Preparação do Hardware e Software

Para garantir o funcionamento adequado de frameworks de aprendizado profundo, é essencial alinhar as versões dos componentes. A configuração base utilizada neste guia consiste em Windows 10 e uma GPU NVIDIA RTX 3060. Abaixo está a lista de componentes necessários e o tempo estimado para cada instalação:

Gerenciamento de Espaço em Disco

A instalação padrão de drivers e ferramentas CUDA frequentemente exige espaço na unidade C:. Utilizar a opção de instalação personalizada pode levar à omissão de componentes críticos. Portanto, recomenda-se garatnir espaço suficiente nesta partição. Caso o disco esteja limitado, é aconselhável redimensionar as partições.

Redimensionamento de Partições

Ferramentas de gerenciamento de disco permitem mesclar espaços não alocados ou reduzir outras partições para expandir a unidade principal. Ao utilizar softwares de terceiros, certifique-se de que as operações sejam confirmadas apenas após revisão, pois o processo geralmente exige reinicialização do sistema para aplicar as mudanças no nível do disco.

Ecossistema Python: Anaconda e PyCharm

É fundamental distinguir os papéis de cada ferramenta:

• Python: O interpretador base.
• Anaconda: Uma distribuição que inclui o Python, bibliotecas científicas e o gerenciador conda. Instalar o Anaconda dispensa a instalação separada do Python.
• PyCharm: O Ambiente de Desenvolvimento Integrado (IDE) que facilita a escrita e depuração de código.

Instalação do Anaconda3

Baixe a versão mais recente disponível no site oficial. Durante a instalação, mantenha os caminhos padrão ou escolha diretórios sem caracteres especiais ou espaços. A configuração padrão geralmente adiciona o Anaconda às variáveis de ambiente, facilitando o acesso via terminal.

Instalação do PyCharm

Obtenha a edição Community no site da JetBrains. O assistente de instalação é direto. Após a instalação, o PyCharm poderá ser configurado para reconhecer os interpretadores Python gerenciados pelo Conda.

Criação de Ambiente Virtual

Embora o Anaconda venha com uma versão do Python, é boa prática criar ambientes isolados para cada projeto. Abra o Anaconda Prompt e execute:

conda create -n dl_lab python=3.9

O nome dl_lab é arbitrário e pode ser alterado. Este comando configura um ambiente limpo com a versão especificada do interpretador.

Configuração da GPU: Drivers, CUDA e cuDNN

A aceleração por GPU depende de três camadas de software:

• Driver: Permite que o sistema operacional comunique-se com o hardware da GPU.
• CUDA: Plataforma de computação paralela da NVIDIA.
• cuDNN: Biblioteca otimizada para operações de redes neurais.

Atualização do Driver

Utilize o site oficial da NVIDIA ou o GeForce Experience para instalar o driver mais recente compatível com sua placa de vídeo. A instalação deve ser feita preferencialmente com a opção "Expressa" para garantir que todos os componentes necessários sejam incluídos.

Verificação da Versão CUDA

Antes de instalar o toolkit, verifique a versão suportada pelo driver. No terminal, execute:

nvidia-smi

O canto superior direito da saída exibirá a versão máxima do CUDA suportada pelo driver atual.

Instalação do CUDA Toolkit

Acesse o repositório de versões antigas no site da NVIDIA se precisar de uma versão específica (como a 11.3) para compatibilidade com certos frameworks. Baixe o instalador local e execute-o. Anote o caminho de instalação, pois será necessário para configurar o cuDNN.

Configuração do cuDNN

Baixe a versão do cuDNN correspondente ao CUDA instalado. O arquivo baixado será um compactado. Após extrair, você encontrará pastas como bin, include e lib. Copie o conteúdo dessas pastas para os diretórios correspondentes dentro da instalação do CUDA Toolkit, substituindo os arquivos quando solicitado.

Instalação do PyTorch

O PyTorch fornece computação tensorial com aceleração GPU. Para instalar, primeiro ative o ambiente criado anteriormente:

conda activate dl_lab

A instalação direta pode ser lenta dependendo da localização geográfica. Configurar mirrors regionais pode acelerar o processo. Adicione os repositórios alternativos:

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes

Em seguida, instale o framwork especificando o toolkit CUDA compatível:

conda install pytorch torchvision torchaudio cudatoolkit=11.3

Remova o parâmetro -c pytorch ao usar mirrors configurados manualmente para evitar conflitos de canal.

Validação do Ambiente

Para confirmar que tudo foi configurado corretamente, crie um novo projeto no PyCharm e selecione o interpretador do ambiente dl_lab. Crie um script de teste com o seguinte conteúdo:

import torch

def check_gpu():
    if torch.cuda.is_available():
        print("Aceleração GPU está ativa.")
        print(f"Versão do PyTorch: {torch.__version__}")
        print(f"Dispositivo: {torch.cuda.get_device_name(0)}")
    else:
        print("GPU não detectada. Verifique os drivers e instalação do CUDA.")

check_gpu()

Ao executar o script, a saída deve indicar que a CUDA está disponível e exibir o nome da placa de vídeo. Se o retorno for verdadeiro, o ambiente está pronto para o desenvolvimento de modelos de aprendizado profundo.