DeepLearning入门笔记（一），准备工作与注意事项

本文记录了安装theano、keras、tensorflow以及运行tutorial程序时遇到的一些问题，供后人参考。

实验机器：联想笔记本，i7-6700HQ，GTX960M，16G内存，SSD硬盘，64位Ubuntu 16.04 LTS

备注：

不推荐windows，会遇到各种不兼容问题。Ubuntu最好使用16.04这个版本，低版本的Ubuntu可能出现显卡驱动不支持等问题。
Ubuntu16.04 装好后，注意将系统默认的显卡驱动改为nvidia的驱动，并更新显卡驱动，我用的是version 367.48。
TensorFlow的gpu版本安装比较麻烦，由于CUDA版本兼容问题，如果使用当前最新的CUDA 8.0，则需要自己重新编译TensorFlow源代码，然后本地安装。
建议先安装Theano和Keras，流程相对容易，早点跑出“hello world”，增强信心。

安装Theano作为后端的Keras：

详细流程可参见

http://keras-cn.readthedocs.io/en/latest/getting_started/keras_linux/

流程中安装CUDA和cuDNN时，应选择CUDA 8.0和cuDNN 5.0，安装完毕后，一定要记得重启电脑！否则运行tutorial代码会提示no CUDA-capable device is detected

按照教程运行mnist_mlp.py，会有如下提示，说明GPU加速成功，每次Epoch需要1s，如果是CPU版本的训练，则一次Epoch需要70s左右。

Using Theano backend.

Using gpu device : GeForce GTX 960M (CNMeM is enabled with initial size: 80.0% of memory, cuDNN )

安装Tensorflow：

在官方教程里，有编译好的whl给我们直接安装（通过pip install），比如我的机器就选下面这个

# Ubuntu/Linux -bit, GPU enabled, Python 2.7

# Requires CUDA toolkit 8.0 and CuDNN v5. For other versions, see "Install from sources" below.

$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.11.0rc1-cp27-none-linux_x86_64.whl

但实际操作后会遇到报错，具体报错信息我没保存，今天反思了一下，估计是因为我的CUDA安装路径不是TensorFlow默认的"/usr/local/cuda"，而是"/usr/local/cuda-8.0"，可能把文件名改一下就好了的。当时我实际的解决方案是git clone TensorFlow源代码，然后自己配置环境并重新编译。。。

编译TensorFlow也比较麻烦，最靠谱的安装教程应该是这个

http://textminingonline.com/dive-into-tensorflow-part-iii-gtx-1080-ubuntu16-04-cuda8-0-cudnn5-0-tensorflow

首先需要安装JDK，虽然Ubuntu自带了OpenJDK，但还是按照网上教程，卸载了OpenJDK，装了Oracle JDK并配置好环境变量。然后就是安装Google内部使用的build工具Bazel，中间应该是有报错的，我记得是提示有依赖包没有安装，google一下可以找到解决方案，然后成功安装好bazel之后，就可以进行编译了。

编译之前，要先git clone TensorFlow，这里我直接下载了master版本，所以后面发现版本太新，无法与keras兼容。。不过先暂时这样吧。下载好之后，要cd到TensorFlow源代码主目录，然后./configure配置环境，这里面最重要的就是设置好CUDA和cuDNN的版本和路径，注意TensorFlow默认的CUDA路径是“/usr/local/cuda”，而CUDA 8.0的默认安装路径是“/usr/local/cuda-8.0”，所以配置的时候一定要手动修改一下。

配置完毕之后，按照教程用bazel编译即可。编译大概要十多分钟，结束之后得到whl文件，然后用pip install，大功告成。此时再在python里import tensorflow，可以看到以下信息

>>> import tensorflow

I tensorflow/stream_executor/dso_loader.cc:] successfully opened CUDA library libcublas.so.8.0 locally

I tensorflow/stream_executor/dso_loader.cc:] successfully opened CUDA library libcudnn.so locally

I tensorflow/stream_executor/dso_loader.cc:] successfully opened CUDA library libcufft.so.8.0 locally

I tensorflow/stream_executor/dso_loader.cc:] successfully opened CUDA library libcuda.so. locally

I tensorflow/stream_executor/dso_loader.cc:] successfully opened CUDA library libcurand.so.8.0 locally

用TensorFlow跑MNIST数据集：

这个算是我们的hello world吧。按照官方教程，只需要下面两条命令就可以跑起来并得到不错的分类结果

$ cd tensorflow/models/image/mnist

$ python convolutional.py

但实际运行的时候，会发现terminal没有任何输出，原因是程序需要先下载MNIST数据集，数据源在国外，不翻墙的话很慢。用gedit打开convolutional.py，可以找到数据源的地址，以及下载存放的路径，我们可以翻墙自己下载数据，然后根据需要修改一下

源代码里的文件路径即可。如果有GPU加速，会看到以下信息：

I tensorflow/core/common_runtime/gpu/gpu_device.cc:] Found device  with properties:

name: GeForce GTX 960M

major:  minor:  memoryClockRate (GHz) 1.176

pciBusID ::00.0

Total memory: .95GiB

Free memory: .57GiB

I tensorflow/core/common_runtime/gpu/gpu_device.cc:] DMA:

I tensorflow/core/common_runtime/gpu/gpu_device.cc:] :   Y

I tensorflow/core/common_runtime/gpu/gpu_device.cc:] Creating TensorFlow device (/gpu:) -> (device: , name: GeForce GTX 960M, pci bus id: ::00.0)

Initialized!

Step  (epoch 0.00), 7.8 ms

Minibatch loss: 12.054, learning rate: 0.010000

Minibatch error: 90.6%

Validation error: 84.6%

Step  (epoch 0.12), 16.6 ms

Minibatch loss: 3.297, learning rate: 0.010000

Minibatch error: 6.2%

Validation error: 7.5%

Step  (epoch 0.23), 16.5 ms

Minibatch loss: 3.459, learning rate: 0.010000

Minibatch error: 12.5%

Validation error: 3.9%
.......（后面的print信息被我省略掉了）

用TensorFlow跑word2vec：

官方教程在这里

https://www.tensorflow.org/versions/r0.11/tutorials/word2vec/index.html#vector-representations-of-words

我们运行 tensorflow/examples/tutorials/word2vec/word2vec_basic.py ，它还是要先自动下载数据，如果很慢的话，同样可以自己下载搞定。然后训练完毕之后会用TSNE对词向量做可视化，这里需要再安装几个matplotlib,sklearn,scipy这三个python包，注意matplotlib还需要安装Tkinter，可以用下面的命令

apt-get install python-tk

最后训练完的词向量如图

巴特西

DeepLearning入门笔记（一），准备工作与注意事项

最新文章

热门文章