深度学习开发环境配置及简单案例分享
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Twue7HgQ-1606036724162)(AI-ML-DL.jpg)]
机器学习是一种实现人工智能的方法,深度学习是一种实现机器学习的技术
机器的“学习”,是通过以往的经验,即数据,学习数据内部的逻辑,并将学到的逻辑应用在新数据上,进行预测的过程。
一、深度学习开发平台选择配置
1. 操作系统
- windows
- linux
- macOS
2. 电脑环境配置
- 安装显卡驱动
nvidia-smi
-
安装CUDA以及cudnn
安装与自己电脑显卡驱动匹配,以及代码所使用框架相对应的版本
CUDA是NVIDIA推出的用于自家GPU的并行计算框架,也就是说CUDA只能在NVIDIA的GPU上运行,而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用
cudnn是NVIDIA打造的针对深度神经网络的加速库,是一个用于深层神经网络的GPU加速库
#!nvidia-smi
!nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2017 NVIDIA Corporation
Built on Sun_Nov_19_03:10:15_CST_2017
Cuda compilation tools, release 9.0, V9.0.252
252
二、开发工具选择
1. conda 安装及常用命令介绍
- Conda 是一个开源的软件包管理系统和环境管理系统,用于安装多个版本的软件包及其依赖关系,并在它们之间轻松切换。
- 它适用于多平台。
- Conda包括在所有版本的Anaconda和Miniconda。
安装
常用操作 链接
- 查看当前已有环境
conda info --envs
或者
conda env list
- 创建新环境
conda create -n env_name python=3.6
# 同时安装必要的包
conda create -n env_name numpy matplotlib python=3.6
- 删除已有环境
conda remove -n env_name --all
- 环境切换
# linux/Mac下需要使用
#source activate env_name
conda activate env_name
#Windows下使用
activate env_name
#退出环境
deactivate env_name
- 查看已安装的package
conda list
# 指定查看某环境下安装的package
conda list -n env_name
- 使用conda安装package
conda install numpy
- 卸载package
conda remove numpy
- 查找package
conda search numpy
- 更新package
conda update numpy
pip install xxx
2. jupyter notebook
在很多深度学习教程中,我们都可以看到Jupyter notebook,作为一种WEB交互环境,做演示、写samples非常方便。
Jupyter Notebook是以网页的形式打开,可以在网页页面中直接编写代码和运行代码,代码的运行结果也会直接在代码块下显示。如在编程过程中需要编写说明文档,可在同一个页面中直接编写,便于作及时的说明和解释。
3.pycharm
PyCharm是一种Python IDE,带有一整套可以帮助用户在使用Python语言开发时提高其效率的工具,比如调试、语法高亮、Project管理、代码跳转、智能提示、自动完成、单元测试、版本控制。此外,该IDE提供了一些高级功能,以用于支持Django框架下的专业Web开发。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-14YxuXqz-1606036724165)(pycharm.png)]
版本选择
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xFHyYOIt-1606036724167)(pycharm-1.png)]
#!cd ~/configs/pycharm-community-2020.1.4/bin/
#!sh ~/configs/pycharm-community-2020.1.4/bin/pycharm.sh
三、 数据标注工具
常用的数据标注工具有:labelme、labelimg等。
四、目标检测案例