Comment configurer votre système Linux pour le développement de l’IA

Dans l’article précédent, nous avons présenté les bases de l’IA et comment elle s’intègre dans le monde de Linux. Il est maintenant temps d’aller plus loin et de configurer votre système Linux pour commencer à créer votre premier modèle d’IA.

Que vous soyez un débutant complet ou que vous ayez une certaine expérience, ce guide vous guidera tout au long de l’installation des outils essentiels dont vous avez besoin pour commencer à utiliser des systèmes basés sur Debian.

Configuration système requise pour Ubuntu 24.04

Avant de commencer, assurons-nous que votre système répond aux exigences minimales pour le développement de l’IA.

Système d’exploitation : Ubuntu 24.04 LTS (ou plus récent).
Processeur : un processeur 64 bits avec au moins 2 cœurs (Intel Core i5 ou AMD Ryzen 5 ou supérieur recommandé pour des performances fluides).
RAM : minimum 4 Go de RAM (8 Go ou plus recommandés pour les modèles d’IA plus intensifs).
Stockage : Au moins 10 Go d’espace disque libre (le SSD est fortement recommandé pour des performances plus rapides).
Carte graphique (en option) : un GPU dédié (NVIDIA recommandé pour l’apprentissage en profondeur) avec au moins 4 Go de VRAM si vous prévoyez d’utiliser des frameworks tels que TensorFlow ou PyTorch avec accélération GPU.

Étape 1 : Installer Python sur Ubuntu

Python est le langage de programmation le plus populaire pour le développement de l’IA, en raison de sa simplicité, de sa puissance et de son énorme bibliothèque d’outils et de frameworks.

La plupart des systèmes Linux sont livrés avec Python préinstallé, mais assurons-nous que vous disposez de la dernière version. Si Python est installé, vous verrez quelque chose comme Python 3.x.x.

python3 --version

Si Python n’est pas installé, vous pouvez facilement l’installer à l’aide du gestionnaire de paquets.

sudo apt update
sudo apt install python3

Ensuite, vous devez installer pip (python package manager), qui vous aidera à installer et à gérer les bibliothèques Python.

sudo apt install python3-pip

Étape 2 : Installer Git sur Ubuntu

Git est un outil de contrôle de version qui vous permet de suivre les modifications de votre code et de collaborer avec d’autres, ce qui est essentiel pour le développement de l’IA car de nombreux projets d’IA sont partagés sur des plateformes comme GitHub.

sudo apt install git

Vérifiez l’installation en tapant :

git --version

Vous devriez voir quelque chose comme git version 2.x.x.

Étape 3 : Configurer un environnement virtuel dans Ubuntu

Un environnement virtuel vous permet de gérer vos projets et leurs dépendances de manière isolée, ce qui signifie que vous pouvez travailler sur plusieurs projets sans vous soucier des conflits entre les différentes bibliothèques.

Tout d’abord, assurez-vous que le paquet python3-venv est installé, qui est nécessaire pour créer un environnement virtuel.

sudo apt install python3-venv

Ensuite, vous devez créer un répertoire pour votre projet et configurer un environnement virtuel :

mkdir my_ai_project
cd my_ai_project
python3 -m venv venv
source venv/bin/activate

Après avoir exécuté les commandes ci-dessus, l’invite de votre terminal doit changer, indiquant que vous êtes maintenant à l’intérieur de l’environnement virtuel.

Étape 4 : Installer les bibliothèques AI sur Ubuntu

Maintenant que vous avez configuré Python, Git et l’environnement virtuel, il est temps d’installer les bibliothèques qui vous aideront à créer des modèles d’IA.

Certaines des bibliothèques les plus populaires pour l’IA sont TensorFlow, Keras et PyTorch.

Installer TensorFlow dans Ubuntu

TensorFlow est une bibliothèque open-source développée par Google qui est largement utilisée pour les projets d’apprentissage automatique et d’IA.

pip3 install tensorflow

Installer Keras dans Ubuntu

Keras est une API de réseaux neuronaux de haut niveau, écrite en Python, qui s’exécute sur TensorFlow.

pip3 install keras

Installer PyTorch dans Ubuntu

PyTorch est une autre bibliothèque d’IA populaire, en particulier pour l’apprentissage en profondeur.

pip3 install torch

Étape 5 : Construire votre premier modèle d’IA

Maintenant que votre système est prêt, construisons un modèle d’IA simple appelé réseau neuronal à l’aide de TensorFlow et Keras pour classer les chiffres manuscrits du célèbre ensemble de données MNIST.

Créez un nouveau fichier Python appelé first_ai_model.py et ouvrez-le dans votre éditeur de texte préféré.

sudo nano first_ai_model.py

En haut du fichier, ajoutez les importations suivantes pour importer les bibliothèques nécessaires :

import tensorflow as tf
from tensorflow.keras import layers, models

Ensuite, chargez le jeu de données MNIST, qui contient 60 000 images de chiffres manuscrits (0-9) pour entraîner notre modèle.

(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()

Prétraitez les données pour normaliser les images à des valeurs comprises entre 0 et 1 en divisant par 255.

train_images, test_images = train_images / 255.0, test_images / 255.0

Construisez le modèle en créant un réseau neuronal simple avec une couche cachée.

model = models.Sequential([
    layers.Flatten(input_shape=(28, 28)),
    layers.Dense(128, activation='relu'),
    layers.Dense(10)
])

Compilez le modèle en spécifiant l’optimiseur, la fonction de perte et les mesures d’évaluation.

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

Entraînez le modèle à l’aide des données d’entraînement.

model.fit(train_images, train_labels, epochs=5)

Enfin, testez le modèle sur les données de test pour voir ses performances.

test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)

Étape 6 : Exécuter le modèle d’IA

Une fois que vous avez écrit le code, enregistrez le fichier et exécutez-le dans votre terminal :

python3 first_ai_model.py

Le modèle commencera l’entraînement et, après 5 époques, il affichera la précision du test. Plus la précision est élevée, meilleures sont les performances du modèle.

Félicitations, vous venez de créer votre premier modèle d’IA !

Conclusion

Dans ce guide, nous avons expliqué comment configurer votre système Linux pour le développement de l’IA en installant Python, Git et les bibliothèques d’IA essentielles telles que TensorFlow, Keras et PyTorch.

Nous avons également expliqué la création d’un réseau neuronal simple pour classer les chiffres écrits à la main. Avec ces outils et ces connaissances, vous êtes maintenant prêt à explorer le monde passionnant de l’IA sur Linux !

Restez à l’écoute pour d’autres articles de cette série, où nous approfondirons les techniques de développement de l’IA et explorerons des sujets plus avancés.