Subsistema de Windows para Linux para científicos de datos
Ubuntu es la opción número uno para los científicos de datos en todo el mundo. También es, con mucho, la distribución de Linux más popular que utiliza productos de aprendizaje automático en nubes públicas. Sin embargo, no olvidaremos a nuestros amigos de Windows, muchos de ellos tienen sus sistemas operativos elegidos por el departamento de TI de la empresa. Gracias al subsistema de Windows para Linux, los usuarios de Windows aún pueden obtener todos los beneficios de usar Ubuntu.
Esta publicación de blog lo guiará a través de la configuración completa desde una nueva instalación de Windows 10 hasta un entorno de trabajo completo para científicos de datos. Suponga que tiene una computadora portátil / de escritorio con Windows 10 y GPU NVidia. Lo que queremos lograr es esta pila:
Primero, debemos comenzar instalando WSL.
Abra PowerShell como administrador:
Escriba el siguiente comando para habilitar WSL:
dism.exe / online / enable-feature / featurename: VirtualMachinePlatform / all / norestart
Reinicia tu computadora.
Después de reiniciar, descargue e instale el kernel de Linux WSL 2 de Microsoft para la arquitectura de su dispositivo:
Finalmente, le recomendamos que configure WSL 2 como el entorno WSL predeterminado:
wsl.exe –set-default-version 2
Descargue Ubuntu para WSL desde Microsoft Store.
desde Comienzo menú.
Elija un nombre de usuario y contraseña para su usuario administrativo.
Una vez completada la instalación de Ubuntu, le recomendamos que descargue y pruebe el nuevo Terminal de Windows Obtenga la mejor experiencia de Ubuntu en WSL.
A continuación, instale el controlador de GPU correcto.Según su GPU, desde https://developer.nvidia.com/cuda/wsl/downloadNo es necesario instalar controladores en WSL VM porque usan controladores instalados en Windows.
Después de eso, abra una terminal de Windows y configure Docker en su instalación de Ubuntu:
curl https://get.docker.com | silencio
Distribución = $ (./ etc / os-release; echo $ ID $ VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add –
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee / etc / apt / sources.list.d / nvidia-docker.list
sudo apt-get update
sudo apt-get install -y nvidia-docker2
Sudo service docker stop
Se inicia la ventana acoplable del servicio Sudo
Ahora, verifique que todo esté bien ejecutando un punto de referencia:
docker run –gpus all nvcr.io/nvidia/k8s/cuda-sample:nbody nbody -gpu -benchmark
Después de esto, instale Pila de ciencia de datos:
clon de git https://github.com/NVIDIA/data-science-stack
pila de ciencia de datos de cd
./data-science-stack sistema de configuración
Esto le permite ahora usar todas las herramientas necesarias para crear y ejecutar contenedores:
./data-science-stack list
./data-science-stack contenedor de compilación
./data-science-stack Ejecuta el contenedor
Lo opuesto a construir un contenedor es limpiar un contenedor.
Una vez que todo esté configurado, ahora puede ir a http: // localhost: 8888 / Y disfrute de todas las funciones del portátil Jupyter y la CLI de Linux.
Por ejemplo, puede probar una computadora portátil HP serie Z, que está equipada con Entorno preestablecido De esta manera, puede comenzar a trabajar tan pronto como se inicie la nueva máquina por primera vez.
Hay muchas razones por las que Ubuntu se ha convertido en el sistema operativo estándar de facto para la ciencia de datos.Puedes encontrarlos en https://ubuntu.com/ai
