instalação da bibioteca
pip install torch scikit-learn mlflow fastapi uvicorn gradio huggingface_hub transformers docker
1: Ambiente Base (Python 3.10+)
verifique se existe instalado: ambientes virtuais (venv), para evitar conflitos de bibliotecas.
# Criar ambiente virtual
python -m venv venv
# Ativar ambiente (Windows)
.\venv\Scripts\activate
# Ativar ambiente (Linux/Mac)
source venv/bin/activate
Passo 2: Instalação das Dependências (Pip)
Execute o comando de instalação em lote.
pip install torch scikit-learn mlflow fastapi uvicorn gradio huggingface_hub transformers docker
Passo 3: Autenticação no Hugging Face
Para descarregar modelos pré-treinados, você precisa de um token de acesso (obtido em Settings > Tokens no site do Hugging Face).
from huggingface_hub import login
# Use o token gerado no site
login(token="SEU_TOKEN_AQUI")
O Gemini disse
Como seu tutor sénior, preparei o roteiro técnico para a configuração do seu ambiente de Engenharia de IA. Este processo garante que o seu "estúdio de desenvolvimento" esteja alinhado com as melhores práticas de MLOps e Engenharia de Software.
1. Resumo: O Fluxo de Configuração
A instalação segue uma lógica de camadas: primeiro a linguagem (Python), depois as ferramentas de IA (Transformers, Torch), seguida pela governança (MLflow) e, por fim, o empacotamento (Docker).
2. Passo a Passo Técnico
Passo 1: Ambiente Base (Python 3.10+)
Certifique-se de que o Python está instalado. Recomendo o uso de ambientes virtuais (venv) para evitar conflitos de bibliotecas.
Bash
# Criar ambiente virtual
python -m venv venv
# Ativar ambiente (Windows)
.\venv\Scripts\activate
# Ativar ambiente (Linux/Mac)
source venv/bin/activate
Passo 2: Instalação das Dependências (Pip)
Execute o comando de instalação em lote.
Bash
pip install torch scikit-learn mlflow fastapi uvicorn gradio huggingface_hub transformers docker
Passo 3: Autenticação no Hugging Face
Para descarregar modelos pré-treinados, você precisa de um token de acesso (obtido em Settings > Tokens no site do Hugging Face).
Python
from huggingface_hub import login
# Use o token gerado no site
login(token="SEU_TOKEN_AQUI")
Passo 4: Inicialização do MLflow
Configure o MLflow para guardar os dados localmente num banco de dados SQLite, garantindo que os seus testes não se percam.
import mlflow
mlflow.set_tracking_uri("sqlite:///mlruns.db")
mlflow.set_experiment("Projeto_Playcatch")
Passo 5: Verificação do Docker
O Docker deve estar em execução no seu sistema. Teste a instalação no terminal:
docker --version
docker run hello-world
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!