딥러닝 환경 구축의 모든 것

착한어른이·2022년 4월 5일
2
post-thumbnail

Introduction

WSL을 활용하여 자신만의 딥러닝 환경을 구축해볼 수 있습니다.

1. WSL(Windows Subsystem for Linux) 설치

WSL(Linux용 Windows 하위 시스템)을 사용하면 개발자가 기존 가상 머신의 오버헤드 또는 듀얼 부팅 설정 없이 대부분의 명령줄 도구, 유틸리티 및 애플리케이션을 비롯한 GNU/Linux 환경을 수정하지 않고 Windows에서 직접 실행할 수 있습니다.

  1. 관리자 모드로 Windows 명령 프롬프트에서 아래 명령을 입력합니다.
  1. Command 창에서 bash (또는 wsl)를 입력하면 바로 WSL이 실행되는 것을 확인할 수 있습니다.

  2. home directory로 이동한 다음, wget 명령어를 활용하여 Miniconda를 다운로드 및 설치합니다.

⚠️ wget: unable to resolve host address error 발생한 경우
  1. sudo vi /etc/resolv.conf
  2. nameserver 8.8.8.8 추가
(참고: https://heum-story.tistory.com/29)


2. conda 환경 설치

  1. WSL내 Miniconda 환경 아래 conda environment를 설치합니다.
    python 버전은 3.8, name이 ML인 환경을 새로 생성해 보겠습니다.

  2. 이후, 실습 파일을 실행하는데 필요한 라이브러리를 설치합니다.

  3. conda list 명령어를 사용하면 환경 내 설치된 라이브러리 목록을 확인할 수 있습니다.
    일부 library만 표기해보면 다음과 같습니다.

⚠️ conda 명령어 사용시 Solving Environment에서 무한 로딩이라면?
나의 경우, stackoverflow 페이지에 올라와 있는 channel priority로 해결되지 않았다. C++로 작성된, 빠른 conda package 관리자인 mamba를 사용하면 이런 문제가 발생하지 않았다.
(참고: https://github.com/mamba-org/mamba)

✅ 가상환경 내에 tensorflow를 설치하는 올바른 방법
tensorflow 공식 페이지에 나와 있듯이 tensorflow 설치시 conda가 아닌 pip로 설치를 권장하고 있다. cudatoolkit이나 cudnn 등은 conda로 설치하고, 페이지를 참고하여 tensorflow를 설치하면 된다.
(참고: https://www.tensorflow.org/install/pip?hl=en)

✅ WSL2에 CUDA 설치하는 방법
tensorflow 2.10 버전까지만 native Windows에서 GPU를 지원한다고 한다. 이후 버전부터는 Ubuntu 또는 WSL 환경을 권장하고 있다.
(참고: [ML] WSL2 : Install Tensorflow (GPU))


3. git 설정

  1. ssh-keygen 명령어를 사용해 ssh key를 생성합니다.

  2. Github Repository에 SSH public key를 등록합니다. 위치: SettingsSSH and GPG keys

  1. repository를 clone합니다.

4. vscode 연동

  1. visual studio code에서 ‘Remote Development’ extension을 추가합니다.
    그러면 vscode 내에서 WSL 환경에 접속하여 파일 작업을 할 수 있습니다.

  2. 설치한 가상환경 내에서 ipynb 파일 내 code block이 정상적으로 동작함을 확인할 수 있습니다.

profile
자칭 MMMIL 지박령 :D

0개의 댓글