学习笔记︱Nvidia DIGITS网页版深度学习框架——深度学习版SPSS

DIGITS: Deep Learning GPU Training
System1，是由英伟达（NVIDIA）公司开发的第一个交互式深度学习GPU训练系统。目的在于整合现有的Deep
Learning开发工具，实现深度神经网络（Deep Neural
Network，DNN）设计、训练和可视化等任务变得简单化。DIGITS是基于浏览器的接口，因而通过实时的网络行为的可视化，可以快速设计最优的DNN。DIGITS是开源软件，可在GitHub上找到，因而开发人员可以扩展和自定义DIGITS。
Github界面：https://github.com/NVIDIA/DIGITS/tree/master/docs

---

笔者还有话说： 笔者是从传统统计学过来的，我觉得Nvidia
DIGITS就是接下来深度学习的SPSS，这是一个开端，笔者觉得接下来会有很多框架会有这样的可视化操作界面。
特别是Tensorflow是基于节点流进行编译算法，编译起来又特别麻烦，笔者觉得tensorflow如果可以效仿SPSS
Modeler一样流运作，也是极好的~

---

一、安装基本环境

本节会简单介绍一下安装需求，其实如果有GPU，后续也就顺理成章的可以安装出来了。一般在安装、并配置好caffe之后，直接再安装DIGITS即可。

• 1、如官方所述，DIGITS现在仅支持Ubuntu，当然也在其它Linux系统上测试成功，未见有在Windows上配置的案例；
• 2、DIGITS尝试囊括更多的开源Deep Learning 框架，当前（digits-2.0）仅包括：Caffe, Torch, Theano, and BIDMach.

采用源码安装DIGITS前，事先要安装CUDA（必须）、cuDNN（用于GPU加速，建议安装），Caffe（运行DIGITS至少要有一个Deep Learning framework，也可以安装Theano，这里不介绍）。

• 操作系统：Ubuntu 14.04 LTS 64 bit（ubuntu-14.04.3-desktop-amd64.iso）
• CUDA：CUDA-7.0（cuda-repo-ubuntu1404-7-0-local_7.0-28_amd64.deb），支持CUDA的GPU
• cuDNN：cuDNN-7.0（cudnn-7.0-linux-x64-v3.0-rc.tgz）
• Caffe：Caffe-0.13.0（caffe-master.zip，必须是NVIDIA’s fork，原因点此）
• DIGITS：DIGITS-2.0（源码安装，DIGITS-master.zip）

---

二、详细的安装过程

本文只是笔记，就不累述安装配置过程。可见博客以下几类博客：

• 1、NVIDIA DIGITS 学习笔记（NVIDIA DIGITS-2.0 + Ubuntu 14.04 + CUDA 7.0 + cuDNN 7.0 + Caffe 0.13.0）
  http://blog.csdn.net/enjoyyl/article/details/47397505#安装digits
• 2、Ubuntu下安装CAFFE-Digits
  http://blog.csdn.net/striker_v/article/details/53096279
• 3、Ubuntu14.04 CUDA/cuDNN/caffe/DIGIT 安装备忘录
  http://www.lryb.net/?p=849

还有一个BUG！就是supervessel超能云服务器上已经帮你配置好DITIGS，不过笔者在尝试的时候并没有尝试成功，之后会开贴说一下supervessel： supervessel-免费云镜像︱GPU加速的Caffe深度学习开发环境

---

三、一些DIGITS实际运行案例

• Caffe学习系列(21)：caffe图形化操作工具digits的安装与运行
  http://www.cnblogs.com/denny402/p/5136155.html
• Caffe学习系列(22)：caffe图形化操作工具digits运行实例
  http://www.cnblogs.com/denny402/p/5136262.html
• DIGITS: Deep Learning GPU Training System
  https://devblogs.nvidia.com/parallelforall/digits-deep-learning-gpu-training-system/
• NVIDIA DIGITS
  Interactive Deep Learning GPU Training System
  https://developer.nvidia.com/digits
• Fine Tuning，微调 AlexNet：机器学习初学者入门实践：怎样轻松创造高精度分类网络
  http://www.jiqizhixin.com/article/2087

其中机器之心翻译文章很棒！！强推！！：机器学习初学者入门实践：怎样轻松创造高精度分类网络，非常棒，入门级！！

四、可视化界面介绍

几个比较好的功能点，贴图贴真相：

• 1、点击式菜单界面
• 2、而且可视化了深度学习训练过程
• 3、报错都直接帮你显示出来
• 4、分类结果的可视化

点击式菜单界面，而且可视化了深度学习训练过程。

报错都直接帮你显示出来，以便查看出错在哪：

分类结果的可视化：

参考文献：
NVIDIA DIGITS 学习笔记（NVIDIA DIGITS-2.0 + Ubuntu 14.04 + CUDA 7.0 + cuDNN 7.0 + Caffe 0.13.0）
http://blog.csdn.net/enjoyyl/article/details/47397505#安装digits

.
.

---

延伸一：深度学习调参网页版HyperBoard

HyperBoard 是一个辅助深度学习调参的网页端可视化工具，不依赖于特定的深度学习框架（如 Tensorflow），能够在远程服务器训练模型的同时在本地浏览器进行可视化。
目前支持训练曲线的实时更新，可以方便地按照超参数组合对几十上百条训练曲线进行筛选和隐藏，下一步计划支持动态的统计直方图和向量可视化功能。

项目源码及文档地址：
https://github.com/WarBean/hyperboard

界面局部如下所示：

---

延伸二：DIGITS安装实践

安装的官方网址参考链接：
https://github.com/NVIDIA/DIGITS/blob/master/docs/UbuntuInstall.md

开始的方式，在浏览器键入，或者有以下几种方式：

http://localhost/
http://<EC2_INSTANCE_PUBLIC_IP>
#参考：https://github.com/bitfusionio/amis/tree/master/awsmrkt-ubuntu-digits

启动Digits服务：

% sudo start nvidia-digits-server

关闭Digits服务：

% sudo stop nvidia-digits-server

可参考博客：
http://blog.csdn.net/striker_v/article/details/53096279

• 报错一：

/usr/share/lua/5.1/cunn/THCUNN.lua:7: libcusparse.so.7.5: cannot open shared object file: No such file or directory

最简单的修复的方式：

sudo apt-get install cuda-cusparse-7-5
sudo ldconfig

• 报错二：

now i have a new problem ,like tihs
user@user-ProLiant-DL380-Gen9:~/digits$ ./digits-devserver 
Default value for caffe_root "<PATHS>" invalid:
    caffe binary not found in PATH
==================================== Caffe =====================================
Where is caffe installed?

    Suggested values:
    (P*) [PATH/PYTHONPATH] <PATHS>
>> ~/caffe
ERROR: Library at "libcaffe.so.1.0.0-rc3" does not have expected suffix "-nv". Are you using the NVIDIA/caffe fork?
Invalid input

无解Ing,谁来help，怎么输链接，都没用。
参考链接：
https://github.com/NVIDIA/DIGITS/issues/1292

.

延伸三：一般服务器使用步骤

一般在公司服务器，只要连接的是公司的网络，只要服务器一直开着并启动digits就可以公司内服务器连用。
1、启动
来到digits文件夹的寻找并键入：

sudo ./digits-devserver

2、键入地址
如果是服务器本机，键入：

0.0.0.0:5000/

如果其他机器访问，则先得到该服务器的内网IP

http://xxx.xxx.xxx.xxx:5000/