Virtual Env. di Linux

-
Virtual enviroment merupakan salah satu fasilitas yang dibutuhkan untuk memisahkan antara file-file eksekusi/library yang digunakan untuk OS system dengan yang file-file eksekusi/library yang digunakan untuk kerperluan lain. Mengapa demikian? karena ada kalanya library yang digunakan oleh OS mempunyai lebih rendah daripada yang kita ingin gunakan untuk pekerjaan yang lain. Selain itu, virtual env juga bisa digunakan untuk penggunaan multi user pada komputer yang sama tetapi dengan space privasi yang berbeda.

Ok. Pada postingan ini saya ingin mendeskripsikan bagaimana menginstall virtualenv pada OS Linux (saya menggunakan Debian Linux sebagai primary OS). Sebelum melakukan instalasi, kita perlu mengupdate seluruh list paket yang ada di aplikasi apt dengan perintah berikut

sudo apt-get update

Jika proses lancar kita bisa langsung melakukan instalasi dengan menggunakan perintah berikut

sudo apt-get install virtualenv

Selesai! Saatnya untuk melakukan konfigurasi terhadap custom enviroment yang diinginkan.Langkah pertama sebelum melakukan konfigurasi adalah menentukan python versi berapa yang akan digunakan sebagai intepreter. Untuk urusan ini, saya lebih senang menggunakan python versi 2.X daripada 3.X tetapi keduanya dapat digunakan tergantung dari kebutuhan pengembangan program. Tahapan pembuatan virtual enviroment adalah sebagai berikut:
  1. Pindahkan direktori ke direktori project sesuai dengan kebutuhan
    fuad@tomiko:~$ cd keras-gpu
  2. Buat virutal environment dan jangan lupa untuk menyertakan versi python yang diinginkan
    fuad@tomiko:~/keras-gpu$ virtualenv -p python2.7 env
    env merupakan direktori target yang akan dijadikan tempat instalasi seluruh library yang dibutuhkan.
  3. Aktifkan virtual env dengan menggunakan perintah berikut
    fuad@tomiko:~/keras-gpu$ env/bin/activate
(env) fuad@tomiko:~/keras-gpu$
    Tanda (env) mengindikasikan bahwa Anda sedang berada di dalam lingkungan virtual
  4. Install library python yang dibutuhkan dengan menggunakan aplikasi pip
    (env) fuad@tomiko:~/keras-gpu$ pip install keras tensorflow-gpu numpy scipy matplotlib
  5. Selesai
Seluruh paket library yang diinstall dalam virtual enviroment akan berada dalam direktori env (tidak harus env, Anda dapat mengubahnya sesuai kebutuhan). 

Selamat mencoba dan Happy Brewing ,,,

Komentar

Posting Komentar

Postingan populer dari blog ini

Deskripsi: Fine-Grained Classification

-
Gambar
Fine-Grained Classification merupakan salah satu topik pada bidang visi komputer (Computer Vision) dengan tujuan pengenalan (klasifikasi) benda detil (fine-grained). Sebagai contoh, fine-grained car classification adalah penelitian dengan tujuan melakukan pengenalan merk mobil, seperti BMW i320 versi 2010, dll. Selain mobil, ada beberapa fine-grained dataset yang tersedia secara publik untuk digunakan dalam penelitian, diantaranya adalah dataset keanekaragaman burung, keanekaragaram kupu-kupu, tipe pesawat terbang, keanekaragaman bunga, dll.
Baca selengkapnya

Pengacakan List / Array

-
Gambar
Pengacakan list atau array merupakan salah satu cara untuk menciptakan susunan acak data pada saat proses pelatihan klasifier, seperti CNN (Convolutional Neural Network) atau DNN (Deep Neural Network). Lalu bagaimana melakukan pengacakan yang konsisten? sehingga hasil pengacakan bisa digunakan untuk menyusun data lain yang berhubungan dengan data utama untuk proses pelatihan.
Baca selengkapnya

Caffe Deep Learning Framework

-
Gambar
Caffe Deep Learning Framework ( http://caffe.berkeleyvision.org/ ) merupakan salah satu dari sekian banyak deep learning framework yang dapat digunakan untuk merancang dan menjalankan klasifier neural network. Mengapa Caffe saya pilih? Kembali ke pertengahan tahun 2014, ketika pertama kali saya melakukan penelitian tentang deep learning dan hanya beberapa framework yang tersedia, diantaranya adalah Caffe, Theano, dan DeepLearning4J. DeepLearning4J tidak mungkin saya pilih karena pada waktu itu hanya terdapat interface ke Java dan C++. Theano merupakan kandidat kedua dan saya menggunakannya dalam beberapa bulan, tetapi saya cukup mempelajari bagaimana menggunakan Theano untuk merancang suatu neural network klasifier. Pilihan terakhir adalah Caffe dan ternyata saya cukup mudah mempelajari bagaimana Caffe bekerja. Dari akhir tahun 2014 hingga tahun 2017, cukup banyak pula para peneliti yang menggunakan framework tersebut sehingga tersedia banyak dukungan untuk troubleshooting. Hingg...
Baca selengkapnya