assignment1-环境配置与代码

cs231n作业的网站（注意这个网站上不仅有三次的作业，还有对应python numpy的指导和jupyter notebook的指导等等：点击打开链接

在看了cs231n的课程之后，在完成assignment1的时候出现了很多问题，特别是在服务器上配置使用jupyter notebook。

作业的要求及配置及下载网站：点击打开链接

一、环境配置

（1）输入命令：ssh node18@192.168.137.118

（2）进入～目录

（3）运行./deploy_container_with_gpu.sh，但是需要注意的是你单独运行这个就没有给你的docker进行端口的映射，在你使用jupyter notebook的时候外部是访问不到的，所以需要你进行 端口映射，注意这里个人情况不一样，因为我们运行这个脚本就可以了，但是你可以需要docker run命令进行映射。完成输入命令：

./deploy_container_with_gpu.sh -p 3065:8080。我们这里随便给宿主机一个端口映射到container的端口之上，但由于jupyter的默认端口貌似是8888，你这里可以修改port 3065:8888，当然了我已经这样了，我就不改了，最后在运行jupyter notebook的时候指定端口就行。

（4）接着可能就是输入你的镜像和要求你输入你的container的名字，你起一个记住就行比如这里是sss-tf，这里之后每次登录要用。

（5）docker start sss-tf

（6）docker attach sss-tf

（7）cd /data2

（8）mkdir 你的名字的目录

（9）cd 你的目录

（10）安装anaconda3，去官网下载一个对应自己版本的执行脚本sh

（11）之后你退出，到你的本机进行挂载网络盘符在执行ssh node04@192.168.137.104

（12）sudo chown -R node04:node04 /data2/你的文件夹

（13）回到你自己的电脑，执行

sudo mkdir /data2
sudo mount -t cifs -o username=node04,password=123456 //192.168.137.104/data2 /data2

（14）最后下载好了之后肯定是下载到了你的Downloads下面。那么你在你的本机，执行cd Downloads

 

（15）将你下载好的，你执行ls看看应该会有一个sh文件，我的就是anaconda3-5.1.0-Linux-x86_64.sh,这个都是对应你的电脑的！

（16）在downloads目录下执行命令，cp -i anaconda3-5.1.0-Linux-x86_64.sh /data2/sss/这样之后你再进去服务器就会发现你的sh出现在了里面，之后在执行这个脚本就可以了。

（17）bash Anaconda3-5.1.0-Linux-x86_64.sh

（18）按照提示来就行，之后修改环境变量。自己手动在.bashrc文件中添加export PATH="/opt/anaconda3/bin:$PATH"，然后再在命令行中输入source ~/.bashrc,

注意在每台电脑上是不一样的，你看他给出的提示信息，像我在自己电脑上的~/.bashrc就是不同的，export PATH=/home/syq/anaconda3/bin:$PATH

（19）之后来到你的服务器，你登录之后在你自己的目录下，你输入jupyter notebook --allow-root --port 8080 --ip 0.0.0.0 （这里需要指定端口，会出现token，第一次复制下来要用) tensorboard --port 8080 --ip 0.0.0.0 --logdi
r="/data3/pointcloud_registration/dcp-master/checkpoints/dcp_v1"

（20）在你本地的浏览器打开192.168.137.118:3065，第一次登录可能需要token，你就把之前的你terminal里面的token复制下来就行

 

以上就是环境配置的问题了，之前我就只会登录服务器，也不会配置docker端口映射，只有你进行了docker的端口映射，才能够实现网络的访问，但是多数网上的教程只是教会了你如何配置jupyter的配置文件，其实本质输入那行jupyter notebook的命令是一样的。但是你没有做docker的端口映射都是白搭！！！

下面是一张完整的端口示意图：

补充：在此基础上配置tensorflow：

之前我们安装好了anaconda3，现在我们需要在此基础上安装tensorflow，首先

输入命令：conda create -n tensorflow python=3.6

接着source activate tensorflow

接着pip install tensorflow-gpu==1.2，我们这里服务器最高只能安装1.2版本（那对于你自己的电脑的话，我没办法安装gpu版本，只能按照cpu版本，那么只需要输入pip install tensorflow，它会自动的选择最高的版本1.7）

小提示：我之前安装anaconda3的时候，安装错了，我执行的是sudo bash 。。。。.sh这样的话，我安装好的anaconda3就是一个属于root的目录，使得后面安装TensorFlow的地址就不会实在anaconda3/envs之下了，而是在。。。。我忘了提示是什么了。怎么删除呢，anaconda3安装是一个完整的文件夹直接删除就行，怎么删除这个创建了的tensorflow呢，因为你是conda create的，所以你执行命令conda remove -n tensorflow --all(这时候才可以conda create新的tensorflow的环境，否则总是报错已经存在的前缀好像是。。。忘了)

安装成功后，输入python，输入import tensorflow as tf没有报错就是成功了！

补充：安装opencv

之前我采用的是conda安装，但是之后报错了，你们可以先试试这个命令conda install opencv，但是在我import cv2的时候总是报错，我上网找了删除命令conda remove opencv。之后我采用的是pip安装，pip install opencv-python

补充：安装matplotlib

conda install matplotlib

补充：安装keras

pip install keras

补充：安装skimage

pip install scikit-image

 

二、assignment1的代码和解释

（1）KNN-推荐先阅读一下课程的课件：点击打开链接

为什么使用knn，而不使用nn，是因为nn的判定是经常性的出错的，相反的是KNN具有平滑决策边界的作用，同时更能反抗异常点的出现。那么我们如何的选择这个超参数k呢！一般是在交叉验证集和测试集上选择，选择那些在交叉验证集上表现好的，之后再在test集上进行评估。需要注意的是测试集仅在最后的时候才使用，不到最后我们不使用测试集。比如说我们的CIFAR-10，它本身是具有50,000个训练集和10,000个测试集的，但是我们现在在训练集的基础上划分出来1000个作为交叉验证集。

当你需要应用KNN的时候，我们建议你按照下面的步骤进行操作：

1.预处理你的数据（归一化），使得数据的均值为0，方差为1，且拉成向量的形式；

2.如果你的数据是高维的数据，我们建议你进行pca来进行降为；cs229：