从零开始机器学习-1 TensorFlow的环境搭建

由 沈庆阳 所有,转载请与作者取得联系!

什么是机器学习

机器学习，顾名思义，让机器去实现人类的学习行为。传统的编程中，如果需要解决一个问题，需要程序员来设计如何解决这个问题。而通过机器学习，我们可以使用各种机器学习的方法，使计算机程序具有不断获取新的知识的能力，从而适应解决各种问题。
而深度学习是机器学习中十分火热的一个话题，通过搭建神经网络的模型来实现机器学习。现阶段，有如Torch、Caffee和TensorFlow等深度学习的开源框架。

什么是Tensorflow

TensorFlow是Google的开源深度学习框架。其通过数据流图（Data Flow Graph）来描述张量（Tensor）十分直观，因此该深度学习框架也就命名为了TensorFlow。

关于TensorFlow的细节介绍和具体教程,参考官网：https://www.tensorflow.org

环境准备

在继续进行学习之前，需要做如下准备

硬件：台式机或笔记本
操作系统：Windows、Linux或MacOS
编程环境：Python

对于硬件要求，由于深度学习包含大量的学习过程，这个过程将会消耗大量的计算机硬件资源。如果你有一台强劲的计算机，那么最好不过了。如果你还没有达标的硬件环境，就只能忍受漫长的训练过程了。
对于拥有高配置英伟达（Nvidia）显卡的小伙伴来说，使用英伟达GPU推出的CUDA加速和cuDNN的深度学习工具可以省去大量的等待时间。以笔者跑过的一个Neural-Style的TensorFlow程序来计算，使用Intel Core i7-5930K CPU消耗了将近90分钟，而使用GeForce GTX Titan X GPU则只需要不到3分钟的时间。使用CUDA加速的效果由此可见一斑。
对于操作系统来说，我比较推荐使用Linux的系统，在这里笔者使用的是Ubuntu 16.4 LTS发行版。
最后，如果实在满足不了硬件的标准且不想忍受漫长的训练过程的话，还可以在网上购买AWS、阿里和谷歌的GPU服务器等。

环境搭建

Github上大部分的源码都是在Linux的环境中运行的。因此使用Linux系统作为深度学习的首选环境。鉴于大部分用户使用的是Windows的电脑，如果仅仅通过虚拟机来安装Linux的系统的话，则会是计算机性能大打折扣，进行深度学习训练的时候速度很慢。并且在虚拟机中想要安装英伟达的CUDA时会十分困难。因此保留Windows，安装Windows+Linux的双系统则是更好的选择。
至于如何安装双系统，此处不再赘述。

安装Python和Pip

对于Ubuntu等Linux的发型版，Python是在安装操作系统的时候就安装好了的。对于没有安装Python的时候，可以使用如下命令安装Python。

sudo apt-get install python

使用以上命令，默认安装的是Python2.7的版本，如果需要安装Python3的版本的话则需要使用如下命令

sudo apt-get install python3

pip 是一个Python包管理工具，主要是用于安装 PyPI 上的软件包，可以替代 easy_install 工具。使用Pip可以快速安装Python的各种包。对于不同版本的Python，有着不同的pip工具。如安装Python3上的TensorFlow则是使用的pip3工具。
pip的安装也十分简单，安装Python2.7版本的pip则使用如下命令

sudo apt-get install python-pip

如果对应的是Python3版本的pip则使用如下命令

sudo apt-get install python3-pip

安装Nvidia的CUDA和cuDNN工具（可选）

如果你想要安装GPU版本的TensorFlow的话，就必须安装CUDA和cuDNN工具。
首先登录Nvidia官网，下载CUDA工具（需要注册账号）
https://developer.nvidia.com/cuda-zone

点击Download Now进入下载页面
进入下载页面，截止撰写本篇文章的时间，默认的下载CUDA9.1Toolkit。目前Pip上的TensorFlowGPU包要求的是CUDA8.0和cuDNN6.0，因此我们选择网页最下方的Legacy Releases下载8.0的版本。
选择 Linux->x86_64->Ubuntu->16.04->deb(local)

下载完成之后，使用如下命令进行安装

sudo dpkg -i cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.deb
sudo apt-get update
sudo apt-get install cuda

然后来到cuDNN的下载页面下载cuDNN 6.0工具，同样使用dpkg命令进行安装。
cuDNN下载页面：https://developer.nvidia.com/cudnn
最后，配置CUDA 8.0和cuDNN6.0的环境变量。
使用vim或nano等文本编辑软件打开bashrc

sudo vim ~/.bashrc

在bashrc文件末尾加入环境变量

export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:/lib
export CUDA_HOME=/usr/local/cuda
export PATH=$PATH:/usr/local/cuda-8.0/bin

使用pip命令安装TensorFlow-GPU（或安装TensorFlow-CPU）

使用如下命令安装GPU版本的TensorFlow

Python2版本的Pip命令：
sudo pip install tensorflow-gpu
Python3版本的Pip命令
sudo pip3 install tensorflow-gpu

安装完毕之后会有如下提示

Installing collected packages: tensorflow-gpu
Successfully installed tensorflow-gpu-1.4.1

此时我们来到python中进行测试

jack@jack-QTJ5:~$ python
Python 2.7.12 (default, Nov 20 2017, 18:23:56) 
[GCC 5.4.0 20160609] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import tensorflow as tf
>>> tf.__version__
'1.4.1'

上述为控制台的输出，我们输入了import tensorflow和查询tensorflow版本的命令。至此TensorFlow安装已经完成。

下载TensorFlow训练的模型

Github中的https://github.com/tensorflow/models包含着众多已经使用Tensorflow训练好的模型。我们使用git来克隆下来这个仓库，并供下一节课使用这些模型。
新建一个名为tensorflow的文件夹，使用如下命令克隆上述的仓库

git clone https://github.com/tensorflow/models

克隆完成之后，在你的当前工作目录中会出现一个名为models的文件夹。
下一节中，我们将实现通过摄像头来捕捉画面，并使用TensorFlow的Object Detection API来实现常用物体的动态识别。

觉得写的不错的朋友可以点一个 喜欢♥ ~
谢谢你的支持！