Jupyter Notebook acelerado en la GPU

Jupyter Notebook es un entorno de desarrollo moderno muy utilizado para el aprendizaje automático y la informática. Este software permite ejecutar código Python directamente desde una interfaz web y ver inmediatamente los resultados. Sin embargo, hay un problema: el código se ejecutará en la CPU. Si quieres que funcione en la GPU, tienes que crear un entorno virtual independiente. En esta guía, te mostraremos cómo hacerlo.

Instalar Anaconda

Empieza instalando la distribución Anaconda Python, que contiene herramientas para gestionar entornos virtuales. Descarga el script de shell:

wget https://repo.anaconda.com/archive/Anaconda3-2023.09-0-Linux-x86_64.sh

Haz ejecutable este script:

chmod a+x Anaconda3-2023.09-0-Linux-x86_64.sh

Ejecute la instalación:

./Anaconda3-2023.09-0-Linux-x86_64.sh

Durante el proceso, el sistema te pedirá que leas el acuerdo de usuario y que aclares algunos detalles de la instalación.

Instalar CUDA®

El siguiente paso es instalar la última versión del kit de herramientas NVIDIA® CUDA®. Puedes obtener información adicional visitando nuestra guía paso a paso Instalar el kit de herramientas CUDA® en Linux. La forma más sencilla de hacerlo es ejecutar los siguientes comandos. Obtener un archivo pin para el repositorio CUDA:

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin

Coloque este archivo en un directorio de configuración apt estándar:

sudo mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600

Descargue una copia local del repositorio CUDA® como un único paquete DEB:

wget https://developer.download.nvidia.com/compute/cuda/12.3.2/local_installers/cuda-repo-ubuntu2204-12-3-local_12.3.2-545.23.08-1_amd64.deb

Instala el paquete descargado:

sudo dpkg -i cuda-repo-ubuntu2204-12-3-local_12.3.2-545.23.08-1_amd64.deb

Crea un par de claves GPG para trabajar con un repositorio local de cuda:

sudo cp /var/cuda-repo-ubuntu2204-12-3-local/cuda-*-keyring.gpg /usr/share/keyrings/

Actualizar la caché de paquetes:

sudo apt-get update

Instala el kit de herramientas CUDA® utilizando el gestor apt estándar:

sudo apt-get -y install cuda-toolkit-12-3

Reinicie el servidor:

sudo shutdown -r now

Vuelva a conectarse a la sesión SSH con reenvío de puerto. Necesitas redireccionar el puerto 8888 a localhost 127.0.0.1:8888. Para más información, consulte este artículo.

Después de reiniciar, crea un entorno virtual separado para las tareas de GPU computing:

conda create --name gpu_env python==3.8

Vamos a instalar paquetes adicionales:

conda install -c anaconda tensorflow-gpu keras-gpu

Ten paciencia; esto puede tardar hasta 30 minutos. Ahora, estamos listos para añadir el entorno creado a la lista de disponibles.

python -m ipykernel install --user --name gpu_env --display-name "Python (GPU)"

Instala torch con soporte CUDA®. Estos paquetes son necesarios para ejecutar los ejemplos de código:

pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118

Ejecutar Jupyter Notebook

Puedes ejecutar este software con un solo comando:

(base) $ jupyter notebook

Abre la interfaz web utilizando el enlace y el token mostrados:

http://127.0.0.1:8888/?token=[put_your_own_token_from_console]

Pruebe su instalación con un pequeño código que compruebe la disponibilidad de CUDA:

import torch
torch.cuda.is_available()

Si todo es correcto, obtendrás un valor True después de ejecutarlo. También puede mostrar todas las GPUs NVIDIA® presentadas:

import subprocess
def get_gpu_info():
    try:
        return subprocess.check_output("nvidia-smi --query-gpu=gpu_name --format=csv,noheader", shell=True).decode('utf-8')
    except Exception as e:
        print(f"Error: {str(e)}")
        return None
print(get_gpu_info())

Ver también:

Actualizado: 28.03.2025

Publicado: 11.07.2024

?Tiene más preguntas? ?Escribanos!