PyTorch¶

Dans cet article

• PyTorch : Fonctionnalités clés
• Fonctionnalités de déploiement
• Premiers pas après le déploiement
• Connexion et paramètres initiaux
• Commande d'un serveur avec PyTorch via l'API

PyTorch : Fonctionnalités clés¶

• Environnement PyTorch préconfiguré : dernière version stable de PyTorch préinstallée. Pilotes NVIDIA et paramètres CUDA optimisés. Prise en charge de la création et de la gestion de plusieurs environnements Python virtuels.
• Calculs tensoriels haute performance : ensemble riche d'opérations optimisées pour un travail efficace avec des tenseurs multidimensionnels (tableaux de données). Accélération des calculs sur les unités de traitement graphique (GPU) à l'aide de CUDA.
• Graphes de calcul dynamiques : définition flexible des graphes de calcul à l'exécution, plutôt que par compilation statique préalable. Convient aux tâches de recherche et au prototypage rapide de modèles.
• Différentiation automatique : mécanisme efficace et haute performance pour le calcul des gradients de fonctions complexes. Prise en charge des graphes de calcul dynamiques et des interfaces de haut niveau.
• Bibliothèque d'apprentissage profond : ensemble complet d'architectures pré-entraînées (CNN, RNN, Transformers, etc.). Kit d'outils complet pour l'entraînement, l'évaluation et le déploiement de modèles d'apprentissage profond.
• Extensibilité et compatibilité : possibilité de définir des opérations et des couches différentiables personnalisées. Intégration transparente avec d'autres bibliothèques populaires (NumPy, SciPy, Pandas, etc.) pour résoudre des tâches de traitement de données.

Le serveur PyTorch privé est conçu pour les chercheurs, les développeurs et les entreprises qui ont besoin d'un environnement de calcul sécurisé et haute performance pour développer et entraîner des modèles d'apprentissage automatique à l'aide de PyTorch. Il garantit un contrôle total sur les ressources et la confidentialité des données, tout en accélérant le processus d'entraînement des modèles grâce à l'utilisation de GPU NVIDIA modernes.

Fonctionnalités de déploiement¶

• Temps d'installation : 15 à 30 minutes avec le système d'exploitation ;
• Installe Python, PyTorch, CUDA et les pilotes NVIDIA ;
• Configuration système requise : carte graphique professionnelle (NVIDIA RTX A4000/A5000, NVIDIA H100), au moins 16 Go de RAM.

Premiers pas après le déploiement¶

Après la confirmation du paiement envoyée à votre adresse e-mail enregistrée, vous recevrez une notification indiquant que le serveur est prêt à l'emploi. Cette notification inclura l'adresse IP du VPS et les informations d'identification de connexion. Vous pouvez gérer l'équipement via notre Panneau de contrôle du serveur ou l'API - Invapi.

Les données d'authentification peuvent être trouvées dans le panneau Configuration >> Tags ou dans l'e-mail envoyé :

• Login : root pour l'administrateur, user pour travailler avec PyTorch ;
• Password : pour l'administrateur, reçu par e-mail lors du déploiement du serveur ; pour l'utilisateur user, situé dans le fichier /root/user_credentials.

Connexion et paramètres initiaux¶

Après avoir obtenu l'accès au serveur, vous devez établir une connexion avec celui-ci via SSH avec les privilèges superutilisateur (root) :

ssh root@<server_ip>

nano /root/user_credentials

Après l'exécution de la commande, un fichier texte contenant les informations d'identification de l'utilisateur user s'ouvrira. Vous devez copier le mot de passe de l'utilisateur user.

Ensuite, terminez la session root et reconnectez-vous au serveur via SSH en tant qu'utilisateur user, en utilisant le mot de passe copié. Alternativement, vous pouvez également exécuter la commande suivante en tant que root :

su - user

Cela assurera la transition vers le compte user.

Pour vérifier que les composants nécessaires sont correctement installés, vous pouvez exécuter le script :

./pytorch_install.sh

Le résultat de l'exécution de la commande :

Après avoir exécuté avec succès le script, vous devez activer l'environnement virtuel venv à l'aide de la commande :

. pytorch.sh

Vous pouvez maintenant commencer à travailler dans l'interpréteur Python en l'exécutant avec la commande :

python

L'interpréteur est prêt à recevoir des commandes et à exécuter du code.

Commande d'un serveur avec PyTorch via l'API¶