原作者: Jon C-137
原文鏈接: https://medium.com/@jon.froiland/python-deep-learning-part-1-8c912cbf34f6
利用Keras建立一個深入的學(xué)習(xí)環(huán)境
讓我們來看一個神經(jīng)網(wǎng)絡(luò)的具體例子，它使用Python庫Keras來學(xué)習(xí)如何對手寫數(shù)字進行分類。我們要解決的問題是將手寫數(shù)字（28×28像素）的灰度圖像分為10類（0到9）。我們將使用MNIST數(shù)據(jù)集，這是機器學(xué)習(xí)社區(qū)中的一個經(jīng)典數(shù)據(jù)集，它幾乎和領(lǐng)域本身一樣長，并且已經(jīng)被深入研究過。這是一組60000張訓(xùn)練圖像，加上10000張測試圖像，由國家標(biāo)準(zhǔn)與技術(shù)研究所（NIST在MNIST中）在20世紀(jì)80年代組裝而成。
MNIST數(shù)據(jù)集以一組4個Numpy數(shù)組的形式預(yù)裝在Keras中.
建立深度學(xué)習(xí)環(huán)境的過程相當(dāng)復(fù)雜，包括以下步驟，本附錄將詳細介紹這些步驟:
- 安裝Python科學(xué)套件-Numpy和SciPy-并確保安裝了基本線性代數(shù)子程序（BLAS）庫，以便模型在CPU上快速運行。
- 安裝兩個在使用Keras時有用的附加軟件包：HDF5（用于保存大型神經(jīng)網(wǎng)絡(luò)文件）和Graphviz（用于可視化神經(jīng)網(wǎng)絡(luò)架構(gòu)）.
- 通過安裝CUDA驅(qū)動程序和cuDNN，確保GPU可以運行深入學(xué)習(xí)代碼.
- 為Keras安裝后端：TensorFlow、CNTK或Theano.
- 安裝Keras.
注：我目前正在努力使我的AMD GPU與ROCm和Tensorflow一起運行。希望能夠解決這些問題，并遵循一些說明，以及更多…
唯一困難的部分是設(shè)置GPU支持。除此之外，整個過程只需幾個命令就可以完成，并且只需要花上幾分鐘時間。
注意：在此我不會針對基于Nvidia的GPU進行GPU設(shè)置。
$ sudo apt update
$ sudo apt dist-upgrade
默認情況下，Ubuntu在安裝Python包（如Python pip）時使用Python 2。如果希望改用python3，則應(yīng)使用python3前綴而不是Python。或者，建立一個虛擬環(huán)境將是第一步。如果您需要進一步的信息，可以參考這篇文章：在Ubuntu 16.04上安裝Python Virtualenv。
$ virtualenv -p python3 deeplearning
Using base prefix '/usr'
New python executable in /home/jon/deeplearning/bin/python3
Also creating executable in /home/jon/deeplearning/bin/python
Installing setuptools, pip, wheel...done.
$ source deeplearning/bin/activate
(deeplearning) user@host:~$
使用pip安裝包時，需要記住，在默認情況下，它針對的是Python 2。如果需要針對Python 3的話應(yīng)該使用pip3：
$ pip3 install tensorflow-gpu
安裝一個BLAS庫（在本例中為OpenBLAS），以確保可以在CPU上運行快速的tensor操作：
$ sudo apt install build-essential cmake git unzip pkg-config libopenblas-dev liblapack-dev
安裝Python科學(xué)套件：Numpy、SciPy和Matplotlib。這對于在Python中執(zhí)行任何類型的機器學(xué)習(xí)或科學(xué)計算都是必要的，無論您是否正在進行深入學(xué)習(xí)：
$ sudo apt install python-numpy python-scipy python-matplotlib python-yaml
安裝HDF5。這個庫最初由NASA開發(fā)，以高效的二進制格式存儲大量的數(shù)字?jǐn)?shù)據(jù)文件。它將允許您快速高效地將Keras模型保存到磁盤：
$ sudo apt install libhdf5-serial-dev python-h5py
安裝Graphviz和pydot ng，這兩個軟件包可以讓您可視化Keras模型。它們不需要運行Keras，因此您可以跳過此步驟，在需要時安裝這些軟件包。
$ sudo apt install graphviz
$ pip install pydot-ng
一些代碼示例中使用的其他包：
$ sudo apt install python-opencv
安裝Keras并運行MNIST示例
您可以從PyPI安裝Keras：
$ pip install keras
或者可以從GitHub安裝Keras。這樣您便可以訪問keras/examples文件夾，其中包含許多示例腳本供您學(xué)習(xí)：
$ git clone https://github.com/fchollet/keras
$ cd keras
$ python setup.py install
$ python examples/mnist_cnn.py
請注意，運行此示例到完成可能需要幾分鐘時間，因此在驗證它正常工作后，可以強制退出（Ctrl-C）。
大約2分鐘后:
大約12分鐘后:
大約20分鐘后，完成的界面應(yīng)該是這樣的:
注意：我用的是AMD Ryzen? 5 2500U Quad-Core 和 AMD Radeon? Vega M Graphics-你的結(jié)果可能會有所不同。
運行Keras至少一次后，可以在以下位置找到Keras配置文件：
$ /.keras/keras.json.
您可以通過編輯它來選擇Keras運行的后端：tensorflow、theano或cntk。配置文件應(yīng)如下所示：
{
"image_data_format": "channels_last",
"epsilon": 1e-07,
"floatx": "float32",
"backend": "tensorflow"
}
當(dāng)Keras腳本examples/mnist_cnn.py運行時，如果設(shè)置了GPU使用，則可以在不同的shell窗口中監(jiān)視GPU使用情況：
$ watch -n 5 NVIDIA-smi -a --display=utilization
在明天的續(xù)集中我們將學(xué)習(xí)快速地仔細查看MNIST數(shù)據(jù)集。
Chollet, Fran?ois. Deep learning with Python. Shelter Island, NY: Manning Publications Co, 2018.
