PyTorch ইনস্টলেশন এবং সেটআপ

PyTorch ইনস্টল করা একটি সহজ প্রক্রিয়া। তবে, আপনি যদি CUDA ব্যবহার করতে চান (যা GPU তে PyTorch চালানোর জন্য প্রয়োজন), তবে আপনাকে সঠিক সংস্করণ ইনস্টল করতে হবে। নিচে PyTorch ইনস্টল করার জন্য স্টেপ বাই স্টেপ গাইড দেওয়া হলো।

১. প্রথমে Python ইনস্টল করুন

PyTorch ব্যবহার করতে হলে আপনার সিস্টেমে Python ইনস্টল থাকতে হবে। আপনি Python 3.6 বা এর বেশি ভার্সন ব্যবহার করতে পারবেন। Python ইনস্টল করার জন্য:

1. Python অফিসিয়াল সাইট থেকে ডাউনলোড করুন.
2. ইনস্টলার চালু করুন এবং "Add Python to PATH" চেকবক্সটি সিলেক্ট করুন, তারপর ইনস্টল করুন।

২. PyTorch ইনস্টল করার জন্য পিপ (pip) ব্যবহার করুন

pip হল Python প্যাকেজ ম্যানেজার, যা লাইব্রেরি ইনস্টল করার জন্য ব্যবহৃত হয়। PyTorch ইনস্টল করার জন্য আপনাকে pip ব্যবহার করতে হবে।

সাধারণ ইনস্টলেশন:

1. প্রথমে, আপনার কম্পিউটারে cmd বা Terminal ওপেন করুন।
2. নিচের কমান্ডটি চালান:

pip install torch torchvision torchaudio

এটি CPU ভার্সন PyTorch ইনস্টল করবে।

CUDA সাপোর্ট সহ ইনস্টলেশন:

যদি আপনি GPU সাপোর্ট (CUDA) ব্যবহার করতে চান, তাহলে সিস্টেমে CUDA toolkit ইনস্টল করা থাকতে হবে। সঠিক সংস্করণ ইনস্টল করতে, আপনার GPU এবং CUDA ভার্সন অনুযায়ী PyTorch ইনস্টল করুন।

1. PyTorch এর অফিসিয়াল সাইটে যান.
2. এখানে, আপনার সিস্টেমের জন্য সঠিক অপশনগুলো নির্বাচন করুন (Python ভার্সন, CUDA ভার্সন ইত্যাদি)।
3. এরপর, আপনাকে একটি কমান্ড প্রদান করা হবে, যা দেখতে এমন হবে:

pip install torch torchvision torchaudio cudatoolkit=11.7

এটি CUDA 11.7 ভার্সনের জন্য PyTorch ইনস্টল করবে।

৩. ইনস্টলেশন চেক করুন

PyTorch সঠিকভাবে ইনস্টল হয়েছে কিনা তা চেক করতে, আপনি Python ইন্টারপ্রেটারে নিচের কমান্ডটি চালাতে পারেন:

1. Python শেলের মধ্যে প্রবেশ করুন:

python

2. এরপর, নিচের কোডটি রান করুন:

import torch
print(torch.__version__)
print(torch.cuda.is_available())

এই কোডটি আপনার ইনস্টল করা PyTorch এর ভার্সন দেখাবে এবং CUDA সাপোর্ট সক্ষম কিনা তা যাচাই করবে। True মানে CUDA সাপোর্ট সক্ষম, এবং False মানে আপনি CPU তে PyTorch ব্যবহার করছেন।

৪. নোটঃ

• CUDA ইনস্টলেশন: যদি আপনার সিস্টেমে CUDA সঠিকভাবে ইনস্টল না থাকে এবং আপনি GPU সাপোর্ট চান, তাহলে আপনাকে CUDA Toolkit এবং cuDNN ড্রাইভারও ইনস্টল করতে হবে। CUDA Toolkit ডাউনলোড লিঙ্ক।
• ভার্চুয়াল এনভায়রনমেন্ট: Python লাইব্রেরি ম্যানেজমেন্টের জন্য, আপনি ভার্চুয়াল এনভায়রনমেন্ট ব্যবহার করতে পারেন। এটি আপনার সিস্টেমের অন্যান্য প্যাকেজগুলির সাথে PyTorch এর সংস্করণ কনফ্লিক্ট এড়াতে সাহায্য করবে।

python -m venv pytorch_env
source pytorch_env/bin/activate  # Linux/macOS
pytorch_env\Scripts\activate     # Windows

সারাংশ

PyTorch ইনস্টল করা সহজ এবং এটি CPU এবং GPU উভয়ই সমর্থন করে। আপনি যদি CUDA সক্ষম করে GPU তে চালাতে চান, তবে সঠিক CUDA সংস্করণ অনুযায়ী PyTorch ইনস্টল করতে হবে। এছাড়া, torch লাইব্রেরি ইনস্টল করার পর আপনি সঠিকভাবে সেটআপ চেক করতে পারেন এবং সহজেই ডিপ লার্নিং প্রোজেক্ট শুরু করতে পারেন।

PyTorch ইনস্টল করা অনেক সহজ এবং প্ল্যাটফর্ম অনুযায়ী কিছুটা পরিবর্তিত হতে পারে। নিচে Windows, Linux, এবং macOS সিস্টেমে PyTorch ইনস্টল করার পদ্ধতি দেওয়া হলো।

১. Windows এ PyTorch ইনস্টলেশন

প্রয়োজনীয়তা:

• Python 3.6 বা এর বেশি ভার্সন
• CUDA (যদি GPU ব্যবহার করতে চান)

স্টেপস:

1. Python ইনস্টল করুন: Python অফিসিয়াল সাইট থেকে Python ডাউনলোড করুন। ইনস্টল করার সময় "Add Python to PATH" সিলেক্ট করুন।

2. পিপ (pip) আপডেট করুন: প্রথমে আপনার পিপ ম্যানেজার আপডেট করুন:

   python -m pip install --upgrade pip
   

3. PyTorch ইনস্টল করুন: আপনার CUDA সংস্করণ অনুযায়ী PyTorch ইনস্টল করতে পারেন। উদাহরণস্বরূপ, যদি CUDA 11.3 ব্যবহার করতে চান:

   pip install torch torchvision torchaudio cudatoolkit=11.3
   

   যদি আপনি CPU ভার্সন চান, তাহলে নিচের কমান্ডটি ব্যবহার করুন:

   pip install torch torchvision torchaudio
   

4. ইনস্টলেশন চেক করুন: ইনস্টলেশন সঠিকভাবে হয়েছে কিনা চেক করতে Python শেলে চালান:

   python
   

   এবং তারপর:

   import torch
   print(torch.__version__)
   print(torch.cuda.is_available())  # CUDA সাপোর্ট চেক
   

২. Linux এ PyTorch ইনস্টলেশন

প্রয়োজনীয়তা:

• Python 3.6 বা তার বেশি ভার্সন
• CUDA (যদি GPU ব্যবহার করতে চান)

স্টেপস:

1. Python ইনস্টল করুন: Python ইনস্টল করতে পারেন:

   sudo apt update
   sudo apt install python3 python3-pip
   

2. পিপ (pip) আপডেট করুন: পিপ আপডেট করতে:

   python3 -m pip install --upgrade pip
   

3. PyTorch ইনস্টল করুন: আপনার সিস্টেমের জন্য PyTorch ইনস্টল করুন। উদাহরণস্বরূপ, CUDA 11.3 সহ:

   pip3 install torch torchvision torchaudio cudatoolkit=11.3
   

   CPU ভার্সন ইনস্টল করতে:

   pip3 install torch torchvision torchaudio
   

4. ইনস্টলেশন চেক করুন: ইনস্টলেশন সঠিকভাবে হয়েছে কিনা চেক করতে Python শেলে:

   python3
   

   এবং তারপর:

   import torch
   print(torch.__version__)
   print(torch.cuda.is_available())  # CUDA সাপোর্ট চেক
   

৩. macOS এ PyTorch ইনস্টলেশন

প্রয়োজনীয়তা:

• Python 3.6 বা তার বেশি ভার্সন
• macOS 10.12 বা তার বেশি

স্টেপস:

1. Python ইনস্টল করুন: macOS এ Python ইনস্টল করতে Homebrew ব্যবহার করতে পারেন:

   brew install python
   

2. পিপ (pip) আপডেট করুন: পিপ আপডেট করতে:

   python3 -m pip install --upgrade pip
   

3. PyTorch ইনস্টল করুন: macOS এ PyTorch ইনস্টল করার জন্য CPU ভার্সন ইনস্টল করা হয়:

   pip3 install torch torchvision torchaudio
   

4. ইনস্টলেশন চেক করুন: ইনস্টলেশন সঠিকভাবে হয়েছে কিনা চেক করতে:

   python3
   

   এবং তারপর:

   import torch
   print(torch.__version__)
   

সারাংশ

• Windows: Python ইনস্টল করার পর PyTorch ইনস্টল করতে pip ব্যবহার করুন এবং CUDA সাপোর্ট চান কিনা তা নিশ্চিত করুন।
• Linux: Linux এ Python ইনস্টল করার পর pip দিয়ে PyTorch ইনস্টল করুন, এবং CUDA ভার্সন অনুযায়ী ইনস্টলেশন করুন।
• macOS: macOS এ CPU ভার্সন ইনস্টল করা হয়, তবে GPU সাপোর্ট PyTorch সমর্থন করে না।

PyTorch ইনস্টলেশন সহজ এবং তার পরবর্তী স্টেপে আপনি সরাসরি ডিপ লার্নিং প্রোজেক্ট শুরু করতে পারবেন।

PyTorch GPU সাপোর্ট সহ ডিপ লার্নিং মডেল চালানোর জন্য খুবই উপকারী। GPU ব্যবহারের জন্য CUDA (Compute Unified Device Architecture) প্রয়োজন, যা NVIDIA দ্বারা উন্নত একটি প্ল্যাটফর্ম এবং API। CUDA আপনাকে GPU তে গণনা কার্যক্রম চালানোর সুবিধা দেয়, যার মাধ্যমে মডেল ট্রেনিং আরও দ্রুত হয়।

নিচে PyTorch GPU সাপোর্ট এবং CUDA ইনস্টলেশন প্রক্রিয়া নিয়ে বিস্তারিত আলোচনা করা হলো।

১. CUDA সম্পর্কে কিছু গুরুত্বপূর্ণ তথ্য

CUDA হল NVIDIA এর একটি প্রযুক্তি, যা GPU তে উচ্চ কার্যক্ষমতা সম্পন্ন ক্যালকুলেশন পরিচালনা করার জন্য ব্যবহৃত হয়। PyTorch GPU সাপোর্ট করার জন্য CUDA ইনস্টল করা প্রয়োজন, তবে এটি NVIDIA গ্রাফিক্স কার্ডের সাথে কাজ করে।

CUDA ইনস্টল করার পর, PyTorch GPU তে দ্রুত ডিপ লার্নিং মডেল ট্রেনিং করতে সক্ষম হবে।

২. CUDA এবং cuDNN ইনস্টলেশন প্রক্রিয়া

CUDA এবং cuDNN ইনস্টলেশন করতে আপনি যে সিস্টেম ব্যবহার করছেন তা অনুযায়ী বিভিন্ন ধাপ অনুসরণ করতে হবে।

Windows এ CUDA ইনস্টলেশন:

1. CUDA Toolkit ডাউনলোড করুন:
   • NVIDIA CUDA Toolkit সাইটে যান এবং আপনার সিস্টেমের জন্য সঠিক সংস্করণ নির্বাচন করুন (যেমন, CUDA 11.3)।
   • Windows এর জন্য ইনস্টলেশন প্যাকেজ ডাউনলোড করুন।
2. cuDNN ডাউনলোড করুন:
   • cuDNN (CUDA Deep Neural Network library) সাইটে যান এবং সাইন ইন করুন (যদি অ্যাকাউন্ট না থাকে, তবে তৈরি করুন)।
   • আপনার CUDA ভার্সন অনুযায়ী cuDNN ডাউনলোড করুন।
3. CUDA ইনস্টল করুন:
   • CUDA Toolkit ইনস্টল করার জন্য ডাউনলোড করা ইনস্টলার চালান এবং ইনস্টলেশন উইজার্ড অনুসরণ করুন।
   • আপনি যদি Anaconda ব্যবহার করেন, তবে conda প্যাকেজ ম্যানেজার দিয়ে CUDA ইনস্টল করতে পারেন।
4. cuDNN ইনস্টল করুন:
   • cuDNN ডাউনলোড করা ফাইলটি এক্সট্র্যাক্ট করুন এবং CUDA ডিরেক্টরির মধ্যে cuDNN ফাইলগুলি কপি করুন।
   • সাধারণত C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\ এর মতো ডিরেক্টরিতে cuDNN ফাইলগুলো কপি করা হবে।

Linux (Ubuntu) এ CUDA ইনস্টলেশন:

1. CUDA Toolkit ডাউনলোড করুন:

   • NVIDIA CUDA Toolkit সাইটে গিয়ে আপনার সিস্টেমের জন্য সঠিক সংস্করণ ডাউনলোড করুন।
   • আপনি apt প্যাকেজ ম্যানেজার দিয়ে সহজেই CUDA ইনস্টল করতে পারেন:

   sudo apt update
   sudo apt install nvidia-cuda-toolkit
   

2. cuDNN ইনস্টল করুন:

   • cuDNN সঠিক সংস্করণ ডাউনলোড করুন NVIDIA cuDNN সাইট থেকে।
   • cuDNN ইনস্টল করতে আপনি tar ফাইল এক্সট্র্যাক্ট করে সঠিক ডিরেক্টরিতে কপি করতে পারেন। উদাহরণস্বরূপ:

   tar -xzvf cudnn-<version>-linux-x64-v<version>.tgz
   sudo cp cuda/include/cudnn*.h /usr/local/cuda/include
   sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
   sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*
   

3. CUDA সঠিকভাবে ইনস্টল হয়েছে কিনা চেক করুন: CUDA ইনস্টলেশনের পরে, কমান্ড লাইনে নিচের কমান্ডটি চালিয়ে সঠিকভাবে ইনস্টল হয়েছে কিনা তা চেক করতে পারেন:

   nvcc --version
   

   এটি CUDA ভার্সন প্রদর্শন করবে।

macOS এ CUDA ইনস্টলেশন

macOS এ CUDA ইনস্টলেশন সম্ভব নয়, কারণ CUDA শুধুমাত্র NVIDIA GPU সহ কাজ করে এবং macOS এ NVIDIA GPU সমর্থিত নয়। তবে, যদি আপনি CPU তে কাজ করতে চান, তবে macOS এ PyTorch CPU ভার্সন ব্যবহার করতে পারেন।

৩. PyTorch GPU সাপোর্টের জন্য ইনস্টলেশন

1. PyTorch GPU ভার্সন ইনস্টল করুন: একবার CUDA এবং cuDNN ইনস্টল হলে, PyTorch GPU সাপোর্ট সহ ইনস্টল করা যেতে পারে।

   আপনি PyTorch অফিসিয়াল সাইট থেকে সঠিক CUDA সংস্কণের জন্য ইনস্টলেশন কমান্ড জেনারেট করতে পারেন। উদাহরণস্বরূপ, CUDA 11.3 সহ PyTorch ইনস্টল করতে:

   pip install torch torchvision torchaudio cudatoolkit=11.3
   

   CPU ভার্সন ইনস্টল করতে:

   pip install torch torchvision torchaudio
   

2. PyTorch GPU সমর্থন চেক করুন: GPU সাপোর্ট সক্রিয় কিনা তা চেক করতে Python শেলে নিচের কোডটি ব্যবহার করুন:

   import torch
   print(torch.cuda.is_available())  # True হলে GPU সাপোর্ট সক্ষম
   

   যদি True দেখায়, তবে আপনার PyTorch সিস্টেম GPU তে কাজ করতে সক্ষম।

সারাংশ

CUDA এবং cuDNN হল GPU তে উচ্চ কার্যক্ষমতার গণনা পরিচালনার জন্য প্রয়োজনীয়। PyTorch GPU সাপোর্ট চালানোর জন্য আপনাকে সঠিক CUDA সংস্করণ এবং cuDNN ইনস্টল করতে হবে। ইনস্টলেশন সঠিকভাবে করলে, আপনি PyTorch এর GPU সাপোর্ট ব্যবহার করে দ্রুত মডেল ট্রেনিং করতে পারবেন।

ভার্চুয়াল এনভায়রনমেন্ট (virtual environment) ব্যবহার করা একটি ভাল অভ্যাস, কারণ এটি আপনার সিস্টেমে ইনস্টল করা প্যাকেজগুলির সঙ্গে আপনার প্রোজেক্টের নির্ভরতা আলাদা করে রাখে। এতে করে আপনি সহজেই বিভিন্ন প্রকল্পের জন্য আলাদা প্যাকেজ এবং লাইব্রেরি ব্যবহার করতে পারবেন। নিচে PyTorch এর জন্য ভার্চুয়াল এনভায়রনমেন্ট তৈরি করার প্রক্রিয়া দেওয়া হলো।

১. Python Virtual Environment ইনস্টল করা

Windows, Linux, macOS এ Virtual Environment তৈরি করার জন্য প্রথমে venv ইনস্টল করুন:

Python 3.3 বা তার পরবর্তী ভার্সনে venv মডিউলটি ডিফল্টভাবেই অন্তর্ভুক্ত থাকে। সুতরাং, আপনার সিস্টেমে venv মডিউল যদি ইতোমধ্যেই ইনস্টল করা থাকে, তাহলে আর আলাদা কিছু করার প্রয়োজন নেই। তবে, যদি আপনার সিস্টেমে এটি না থাকে, তাহলে আপনাকে এটি ইনস্টল করতে হবে।

Windows:

Windows এ venv মডিউল ব্যবহার করতে আপনাকে Python ইনস্টল করতে হবে (যদি ইতিমধ্যেই ইনস্টল না থাকে)। Python 3.3 বা তার পরবর্তী ভার্সন ইনস্টল থাকলেই আপনি venv ব্যবহার করতে পারবেন।

Linux / macOS:

Linux বা macOS এ সাধারণত Python 3.3 বা তার পরবর্তী ভার্সন থাকলে venv ইনস্টল করা থাকে। যদি না থাকে, তাহলে আপনি নিচের কমান্ড ব্যবহার করতে পারেন:

sudo apt-get install python3-venv  # Ubuntu/Debian-based systems

২. ভার্চুয়াল এনভায়রনমেন্ট তৈরি করা

1. প্রথমে, আপনি যে ডিরেক্টরিতে ভার্চুয়াল এনভায়রনমেন্ট তৈরি করতে চান, সেখানে যান। উদাহরণস্বরূপ, আপনার প্রোজেক্ট ফোল্ডারে।

   cd path/to/your/project
   

2. venv মডিউল ব্যবহার করে ভার্চুয়াল এনভায়রনমেন্ট তৈরি করুন। নিচের কমান্ডটি চালান:

   python -m venv venv_name
   

   এখানে venv_name হল আপনার ভার্চুয়াল এনভায়রনমেন্টের নাম, যেমন pytorch_env বা অন্য কোনো নাম।

৩. ভার্চুয়াল এনভায়রনমেন্ট অ্যাকটিভেট করা

একবার ভার্চুয়াল এনভায়রনমেন্ট তৈরি হয়ে গেলে, আপনাকে এটি অ্যাকটিভেট করতে হবে যাতে আপনি প্যাকেজ ইনস্টল করতে পারেন এবং এটি প্রোজেক্টে ব্যবহার করতে পারেন।

Windows এ:

venv_name\Scripts\activate

Linux/macOS এ:

source venv_name/bin/activate

এখন আপনি দেখতে পাবেন যে কমান্ড লাইনে আপনার ভার্চুয়াল এনভায়রনমেন্টের নাম প্রদর্শিত হচ্ছে, যেমন:

(venv_name) user@hostname:path/to/project$

এটি নির্দেশ করে যে আপনি বর্তমানে ভার্চুয়াল এনভায়রনমেন্টে আছেন।

৪. PyTorch ইনস্টল করা

এখন যে ভার্চুয়াল এনভায়রনমেন্টে আছেন, সেখানে PyTorch ইনস্টল করতে হবে। CUDA সহ ইনস্টলেশন বা CPU ভার্সন ইনস্টল করতে নিচের কমান্ড ব্যবহার করতে পারেন।

CPU ভার্সন ইনস্টল করুন:

pip install torch torchvision torchaudio

CUDA সাপোর্ট সহ ইনস্টল করুন:

যদি আপনার সিস্টেমে CUDA সাপোর্ট থাকে, তাহলে সঠিক CUDA ভার্সন অনুযায়ী PyTorch ইনস্টল করতে হবে। উদাহরণস্বরূপ, CUDA 11.3 এর জন্য:

pip install torch torchvision torchaudio cudatoolkit=11.3

৫. ভার্চুয়াল এনভায়রনমেন্ট নিষ্ক্রিয় করা

আপনি যখন কাজ শেষ করবেন, তখন ভার্চুয়াল এনভায়রনমেন্ট নিষ্ক্রিয় করতে:

deactivate

এটি ভার্চুয়াল এনভায়রনমেন্ট থেকে বেরিয়ে আসবে এবং আপনি আবার সিস্টেমের পাইটন পরিবেশে ফিরে যাবেন।

৬. PyTorch ভার্চুয়াল এনভায়রনমেন্ট চেক করুন

PyTorch ইনস্টলেশন সঠিকভাবে হয়েছে কিনা চেক করতে Python শেলে গিয়ে নিচের কমান্ডটি চালান:

import torch
print(torch.__version__)

এটি আপনার ইনস্টল করা PyTorch এর ভার্সন প্রদর্শন করবে।

সারাংশ

PyTorch এর জন্য ভার্চুয়াল এনভায়রনমেন্ট তৈরি করার মাধ্যমে আপনি আপনার প্রোজেক্টের নির্ভরশীলতা পৃথকভাবে রাখতে পারবেন এবং এটি অন্যান্য প্যাকেজগুলির সঙ্গে কনফ্লিক্ট এড়াতে সাহায্য করবে। venv ব্যবহার করে খুব সহজে ভার্চুয়াল এনভায়রনমেন্ট তৈরি করা যায়, এবং এটি PyTorch ইনস্টল এবং ব্যবহারে সুবিধা প্রদান করবে।

Jupyter Notebook এবং Google Colab হলো দুটি অত্যন্ত জনপ্রিয় টুল যা ডেটা সায়েন্স, মেশিন লার্নিং এবং ডিপ লার্নিং প্রকল্পগুলির জন্য ব্যবহৃত হয়। উভয় টুলই ইন্টারেক্টিভ কোড রান এবং ডকুমেন্টেশন তৈরি করার সুবিধা প্রদান করে, তবে তাদের মধ্যে কিছু পার্থক্য রয়েছে। নিচে Jupyter Notebook এবং Google Colab ব্যবহার করার বিস্তারিত ব্যাখ্যা দেওয়া হলো।

১. Jupyter Notebook ব্যবহার করা

Jupyter Notebook হলো একটি ওপেন সোর্স অ্যাপ্লিকেশন যা কোড, টেক্সট, চিত্র, এবং ডেটা ভিজ্যুয়ালাইজেশন একসাথে রাখতে সক্ষম। এটি আপনার ল্যাপটপে অথবা সার্ভারে চালানো যেতে পারে।

Jupyter Notebook ইনস্টলেশন:

1. Python এবং pip ইনস্টল করুন: প্রথমে নিশ্চিত করুন যে আপনার সিস্টেমে Python এবং pip ইনস্টল করা আছে। আপনি যদি Python ইনস্টল না করে থাকেন, তাহলে Python অফিসিয়াল সাইট থেকে Python ডাউনলোড এবং ইনস্টল করুন।

2. Jupyter Notebook ইনস্টল করুন: Python এর pip প্যাকেজ ম্যানেজার ব্যবহার করে Jupyter ইনস্টল করতে হবে:

   pip install notebook
   

3. Jupyter Notebook চালু করুন: ইনস্টলেশন সম্পন্ন হলে, নিচের কমান্ডটি চালিয়ে Jupyter Notebook চালু করুন:

   jupyter notebook
   

   এটি আপনার ডিফল্ট ব্রাউজারে Jupyter Dashboard খুলে দেবে, যেখানে আপনি নতুন নোটবুক তৈরি করতে পারবেন এবং কোড রান করতে পারবেন।

Jupyter Notebook ব্যবহার করা:

• নতুন নোটবুক তৈরি করুন: Jupyter Dashboard থেকে "New" বাটনে ক্লিক করে নতুন Python নোটবুক তৈরি করুন।
• কোড রান: কোড সেল লিখে Shift+Enter চাপলে কোড রান হবে এবং আউটপুট একই সেলে প্রদর্শিত হবে।
• টেক্সট সেল: আপনি টেক্সট, শিরোনাম এবং বিশ্লেষণ লিখতে চাইলে Markdown সেল ব্যবহার করতে পারেন। Markdown সেল লিখে Shift+Enter চাপলে আপনি সহজেই সেগুলো দেখতে পাবেন।
• ভিজ্যুয়ালাইজেশন: আপনি Matplotlib, Seaborn বা Plotly এর মতো লাইব্রেরি ব্যবহার করে ডেটা ভিজ্যুয়ালাইজেশন তৈরি করতে পারেন এবং তা সরাসরি নোটবুকে দেখতে পাবেন।

২. Google Colab ব্যবহার করা

Google Colab একটি ফ্রি, ক্লাউড-ভিত্তিক Jupyter Notebook পরিবেশ যা Google দ্বারা সরবরাহ করা হয়। এটি ব্যবহার করে আপনি কোনো সফটওয়্যার ইনস্টল না করেই Python কোড রান করতে পারেন এবং GPU ও TPU সাপোর্টও পেতে পারেন।

Google Colab ব্যবহার শুরু করা:

1. Google Colab এ সাইন ইন করুন: Google Colab ব্যবহার করতে আপনার একটি Google অ্যাকাউন্ট থাকতে হবে। Google Colab সাইটে যান এবং আপনার Google অ্যাকাউন্ট দিয়ে সাইন ইন করুন।
2. নতুন নোটবুক তৈরি করুন:
   • Colab ড্যাশবোর্ডে "File" → "New Notebook" এ ক্লিক করুন। এটি একটি নতুন Jupyter নোটবুক খুলে দেবে, যেখানে আপনি কোড লিখতে এবং রান করতে পারবেন।

Google Colab এর সুবিধা:

• ফ্রি GPU এবং TPU: Google Colab ব্যবহার করে আপনি সহজেই GPU (Graphics Processing Unit) এবং TPU (Tensor Processing Unit) পেতে পারেন, যা মেশিন লার্নিং এবং ডিপ লার্নিং মডেল ট্রেনিংকে অনেক দ্রুত করে তোলে।
  • GPU সক্ষম করতে "Runtime" → "Change runtime type" → "Hardware accelerator" → "GPU" সিলেক্ট করুন।
  • TPU সক্ষম করতে "Runtime" → "Change runtime type" → "Hardware accelerator" → "TPU" সিলেক্ট করুন।

• Google ড্রাইভ ইন্টিগ্রেশন: Google Colab এর মাধ্যমে আপনি সরাসরি আপনার Google ড্রাইভ থেকে ফাইল ওপেন এবং সেভ করতে পারেন। ড্রাইভে ফাইল সংরক্ষণ করতে:

  from google.colab import drive
  drive.mount('/content/drive')
  

  এটি আপনার Google ড্রাইভ মাউন্ট করবে এবং আপনি সেখানে ফাইল অ্যাক্সেস করতে পারবেন।

• লাইব্রেরি ইনস্টল করা: Colab এ আপনি pip বা conda ব্যবহার করে লাইব্রেরি ইনস্টল করতে পারেন। উদাহরণস্বরূপ, PyTorch ইনস্টল করতে:

  !pip install torch torchvision
  

• শেয়ারিং এবং সহযোগিতা: Google Colab একটি টিম বা গ্রুপে কাজ করার জন্য সহায়ক। আপনি সহজেই আপনার নোটবুক শেয়ার করতে পারেন, ঠিক যেমন আপনি Google ডক্স বা গুগল শিট শেয়ার করেন।

৩. Jupyter Notebook এবং Google Colab এর মধ্যে পার্থক্য

সারাংশ

• Jupyter Notebook হলো একটি লোকাল বা সার্ভারে রান করা টুল যা কোড, ডকুমেন্টেশন, ভিজ্যুয়ালাইজেশন একত্রে প্রদর্শন করে।
• Google Colab হলো একটি ক্লাউড-ভিত্তিক Jupyter Notebook পরিবেশ যা ফ্রি GPU এবং TPU সাপোর্ট প্রদান করে এবং কোনো ইনস্টলেশন ছাড়াই ব্যবহার করা যায়।

যখন আপনি আপনার কোড রান করতে চান এবং দ্রুত GPU/TPU ব্যবহার করতে চান, তখন Google Colab একটি ভালো বিকল্প। তবে, যদি আপনি লোকাল ফাইল সিস্টেম এবং কাস্টমাইজড পরিবেশে কাজ করতে চান, তখন Jupyter Notebook বেশি উপকারী।