Lo dejo aquí ordenado por si a alguien le sirve. 1. El punto de partida: 42 GB de modelos zombi Lo primero que encontré fue Ollama corriendo en segundo plano (ese icono pequeño en la barra de tareas que llevaba meses sin tocar). Un ollama list reveló cinco modelos descargados hacía 18 meses, ocupando casi 42 GB: llama-3-8B-programming-questions — 16 GB SuperNova-Medius-Q8_0 — 15 GB uncensored_wizard_7b — 4.1 GB llama3.2 — 2 GB llama3.1 — 4.7 GB En el mundo de la IA, 18 meses son una eternidad. Han salido Llama 3.3 y 4, Qwen 2.5 y 3, DeepSeek-V3 y R1, Gemma 3 y 4, gpt-oss... cualquiera de los nu...
Publicar un comentario
Leer más