دفتر یادداشت دیجیتال برای هر چیز مفید!
ابتدا توزیع پایتون anaconda را نصب می کنیم (من از 3.7 64 بیتی استفاده میکنم)
wget https://repo.anaconda.com/archive/Anaconda3-5.3.0-Linux-x86_64.sh
sudo bash Anaconda3-5.3.0-Linux-x86_64.sh
conda create -n TFGPU anaconda python=3.5
conda activate TFGPU
conda install tensorflow-gpu
در این حالت، یک warning مبنی بر deprecate شدن یک متد از numpy در نسخه های آتی دریافت میکنیم که خیلی مساله مهمی نیست (برنامه نویسان tensorflow باید آن را رفع کنند!).
برای نصب، ابتدا درایور مربوطه و CUDA نسخه 10 را از سایت رسمی nVidia دریافت میکنیم
http://us.download.nvidia.com/tesla/410.72/NVIDIA-Linux-x86_64-410.72.run
سپس، نصب را با استفاده از دستورات زیر به انجام میرسانیم
sudo dpkg --add-architecture i386
sudo apt-get update
sudo apt install build-essential libc6:i386
sudo bash NVIDIA-Linux-x86_64-410.72.run
nvidia-smi
برای نصب cudnn نیز از بسته های deb آماده سایت nVidia میتوان استفاده نمود:
sudo dpkg -i *.deb
کار تمام است.
rpm --import https://www.elrepo.org/RPM-GPG-KEY-elrepo.org
rpm -Uvh http://www.elrepo.org/elrepo-release-6-8.el6.elrepo.noarch.rpm
yum --enablerepo=elrepo-kernel install kernel-lt
nano /etc/grub.conf # change default = 1 to default = 0
shutdown -r 0
rpm -iUvh http://dl.fedoraproject.org/pub/epel/6/x86_64/epel-release-6-8.noarch.rpm
yum update -y
yum -y install docker-io
docker -d
مرجع: https://medium.com/@NMeyen/installing-docker-on-centos-6-x-811f5ec06652
for /L %G in (1,1,30) do net user user%G 123 /add
for /L %G in (1,1,30) do net localgroup "Remote Desktop Users" user%G /add
for /L %G in (1,1,30) do net user user%G /Passwordchg:no
conda install tqdm
pip install graphviz
conda install opencv bcolz graphviz
conda install ipyparallel
conda install pandas
conda install keras jupyter notebook
conda install scikit-image ipyparallel
conda install scikit-learn seaborn
conda install torch dask jupyter tensorflow
اصول قالببندی برنامههای پایتون -- PEP 8 -- Style Guide for Python Code
مقاله و ابزار جالبی بود که تصادفی به آن برخوردم.
Semantic Style Transfer and Turning Two-Bit Doodles into Fine Artworks
https://arxiv.org/abs/1603.01768
و پیاده سازی آن
فقط کافی است کد زیر در ابتدای notebook قرار گیرد:
!pip install fastai
!apt-get -qq install -y libsm6 libxext6 && pip install -q -U opencv-python
import cv2
from os import path
from wheel.pep425tags import get_abbr_impl, get_impl_ver, get_abi_tag
platform = '{}{}-{}'.format(get_abbr_impl(), get_impl_ver(), get_abi_tag())
accelerator = 'cu80' if path.exists('/opt/bin/nvidia-smi') else 'cpu'
!pip install -q http://download.pytorch.org/whl/{accelerator}/torch-0.3.0.post4-{platform}-linux_x86_64.whl torchvision
import torch
!pip install Pillow==4.0.0
!pip install image
%matplotlib inline
from fastai.imports import *
به صورت تصادفی به این مطلب جالب برخورد کردم.
The best academic acknowledgements ever
منتشر شده در
https://www.timeshighereducation.com/blog/best-academic-acknowledgements-ever
به منظور ارسال برنامه به سروری خاص در بستر محاسبات سریع از این فایل استفاده می کنم.
#PBS -S /bin/bash
### General Options ###
#PBS -N Name-of-Regressuin
#PBS -V
### Resource Handling ###
#PBS -l nodes=p4.hpc.vru.ac.ir:ppn=4
#PBS -q test
#PBS -l walltime=10:0:0
### Output Stream Options ###
### Mail Options ###
#PBS -m bea
### Bash script ###
دستورات لازم جهت اجرای برنامه
exit 0