코랩의 한계를 마주치고, 로컬에서 딥러닝 환경을 구축할 필요성을 느끼게 되었다.
Google Colab이 예전보다 많이 런타임 세션이 줄어들었다고 풍문으로만 들었는데, 직접 경험해보니 이제 코랩에서는 못하겠구나라는 생각이 들었다. 그래서 실습실 컴퓨터를 이용하여 직접 환경을 구축하기로 마음먹었다.
콘다 가상환경을 이용하여 프레임워크를 구축하면 좋다고 들어서 콘다 위에 빌드한다. 만약 콘다를 사용하지 않고 로컬에서 구축하게 된다면 1. 자기 컴퓨터 스펙에 맞는 CUDA 버전을 확인 2. 사용하고자하는 라이브러리-ex: pytorch, tensorflow등에 맞는 버전의 CUDA로 크로스 체크 후 설치 3. cuDNN도 마찬가지의 스텝에 따라 설치. 이와 같은 스텝을 밟아야 하므로 복잡해진다.
하지만 아나콘다 환경에서 구축하면 간단하게 완료할 수 있다. 아나콘다는 설치가 되어있다고 가정하에 진행하겠다.
(1) 콘다 환경 생성 및 활성화
conda creat --name capstone_24여기서 name 인자는 원하는 이름으로 설정하면 된다. 나는 'capstone_24' 이름으로 환경을 만들어 준 후, 환경을 활성화 시켰다.
conda activate capstone_24그러면 (base)에서 (capstone_24)로 바뀌어 보일 것이다.
(2) CUDA 및 CUDNN 설치
위키피디아 CUDA 항목에서 확인할 수도 있고, 그냥 CUDA 설치 페이지에 들어가면 환경에 맞는 CUDA 다운로드 창이 자동으로 뜬다. 자기 스펙에 맞는 툴킷을 설치해주면 된다.
conda install -c anaconda cudatoolkit==[version]나는 직접 찾기 귀찮아서 conda-forge라는 옵션을 주어서 설치하였다.
conda install -c conda-forge anaconda cudatoolkit그 다음 CUDNN은 CUDA 설치를 했다면, 호환이 되는 버전으로 자동으로 깔 수 있다.
conda install -c anaconda cudnn
(3) 설치 여부 확인
conda list
이렇게 확인할 수 있으면 설치가 잘 된 것이다.
(4) 필요한 라이브러리- PyTorch 설치
PyTorch 설치를 위해서는 공식 홈페이지에 들어간다. START LOCALLY로 들어가면 각 환경에 맞게 토치 설치 스펙을 설정할 수 있다.
저 커맨드를 그대로 써주면 설치가 된다.
(5) 최종 체크
편의를 위해서 jupyter notebook에서 torch가 잘 설치 되었는지 확인해보겠다. 쥬피터를 사용하기 전에 conda와 쥬피터의 커널을 동기화 해주어야한다. 쥬피터의 기본 커널은 'python3(ipykernel)'으로 되어있을 것이다.
(capstone_24)>python -m ipykernel install --user --name capstone_24을 해주면 새 노트북을 만들 때 커널 설정으로 capstone_24가 뜰 것이다. 아니면 디폴트 커널로 생성후 Kernel>Change Kernel...을 통해 바꾸어 주면 된다.
아니면 그냥 터미널 상에서
python
>>> import torch으로 간단하게 체크해도 된다.
잘 import되면 환경 구축은 다 된 것이다.
<reference>
https://yjs-program.tistory.com/199