深度学习_工具

最新推荐文章于 2024-03-15 11:28:48 发布

xieyan0811

最新推荐文章于 2024-03-15 11:28:48 发布

阅读量3.6k

点赞数 1

分类专栏：深度学习文章标签： ubuntu keras tensorflow theano

本文链接：https://blog.csdn.net/xieyan0811/article/details/78411882

版权

深度学习专栏收录该内容

45 篇文章 5 订阅

订阅专栏

1. 引入

深度学习的工具有很多Tensorflow, Theano, Caffe, Keras, MXNet, Scikit-learn…有用c++写的，有用Python写的，还有Ｒ的，Java的，从哪里入手呢？
先看看最热门的Tensorflow，它是谷歌研发的人工智能学习系统，主要优点是分布式计算，特别是在多GPU的环境中。Theano也是比较低级的库，一般单机使用．什么是低级库？就像炒回锅肉不用从杀猪开始，杀猪就是比较低级的工作，已经有人帮你做好了，像Keras这种较上层的工具，它把 Theano和TensorFlow包装成了更具人性化的API。至于是选择低级工具，还是上层工具，主要取决于您的目标是开肉联厂还是开饭馆．

图片.png

2. 工具简介

Caffe是c++写的库，是较低层级的库，它是个老牌的工具，工作稳定，性能也好，还提供绑定到Python上的编程语言，但相对没有Python类工具灵活．
Theano是一个低级库，透明地使用GPU来完成数学计算．也是一个老牌的工具，工作比较稳定，只支持单机，可供Keras调用．
TensorFlow也是个低级的库，由Google发布，其的主要优点是分布式计算，特别是在多GPU的环境中，可供Keras调用．
CNTK也是个低级的库，微软发布，可供Keras调用．
MXNet还是一个低级库，由C++实现的，同时提供了python,lua,R,和js等多种语言接口，优点是分布式计算，它支持多个CPU / GPU分配训练网络，可供Keras调用．
Keras用得比较多，它把 Theano，TensorFlow，MXNet，CNTK包装成了更具人性化的API（低级的库想做完整的解决方案，还是要自己写很多代码），可供快速入门，但速度相对慢一些，在设计复杂算法时，也相对受限．
Lasagne是基于Theano的，用于构建和训练网络的轻量级库。Lasagne的功能是Theano的低级编程和Keras的高级抽象之间的一个折中。
NoLearn把Lasagne封装成了更具人性化的API（就如同Keras把 Theano和TensorFlow封装一样），此外，NoLearn中所有的代码都是与scikit-learn兼容的．
Scikit-learn是Python中常用的机器学习库，除了深度学习也提供很多浅层模型，深度学习不是它的重点．
Torch是由lua语言编写的深度学习库．
这里所谓的高级／低级都是相对而言的，高级只是相对简单一些．在算法的使用层面，对上层调用比较多，但会牺牲一些效率，限制也比较多．在算法改进层面，更多用到低级库．
接口怎么调都不过都是调库而已．关键还是看如何设计神经网络的结构，以及它背后的数学原理，所以说深度学习主要比拼的还是＂内功＂．

3. 工具选择

上述工具很多是Python写的，或者有Python的接口，建议在Python层面调用．
作为入门，建议选择Keras，基于以下原因：代码简单，资料多，可将Theano，Tensorflow等作为后端（只要安装好后端工具，就可以使用它了，无需了解具体用法；有一定扩展性（可用theano或tensorflow的语句来写扩展功能并和keras结合使用）．最主要的还是容易上手．

4. Keras&Theano&Tensorflow简单安装

1) 安装软件

以下为最简单地安装方法，此文及下文中环境默认为ubuntu

$ sudo pip install tensorflow
$ sudo pip install theano
$ sudo pip install keras

2) 安装例程

学习keras最好从它的例程开始，需要下载keras源码

$ git clone https://github.com/fchollet/keras.git

例程在keras/examples目录下
推荐mnist_*例程，它分别使用了CNN，RNN，GAN等方法实现了手写数字的识别，可以先运行一下看看效果．代码很简单，不过是看代码时，就会发现，虽然只有几个语句，几个参数，但还是不明白，为什么要这么写？和那些讲原理的书有点对不上．因此，建议先自己写个简单神经网络具体实现（不是调库），以了解整个流程以及各个参数的具体作用．具体请见下一篇《深度学习——BP神经网络》

5. 配置GPU支持

1) 说明

到上一步简单安装之后，例程基本都可以跑了．此部分，建议初学者看看就行了，不要急于把环境配置得一步到位．NVdriver+Cuda+TensorFlow+Theano各个软件版本相互依赖，又与机器的操作系统以及显卡型号相关，在配置的过程中的确有很多坑，有可能导致桌面无法启动，以致严重打乱学习的进程．强烈建议先把深度学习的框架弄明白了，需要大量计算时，再回来配置GPU．
注意：只有评分在3.0以上的显卡才能支持tensorflow_gpu，具体型号见https://developer.nvidia.com/cuda-gpus．

2) NVdriver

nvidia的卡大部分都支持深度学习，只是性能不同。可用以下命令看看自己显卡情况（Tensorflow需要评分3.0以上，Theano只需支持cuda即可）

$ lspci  | grep -i vga
$ nvidia-smi

显卡驱动可能不是最新的，一般在图形界面->系统设置->软件更新->附加驱动->选择nvidia的可用驱动．也可以用apt-get命令安装，还可以从Nvidia官网上下载安装脚本，但该方法需要先关掉图形界面，安装后再开启，比较麻烦．
另外需要注意的是，不是版本号越高，支持的显卡越多，有些老的显卡只在低版本支持——这也就是安装中最大的坑：显卡驱动升级后不支持当前硬件，使得图形界面无法启动了——不断显示输入密码界面．

$ ls /proc/driver/nvidia/gpus/

正常安装后，以上目录被生成．

3) Cuda

Cuda是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。各个机器学习库都通过Cuda库调用GPU．
Cuda的安装可使用命令（不推荐此方法）

$ apt-get install nvidia-cuda-toolkit
$ nvcc -V # 安装成功后，看一下版本信息

至于安装后能否正常使用，就要看运气了．Cuda和Nvdriver，以及TensorFlow的版本都是强相关的，当使用apt-get安装Cuda时，有时会升级显卡驱动（安装时会提示升级一堆包，其中有nvidia-xxx），但升级后的驱动很可能不支持你的硬件．
推荐从https://developer.nvidia.com/cuda-downloads下载run脚本安装，脚本安装会提示你是否升级显卡驱动，此时选No即可．安装后还需要设置一些bin和lib的环境变量．cuda有很多版本，需要找到与显卡驱动匹配的版本，否则安装后还是找不到gpu．

4) Tensorflow_gpu

Tensorflow有gpu和cpu两个版本，简单安装中安装的是cpu版本，gpu版本则需要系统中安装cuda和libcudnn，且与Tensorflow匹配．比如：最新的Tensorflow需要cude-8.0版本和cudnn-6.0与之匹配，其它版本会有各种各样奇怪的报错．安装命令如下：

$ sudo pip install tensorflow_gpu

也可以从git中下载tensorflow最新代码编译，不过编译过程也需要安装bazel等工具支持，比较麻烦．
我安装成功时使用的是用pip安装tensorflow_gpu，同时安装了cuda_8.0.44_linux.run和cudnn-8.0-linux-x64-v6.0.tgz（tgz包约200M，用15M的包会报错找不到函数）

测试程序
安装后，可用以下程序测试tensorflow是否正常运行

import tensorflow as tf

hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
a = tf.constant(10)
b = tf.constant(32)
print(sess.run(a + b))

5) Theano

Theano也是基本于cuda调用GPU的，相对于Tensorflow要简单一些，它对cuda的版本要求不严格，只要在配置文件中设置正常即可调用GPU
i. 配置文件

$ vi ~/.theanorc
内容如下
[global]
device=gpu
floatX=float32

[nvcc]
optimizer=None

ii. 测试程序

from theano import function, config, shared, sandbox  
import theano.tensor as T  
import numpy  
import time  
  
vlen = 10 * 30 * 768  # 10 x #cores x # threads per core  
iters = 1000  
  
rng = numpy.random.RandomState(22)  
x = shared(numpy.asarray(rng.rand(vlen), config.floatX))  
f = function([], T.exp(x))  
print(f.maker.fgraph.toposort())  
t0 = time.time()  
for i in range(iters):  
    r = f()  
t1 = time.time()  
print("Looping %d times took %f seconds" % (iters, t1 - t0))  
print("Result is %s" % (r,))  
if numpy.any([isinstance(x.op, T.Elemwise) for x in f.maker.fgraph.toposort()]):  
    print('Used the cpu')  
else:  
    print('Used the gpu')