Arch Linux’ta Yapay Zeka Araçlarını Terminal Üzerinden Kullanmak
Merhabalar Ben @Phobos Lojistik grup adına paylaşılan Arch Linux’ta Yapay Zeka Araçlarını Terminal Üzerinden Kullanmak makalesinde sizi görmekten mutluyum.
Arch Linux; sade, hızlı, güncel ve kontrolün tamamen sizde olduğu bir sistemdir. Peki bu gücü yapay zekâ ile birleştirmeye hazır mısınız?
Bu yazıda, hiçbir grafik arayüz kullanmadan, yalnızca terminal üzerinden TensorFlow, PyTorch ve diğer yapay zekâ kütüphanelerini nasıl kurup çalıştıracağınızı adım adım öğreneceksiniz.
Sadece öğrenmeyeceksiniz — uygulayarak kuracaksınız.
Ardından Python, pip ve geliştirme araçlarını kuruyoruz
Kurulumun başarıyla tamamlandığını test etmek için
GPU (NVIDIA) desteği varsa aktif mi kontrol edelim
Yeni bir dosya oluşturun
Aşağıdaki örnek kodu yapıştırın
Çalıştırmak için
Terminalde sadece çalıştırmak isterseniz
Gelen bağlantıyı tarayıcıya yapıştırarak kullanabilirsiniz.
Ardından terminal profilinize CUDA yollarını tanımlayın
Daha sonra farklı bir sistemde bu ortamı aynı şekilde kurmak için
TensorFlow ve PyTorch projeleri geliştirebilir,
Merhabalar Ben @Phobos Lojistik grup adına paylaşılan Arch Linux’ta Yapay Zeka Araçlarını Terminal Üzerinden Kullanmak makalesinde sizi görmekten mutluyum.
Arch Linux; sade, hızlı, güncel ve kontrolün tamamen sizde olduğu bir sistemdir. Peki bu gücü yapay zekâ ile birleştirmeye hazır mısınız?
Bu yazıda, hiçbir grafik arayüz kullanmadan, yalnızca terminal üzerinden TensorFlow, PyTorch ve diğer yapay zekâ kütüphanelerini nasıl kurup çalıştıracağınızı adım adım öğreneceksiniz.
Sadece öğrenmeyeceksiniz — uygulayarak kuracaksınız.
Başlamadan Önce: Arch Linux Neden Tercih Edilmeli?
Arch Linux; derin özelleştirme, sade yapı ve en güncel paketlerle çalışma imkânı sunar. AI dünyasında çoğu zaman sistemin nasıl çalıştığını detaylı bilmek gerekir. Bu nedenle, yapay zekâya ciddi bakan geliştiriciler, Arch Linux’u tercih eder.Sistem Güncelleme ve Gerekli Paketlerin Kurulumu
İlk adım sistemin en güncel hale getirilmesidir. Terminali açın
Kod:
sudo pacman -SyuArdından Python, pip ve geliştirme araçlarını kuruyoruz
Kod:
sudo pacman -S base-devel git python python-pipYalıtılmış Python Ortamı Oluşturma (Virtual Environment)
Aynı sistemde birden fazla AI projesi çalıştırmak istiyorsanız, her biri için izole ortam (virtualenv) oluşturmalısınız.
Kod:
pip install --user virtualenv
python -m venv ai-proje
source ai-proje/bin/activateTensorFlow Kurulumu ve Testi
TensorFlow, sinir ağlarıyla çalışmak için en güçlü kütüphanelerden biridir. Kurulum
Kod:
pip install --upgrade pip
pip install tensorflowKurulumun başarıyla tamamlandığını test etmek için
Kod:
python -c "import tensorflow as tf; print(tf.version)"PyTorch Kurulumu ve GPU Desteği Kontrolü
Alternatif bir framework olan PyTorch özellikle esnek yapısı ve eğitim sürecini kolayca kontrol edebilmeniz açısından tercih edilir.
Kod:
pip install torch torchvision torchaudioGPU (NVIDIA) desteği varsa aktif mi kontrol edelim
Kod:
python -c "import torch; print(torch.cuda.is_available())"Gerçek Uygulama: TensorFlow ile Basit Bir Eğitim Yap
Hemen gerçek bir örnekle modeli eğitelim.Yeni bir dosya oluşturun
Kod:
nano mnist_model.pyAşağıdaki örnek kodu yapıştırın
Python:
import tensorflow as tf
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10)
])
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
model.fit(x_train, y_train, epochs=1)
model.evaluate(x_test, y_test)Çalıştırmak için
Kod:
python mnist_model.pyJupyter Notebook (İsteğe Bağlı – Tarayıcı Üzerinden Kodlama)
Eğer tarayıcıda etkileşimli kod yazmak istiyorsanız
Kod:
pip install notebook
jupyter notebookTerminalde sadece çalıştırmak isterseniz
Kod:
jupyter notebook --no-browser --ip=127.0.0.1 --port=8888Gelen bağlantıyı tarayıcıya yapıştırarak kullanabilirsiniz.
CUDA + NVIDIA GPU Desteği (İleri Seviye Kullanıcılar için)
NVIDIA GPU’ya sahipseniz CUDA ve cuDNN yükleyerek modelleri çok daha hızlı eğitebilirsiniz.
Kod:
sudo pacman -S nvidia cuda cudnnArdından terminal profilinize CUDA yollarını tanımlayın
Kod:
echo 'export PATH=/opt/cuda/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/opt/cuda/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrcDiğer Faydalı Kütüphaneler
Yapay zeka projelerinde genellikle şu kütüphaneler de gerekir- Görselleştirme:
Kod:pip install matplotlib seaborn - Veri bilimi:
Kod:pip install pandas numpy - Makine öğrenmesi:
Kod:pip install scikit-learn - HuggingFace Transformer Modelleri:
Kod:pip install transformers
requirements.txt ile Ortamı Saklama
Yaptığınız kurulumları bir dosyada tutmak için
Kod:
pip freeze > requirements.txtDaha sonra farklı bir sistemde bu ortamı aynı şekilde kurmak için
Kod:
pip install -r requirements.txtTensorFlow ve PyTorch projeleri geliştirebilir,
- GPU ile yüksek performanslı eğitimler yapabilir,
- Jupyter veya terminal üzerinden AI deneylerinizi gerçekleştirebilirsiniz.
