📍ANACONDA

Anaconda는 주로 Python과 R에서 패키지 관리와 패키지 버전 관리를 용이하게 하기 위해서 사용한다. 주로 가상환경을 만들어서 가상환경별로 독립적인 패키지 버전 관리가 가능하다는 장점이 있다.

아나콘다 설치 후 initialize가 된 상태에서 가상환경을 따로 만들지 않은 경우 base 환경이라고 표현합니다.

• base에서 pytorch가 설치되어 있지 않고,

• A라는 가상환경을 아나콘다로 만들어 1.2.0 버전의 pytorch를 설치하고,

• B라는 가상환경에선 1.8.0 버전을 설치했으면,

우리는 base와 A, B라는 각각 독립적으로 다른 환경을 사용할 수 있게 되는 것이다. 그리고 이 각각의 가상환경들은 각자의 패키지 버전에 영향을 받지 않는다.
특히, 딥러닝 연구자의 입장에선 다양한 프로젝트의 코드를 관리하기 위해 없어서는 안되는 중요한 역할을 한다.

👩🏻‍💻 Anaconda 설치

✏️ Anaconda 다운로드

https://www.anaconda.com/ 에서 Mac에 호환되는 파일을 다운받고, 파일을 클릭하여 설치를 진행한다.

✏️ Conda 설정 반영하기

설치가 끝난 후, conda 명령어를 쓰려고 하면 다음과 같은 에러가 난다.

% conda --help 
zsh: command not found: conda

아나콘다 설치 폴더가 환경변수에 제대로 등록되지 않았기 때문에 발생하는 문제이다. 이 경우 다음과 같은 명령어를 통해 환경변수를 적용시켜준다.

% source ~/.zshrc

환경변수 적용 후 다시 실행하면 정상적으로 작동하여 conda 명령어를 사용할 수 있다.

---

📍PYTORCH

Pytorch는 페이스북의 인공지능 연구팀이 개발한 파이썬 기반 오픈소스 라이브러리인 Torch에 바탕을 두고 만들어진 프레임워크이다. 코드를 깔끔하고 직관적으로 작성할 수 있다는 장점이 있으며, 그래프를 만들면서 동시에 값을 할당하는 Define by run 방식을 사용한다.
TensorFlow는 신경망을 유기적으로 만들 수 없다는 성능의 한계가 있지만, Pytorch는 메모리에서 연산 하면서도 신경망 사이즈도 최적으로 동작시킬 수 있다는 강점이 있고, 학습 속도도 더 빠르다. Pytorch는 Numpy를 대체할 수 있으며 GPU를 이용한 연산도 가능하므로, 최근 딥러닝 관련 논문들이나 업계에서도 텐서플로우보다는 연산도 가능하고 속도도 빠른 Pytorch를 선호하는 추세이다.

👩🏻‍💻 Pytorch 설치

✏️ Pytorch 다운로드

https://pytorch.org/get-started/locally/ 에서 본인에게 맞는 버전을 택하고 복사하여 터미널에 붙여 넣는다.

# MPS acceleration is available on MacOS 12.3+
% conda install pytorch::pytorch torchvision torchaudio -c pytorch

✏️ GPU 가속하기 (Feat. MPS)

NVIDIA GPU에서 cuda 장치를 사용하는 것처럼, Apple Silicon에서는 mps 장치를 사용한다. mps는 Apple의 Metal Performance Shaders Framework를 사용하기 때문에 붙여진 이름이다.

현재 설치된 PyTorch 빌드가 mps backend를 지원하는지는 다음과 같이 확인해보실 수 있다.

>>> import torch
>>> print(torch.__version__)  # pytorch 버전 확인
>>> print(torch.backends.mps.is_available())  # 현재 기기에 사용 가능한 MPS 장치가 있는지 확인 (= torch.cuda.is_available())
>>> print(torch.backends.mps.is_built())  # 현재 설치된 PyTorch 빌드가 mps backend를 지원하는지 확인

2.0.1
True
True

만약 torch.backends.mps.is_built()의 결과가 True가 아니라면, conda 또는 PyTorch를 다시 설치해야 한다.

cuda 장치와 마찬가지로 torch.device("mps")와 같이 mps 장치를 지정한 뒤, Tensor나 모델을 이동하고 사용할 수 있다.
아래는 PyTorch 공식 문서의 예시 코드이다.

mps_device = torch.device("mps")

# MPS 장치에 바로 tensor를 생성합니다.
x = torch.ones(5, device=mps_device)
# 또는
x = torch.ones(5, device="mps")

# GPU 상에서 연산을 진행합니다.
y = x * 2

# 또는, 다른 장치와 마찬가지로 MPS로 이동할 수도 있습니다.
model = YourFavoriteNet()  # 어떤 모델의 객체를 생성한 뒤,
model.to(mps_device)       # MPS 장치로 이동합니다.

# 이제 모델과 텐서를 호출하면 GPU에서 연산이 이뤄집니다.
pred = model(x)

---

📍TENSORFLOW

TensorFlow는 구글(Google)에서 만든, 딥러닝 프로그램을 쉽게 구현할 수 있도록 다양한 기능을 제공해주는 라이브러리다. Python을 최우선으로 지원하며 대부분의 편한 기능들이 파이썬 라이브러리로만 구현되어 있어 Python에서 개발하는 것이 편하다. TensorFlow를 사용하는 가장 큰 장점은 추상화에 있고, 디버깅과 시각화에 매우 능한 플랫폼이다.

👩🏻‍💻 TensorFlow 설치

✏️ TensorFlow 다운로드

1. TensorFlow dependencies 설치

conda install -c apple tensorflow-deps

2. TensorFlow 설치

python -m pip install tensorflow-macos

3. TensorFlow-Metal (GPU framework) 설치

python -m pip install tensorflow-metal

TensorFlow 설치는 완료하였고, 제대로 설치되었는지 확인한다.

import tensorflow as tf
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))

다음과 같은 OUTPUT이 나오면 GPU가 제대로 작동하는 것이다.

Num GPUs Available: 1

GPU를 이용하여 모델의 학습을 더 빠르게 진행할 수 있다.