AI应用开发实战系列之一： 从零开始配置环境

AI应用开发实战 - 从零开始配置环境

与本篇配套的视频教程请访问：https://www.bilibili.com/video/av24421492/

零、前提条件

• 一台能联网的电脑，使用win10 64位操作系统
• 请确保鼠标、键盘、显示器都是好的

建议和反馈，请发送到
https://github.com/Microsoft/vs-tools-for-ai/issues

联系我们
OpenmindChina@microsoft.com

一、Windows下开发环境搭建

本教材主要参考了如下资源：

官方github教程：https://github.com/microsoft/vs-tools-for-ai

斗鱼tv教程：https://v.douyu.com/show/V6Aw87OBmXZvYGkg

本教程分为五步：
- 安装VS：难度一星
- 安装python：难度一星
- 安装CUDA和cuDNN：这是本教程最繁琐的一步，这一步直接拉高本教程的平均难度。
- 配置机器学习环境：这是本教程最简单的一步，为了方便用户配置环境，微软提供了一键安装工具！没错，一键安装工具！业界良心阿！
- 安装VS Tools For AI插件：难度一星

note：本教程对各个软件需要使用的版本都做出了明确说明，请安装指定的版本

请放轻松，接下来的傻瓜教程不需要动脑子，你甚至可以打开手机边刷微博边配置环境

0.安装Git

访问 https://git-scm.com/download/win

选择64-bit Git for Windows Setup下载

双击.exe开始安装

选择好自己的安装路径，一路next，直到Adjusting your PATH environment

请选择Use Git from the Windows Command Prompt

这一步就已经将Git添加到环境变量中了，然后就可以直接在命令行里使用Git啦。

然后继续next，直到安装结束

1.安装VS

访问 https://www.visualstudio.com/zh-hans/products/
在产品中点击Visual Studio 2017

选择Community版本下载

打开Visual Studio Installer进行如下的配置：

仅选择.NET桌面开发与Python开发即可

仅选择.NET桌面开发与Python开发即可

仅选择.NET桌面开发与Python开发即可

note：请自行决定Visual Studio的安装路径

等待数分钟，时长视网络状况而定，这个时候你可以去泡一杯茶，或者听一首歌，如果你的网络不是很好，那你可以去看集美剧或者别的什么，等待安装结束。

note：坐 和 放宽

2.安装python

访问 https://www.python.org/downloads/

选择版本3.5.4或3.6.5 ，Windows x86-64 executable installer下载。

打开安装包，在安装前，请选择Add Python 3.X to PATH，随后按照默认选项安装即可。

点选后，程序将自动将Python加入环境变量，这样避免在安装后手动配置环境变量。

安装结束后，请进行如下操作验证python是否安装成功

1.同时按下 win 与 R，在弹出的输入框里输入cmd
2.在弹出的窗口中输入 python 
3.输入exit()退出
4.输入python -m pip install -U pip以更新pip到最新版本

note: pip是一个用来管理python包的工具

自此，你已经完成了python的安装，在朝着AI技术大牛的路上又前进了一步！

note：请伸出大拇指给自己一个赞?

3.安装CUDA与cuDNN

如果你的电脑装有Nvidia的显卡，请进行这一步配置，否则请跳过。

首先通过操作系统更新，升级显卡驱动到最新版。

3.1 安装CUDA

打开 https://developer.nvidia.com/cuda-toolkit-archive

选择CUDA 9.0 进行安装。

点击后，选择如下的配置：

note：请选择local版本下载，一旦失败还可以重新再来；如果使用network版本，一旦失败，需要重新下载1.4GB的安装包

打开安装包,进行安装，请自行配置CUDA的安装路径，并手动将CUDA库添加至PATH环境变量中。

note：在Windows中，CUDA的默认安装路径是:

“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin”

3.2 安装cuDNN

note：打起精神！这是操作最复杂的一步！

访问 https://developer.nvidia.com/rdp/cudnn-archive 找到我们需要的cuDNN版本：

cuDNN v7.0.5 (Dec 5, 2017), for CUDA 9.0

cuDNN v7.0.5 Library for Windows 10

点击链接，等待着你的并不是文件下载，而是：

↑这就是本教程里最麻烦的一步：在下载cuDNN之前需要注册Nvidia会员并验证邮箱。不过还好可以微信登录，省掉一些步骤。

一番令人窒息的操作之后，我们终于得到了cuDNN，我们把文件解压，取出这个路径的cudnn64_7.dll,复制到CUDA的bin目录下即可。默认的地址是：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin

note：到这里，我们已经完成了本教程最复杂的一步了

4.安装机器学习的软件及依赖

这一步虽然是整个教程最简单的一步，甚至比把大象关进冰箱更简单。

你只需要：

win + R ，打开cmd，在命令行中输入：

cd c:\  //选择一个你喜欢的路径
md  AI  //在这里创建一个AI目录
cd AI   //打开这个目录
//克隆仓库到本地
git clone https://github.com/Microsoft/samples-for-ai.git
cd samples-for-ai //打开这个目录
cd installer //还有这个目录
python.exe install.py //开始安装

然后刷会微博，等待安装结束即可。

成功之后是这样的：

或者你觉得自己不怕麻烦，那么请访问：https://github.com/Microsoft/vs-tools-for-ai/blob/master/docs/zh-hans/docs/prepare-localmachine.md

根据教程按步安装，相信我，你会回来选择一键安装的。

note：就差一步啦！成功就在眼前！

5.安装tools for ai插件

打开Visual Studio，选择工具->扩展和更新->选择“联机”->搜索“AI”
就像这样：

等待下载完成之后，关闭Visual Studio，没错，关闭Visual Studio，系统将自动安装AI插件。

安装完毕后再次打开Visual Studio，你将在界面上看到这样的内容：

那么恭喜你！安装成功！

note：千里之行始于足下，恭喜你成功地完成了环境的搭建，接下来就已经可以使用Visual Studio Tools For AI进行开发了?

二、离线模型的训练

---

6.14日更新
GitHub上的samples-for-ai进行了一定的更新，目前MNIST文件夹下只有一个mnist.py文件，

下述步骤中，请使用最新的mnist.py文件

---

在进行完环境搭建后，我们马上就可以开始训练第一个模型了，我们选择tensorflow下的MNIST作为第一个例子。

MNIST的介绍请参考这个链接 https://www.tensorflow.org/versions/r1.1/get_started/mnist/beginners

首先我们打开这个路径：C:\AI\samples-for-ai\examples\tensorflow，如果你在别的目录下克隆了目录，那么请打开你对应的目录。然后双击TensorflowExamples.sln
就像这样：

note：如果存在多个Python环境，你需要为Visual Studio的AI项目设置默认的Python环境。

例如，手动安装的Python 3.5与Visual Studio 2017 Python开发负载自动安装了64位的Python 3.6

如果要为Visual Studio设置全局的默认Python环境，请打开工具->Python -> Python环境。然后，选择自己需要的Python版本，点击将此作为新项目的默认环境。

然后在解决方案资源管理器中，选择MNIST，单击右键，选择设为启动项目

然后选择MNIST中的mnist.py，单击右键，选择在不调试的情况下启动

然后程序就开始运行了，就像这样：

等待一段时间之后，模型就训练好了！这个时候打开MNIST所在的文件夹，MNIST下是否多了三个文件夹？分别是input和output还有export，这三个文件夹分别存储了训练模型的输入文件、训练时的检查点文件，还有最终导出的模型文件

检查点文件：

模型文件：

可能存在的问题

GPU ran out of memory

方法一：
修改convolutional.py第45行或第47行的BATCH_SIZE或EVAL_BATCH_SIZE为一个更小的数字。具体修改哪一个，需要视你在程序运行的哪个部分得到了ERROR决定。

方法二：
不使用GPU训练，在项目MNIST上单击右键，选择属性(R)

修改环境变量为CUDA_VISIBLE_DEVICES=" "