Entorno de estudio
Los primeros Laboratorios guiados usan datos pequeños incluidos en la descarga y funcionan en CPU. Puedes leer las clases sin instalar nada y abrir un cuaderno cuando quieras explorar un ejemplo.
Abrir un cuaderno en tu máquina
Instala Python 3.11 y descarga el ZIP del laboratorio. Descomprímelo conservando
la carpeta datos/ junto a sus notebooks. Descarga también
requirements-estudio.txt en esa carpeta.
En macOS o Linux, desde la carpeta del laboratorio:
python3.11 -m venv .venv-estudio
source .venv-estudio/bin/activate
python -m pip install -r requirements-estudio.txt
python -m jupyterlabEn Windows, la creación es py -3.11 -m venv .venv-estudio y, en PowerShell,
la activación es .venv-estudio\Scripts\Activate.ps1. Si tu equipo restringe
activar scripts, puedes ejecutar directamente
.venv-estudio\Scripts\python.exe -m pip install -r requirements-estudio.txt
y después .venv-estudio\Scripts\python.exe -m jupyterlab.
Abre inicio.ipynb. El cuaderno funciona desde el comienzo y deja espacio para
cambiar decisiones y observar su efecto. solucion.ipynb muestra una posible
exploración completa; no hay una única manera de aprender con él.
Cuadernos de redes
Descarga además requirements-avanzado.txt junto
al archivo anterior e instala con python -m pip install -r requirements-avanzado.txt.
Los experimentos pequeños de redes también tienen una ruta CPU. Un modelo o
dataset oficial puede requerir más memoria y tiempo: su ficha lo indica.
Estos archivos fijan versiones directas probadas, no son la imagen oficial de
la IOAI ni un bloqueo de todas las dependencias transitivas. Para conservar un
experimento particular puedes guardar python -m pip freeze > entorno.txt.
Las actualizaciones del material se prueban antes de cambiar estas versiones.
En GPU se necesita una instalación de PyTorch compatible con el hardware y sus controladores. Mantén un entorno separado y prueba el notebook completo allí; una ejecución CPU no demuestra que cabe en el límite de la tarea oficial.
Preparar una tarea oficial sin depender de la red
En aprendizaje puedes instalar dependencias y descargar los activos permitidos. Antes de un ensayo offline, coloca los datos y pesos en rutas estables y prueba su carga. Usa el preprocesamiento del modelo concreto: tokenizer y máscara para texto; tamaño, canales y normalización para imagen; frecuencia de muestreo y longitudes válidas para audio.
La receta Modo competencia ayuda a detectar instalaciones accidentales y medir tiempo. No sustituye al juez ni comprueba la lista de modelos permitidos. Los IDs de Hugging Face pueden cargar desde caché sin red; algunas tareas exigen explícitamente una ruta local. Manda el contrato de cada tarea, no una regla general sobre nombres de archivo.
El notebook de trabajo empieza en modo aprendizaje. Puedes activar el ensayo offline cuando tus archivos estén preparados. Mide la ejecución completa desde un kernel nuevo; cargar datos, entrenar, inferir y escribir la entrega consumen tiempo.
Si algo falla
- No encuentra un archivo: abre el notebook desde la carpeta descomprimida; no muevas el notebook dejando sus datos atrás.
- No encuentra una biblioteca: comprueba que Jupyter y el kernel pertenecen
al entorno donde instalaste los requisitos.
sys.executablemuestra qué Python usa. - No hay GPU o memoria suficiente: los cuadernos introductorios usan CPU; reduce la escala antes de trasladar la idea a una tarea real.
Volver a Ruta de Aprendizaje · Referencia.