1. Preparação do Ambiente Base com Anaconda

A distribuição Anaconda para Python é uma plataforma essencial para computação científica, pois simplifica a gestão de pacotes e dependências. Baixe e instale a versão mais recente do Anaconda3 a partir do site oficial. Durante o processo de instalação, é crucial marcar a opção para adicionar o Anaconda ao PATH do sistema, facilitando o acesso às ferramentas de linha de comando.

Após a instalação, verifique a integridade do ambiente abrindo um terminal de comando (Prompt de Comando ou PowerShell) e executando:

conda --version

Se o comando retornar a versão instalada, o ambiente está pronto para os próximos passos.

2. Criação de um Ambiente Virtual Isolado

Para evitar conflitos de versão entre diferentes projetos, a prática recomendada é criar um ambiente virtual dedicado. Usaremos o conda para criar um ambiente chamado keras_gpu_env com uma versão específica do Python. Verifique a documentação do TensorFlow para escolher uma versão do Python compatível; para este exemplo, usaremos a versão 3.9.

No terminal, execute o seguinte comando para criar o ambiente:

conda create --name keras_gpu_env python=3.9

Após a conclusão da criação, ative o novo ambiente com o comando:

conda activate keras_gpu_env

O prompt de comando será alterado para indicar que você está agora trabalhando dentro do keras_gpu_env. Para desativar o ambiente no futuro, use conda deactivate.

3. Instalação do CUDA Toolkit e da Biblioteca cuDNN

O treinamento de redes neurais em GPUs NVIDIA requer o CUDA Toolkit, uma plataforma de computação paralela, e a cuDNN, uma biblioteca de funções otimizadas para deep learning. Acesse o portal de desenvolvedores da NVIDIA para baixar uma versão do CUDA Toolkit compatível com a sua versão do TensorFlow e sua placa de vídeo. Execute o instalador e siga as instruções, prestando atenção para não instalar componentes opcionais que possam gerar conflitos, como integrantes do Visual Studio, caso já o tenha instalado.

Em seguida, baixe a versão da cuDNN que corresponde à versão do CUDA instalada. O download requer um cadastro no site da NVIDIA. Após baixar o arquivo (geralmente um .zip), descompacte-o. Copie o conteúdo das pastas bin, include e lib do arquivo descompactado para as pastas de mesmo nome no diretório de instalação do CUDA (ex: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8).

Finalmente, verifique se as variáveis de ambiente do sistema (PATH) incluem os caminhos para os diretórios do CUDA. Se necessário, adicione manualmente os seguintes caminhos, substituindo vX.Y pela sua versão do CUDA:

• C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vX.Y\bin
• C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vX.Y\libnvvp

4. Instalação do TensorFlow e Keras

Com o ambiente virtual ativado e os drivers NVIDIA configurados, instale as bibliotecas de deep learning. Utilizamos o pip, o instalador de pacotes do Python. Primeiro, instale a versão do otimizada para GPU do TensorFlow:

pip install tensorflow-gpu

Este comando instalará o TensorFlow e todas as suas dependências. Em seguida, instale o Keras, que funciona como uma API de alto nível para o TensorFlow:

pip install keras

Para confirmar que a instalação foi bem-sucedida e que o TensorFlow consegue detectar a GPU, execute o interpretador Python dentro do ambiente ativado e use o seguinte script de verificação:

import tensorflow as tf

print("Versão do TensorFlow:", tf.__version__)
gpus = tf.config.list_physical_devices('GPU')
if gpus:
    print("GPU(s) detectada(s):", gpus)
else:
    print("Nenhuma GPU foi detectada pelo TensorFlow.")

5. Configuração do Jupyter Notebook para o Ambiente Virtual

O Jupyter Notebook é uma ferramenta interativa muito utilizada para desenvolvimento e experimentação em data science. Para que o Jupyter utilize o kernel Python do nosso ambiente virtual keras_gpu_env, é necessário registrar o ambiente como um kernel do Jupyter.

Primeiro, certifique-se de que o ambiente virtual está ativado. Instale o pacote ipykernel, que permite esta integração:

pip install ipykernel

Em seguida, registre o ambiente com o seguinte comando:

python -m ipykernel install --user --name=keras_gpu_env --display-name="Python (Keras GPU)"

Agora, inicie o Jupyter Notebook com o comando jupyter notebook. Ao criar um novo notebook, você verá uma nova opção de kernel chamada "Python (Keras GPU)" na lista. Selecionando esta opção, seu código será executado no ambiente configurado, com acesso ao TensorFlow, Keras e ao suporte a GPU.