Este artigo aborda a instalação e configuração do ambiente de deep learning utilizando PyTorch com suporte a CUDA no sistema operacional Windows. O processo envolve a instalação de drivers CUDA, bibliotecas cuDNN e a configuração proper do ambiente Python.

Preparação: Downloads Necessários

1. Baixando CUDA Toolkit

O CUDA Toolkit pode ser obtido diretamente no site oficial da NVIDIA. Para este guia, utilizaremos a versão 10.0, que oferece excelente compatibilidade com diversas bibliotecas de deep learning.

2. Baixando cuDNN

A biblioteca cuDNN (CUDA Deep Neural Network) é essencial para aceleração de redes neurais. A versão recomendada é a 7.4.1.5, disponível no portal de desenvolvedores NVIDIA.

Instalação do CUDA e cuDNN

Processo de Instalação do CUDA

Execute o instalador baixado e selecione a opção "Personalizada" durante o processo de instalação. Esta opção permite maior controle sobre os componentes instalados.

Após a conclusão, o diretório de instalação pode ser localizado em:
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0

Configuração do cuDNN

Após extrair o arquivo compactado do cuDNN, copie todos os arquivos contidos para o diretório raiz do CUDA instalado anteriormente. Esta etapa é fundamental para que o PyTorch possa utilizar as funções aceleradas por GPU.

Configuração do Ambiente PyTorch

Criando o Ambiente Virtual com Conda

Abra o terminal de comando (cmd.exe) e execute os seguintes comandos para criar e ativar o ambiente:

conda create –n deeplearning python=3.6

activate deeplearning

O primeiro comando cria um ambiente isolado chamado "deeplearning" com Python 3.6. O segundo comando ativa este ambiente para que as operações subsequentes sejam realizadas dentro dele.

Instalação do PyTorch e TorchVision

Método 1: Instalação Direta (Reocmendado)

Com o ambiente ativado, utilize o gerenciador pip para instalar as bibliotecas diretamente dos repositórios oficiais:

pip install torch==1.2.0 torchvision==0.4.0 -f https://download.pytorch.org/whl/torch_stable.html

Este comando instala simultaneamente o PyTorch e o TorchVision nas versões especificadas.

Método 2: Instalação Offline

Caso a conexão seja lenta, é possível baixar os arquivos wheel previamente:

1. Acesse o repositório de wheels estáveis
2. Selecione o arquivo compatível com sua versão do Python e CUDA
3. Baixe o arquivo e salve em um diretório local
4. No terminal, navegue até o local do arquivo e execute:
   pip install nome_do_arquivo.whl

Instalação de Dependências Adicionais

Para executar modelos de deep learning completos, serão necessárias bibloitecas adicionais. Crie um arquivo requirements.txt com o seguinte conteúdo:

scipy==1.2.1
numpy==1.17.0
matplotlib==3.1.2
opencv_python==4.1.2.30
torch==1.2.0
torchvision==0.4.0
tqdm==4.60.0
Pillow==8.2.0
h5py==2.10.0

Em seguida, execute a instalação:

pip install -r caminho\ate\requirements.txt

Configuração de Repositórios Alternativos

Para acelerar o download de pacotes, configure um mirror pip no diretório do usuário:

1. Crie a pasta %USERPROFILE%\pip
2. Crie o arquivo pip.ini dentro desta pasta
3. Adicione o seguinte conteúdo:

[global]
index-url = http://pypi.mirrors.ustc.edu.cn/simple
[install]
use-mirrors = true
mirrors = http://pypi.mirrors.ustc.edu.cn/simple/
trusted-host = pypi.mirrors.ustc.edu.cn

Após todas as instalações, reinicie o computador para que as alterações tenham efeito completo.

Configuração do Editor de Código

O Visual Studio Code é uma excelente opção para desenvolvimento em Python com suporte a Jupyter notebooks e depuração integrada.

Instalação

Acesse o site oficial code.visualstudio.com e baixe a versão para Windows. Durante a instalação, recomenda-se adicionar o VS Code ao PATH do sistema para facilitar o acesso via terminal.

Extensões Recomendadas

Após a instalação, instale as seguintes extensões para melhorar a experiência de desenvolvimento:

• Python (Microsoft)
• Pylance
• Jupyter

Verificação da Instalação

Para confirmar que tudo está funcionando corretamente, execute o seguinte código Python:

import torch
print(f"PyTorch version: {torch.__version__}")
print(f"CUDA available: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"CUDA device: {torch.cuda.get_device_name(0)}")

Se a saída mostrar "CUDA available: True", a configuração foi bem-sucedida e você está pronto para desenvolver modelos de deep learning com aceleração por GPU.