Les notebooks présents sur ce dépôt ne sont pas utilisables avec binder en raison des ressources en mémoire importantes requises par les modèles de langue. Nous vous recommandons de les lancer en local à l'aide de jupyter lab par exemple.
- Au moins 8 Go de mémoire
- Une trentaine de Go d'espace disponible pour l'entraînement complet des modèles de segmentation (étape pouvant être passée)
Un environnement virtuel permet d'isoler l'installation des librairies d'un projet pour éviter les conflits de version. Une fois placés dans le répertoire de votre choix:
git clone https://github.com/ProMeText/atelier_biblissima_aquilign
cd atelier_biblissima_aquilign
Il suffit ensuite d'installer venv si ce n'est déjà fait pip install --user virtualenv. Le code a été vérifié sur la version 3.10 de python.
python3.10 -m venv atelier_biblissima_env
source atelier_biblissima_env/bin/activate
pip3 install -r requirements.txt
Nous utilisons ici l'excellent manuel de Nikolai Janakiev: https://janakiev.com/blog/jupyter-virtual-envs/.
pip3 install ipykernel
python -m ipykernel install --name=atelier_biblissima_env
Le terminal devrait retourner: Installed kernelspec myenv in /home/user/.local/share/jupyter/kernels/myenv. Vous pouvez afficher le fichier kernel.json présent dans le répertoire indiqué par l'outil pour vérifier que le kernel pourra bien utiliser l'environnement virtuel créé:
{
"argv": [
"le_chemin_vers_le_python_de_l_environnement_virtuel",
"-m",
"ipykernel_launcher",
"-f",
"{connection_file}"
],
"display_name": "venv",
"language": "python"
}C'est bon ! Il suffit maintenant d'ouvrir jupyterlab: jupyter lab et les notebooks dans l'ordre de la séance.