Skip to content

Latest commit

 

History

History
82 lines (57 loc) · 2.21 KB

README.md

File metadata and controls

82 lines (57 loc) · 2.21 KB

Analise de Sentimento em Imagens

1 - Autor

Nome: Joberth Rogers Tavares Costa
Matrícula: 160128013 Curso: Engenharia de Software (Bacharel) Universidade de Brasília

2 - Descrição

Este repositório reúne todos os scripts desenvolvidos durante a execução do trabalho de conclusão de curso voltado para a classificação de sentimento em imagens usando as técnicas de Deep Learning (DL).

3 - Execução

3.1 - Requisitos

- jupter notebook ou anaconda
- docker

3.2 Etapas para executar

  • Primeiro clone o repositório.
3.2.1 Instalando container do CUDA Toolkit
  • Configure o repositório mais estável e chave GPG:
distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \
&& curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - \
&& curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

Instale o pacote nvidia-docker2 (e dependências) depois de atualizar a lista de pacotes:

sudo apt-get update

sudo apt-get install -y nvidia-docker2

Reinicie o daemon do Docker para concluir a instalação:

sudo systemctl restart docker

Após o sucesso dos comandos acima, teste usando:

sudo docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi
3.2.2 Buildando o container do tensoflow com jupyter
  • Builde usando o comando:
sudo docker run --gpus all -it --rm -v $(realpath /caminho/para/diretorio/dos/notebooks):/tf/notebooks -p 8888:8888 -t jupyter-workspace tensorflow/tensorflow:nightly-gpu-jupyter
  • Entre no container com o comando:
sudo docker exec -it jupyter-workspace bash && cd notebooks
  • Instale todas as dependências com o comando:
pip3 install -r requirements.txt
  • Acesse os notebooks acessando o link abaixo em seu browser:
http://localhost:8888/?token=token_fornecido_terminar_de_builda_o_container

Referências: