如何搭建你自己的“深度学习”机器?

深度学习是一门用来解决复杂问题的技术,例如自然语言处理和图像处理。目前,我们已经可以很快的处理超大计算量的问题——这多亏了GPU,GPU最初就是用于快速生成高分辨率计算机图像,由于它的计算效率使得其非常适合用于深度学习算法。原先需要用好几周才能分析出来的结果,现在几天时间就能完成。

虽然现在的计算机都有GPU,但是并不是所有的GPU都适合用来进行深度学习。对于那些不能深度学习功能的GPU,本文将会一步一步的教大家如何构建一个自己的深度学习机器。

深度学习系统本质上是在另一台电脑上安装一个具有深度学习的GPU。GPU是普通计算机和深度学习机器的主要区别。

首先,检测下你的GPU型号是否有在这个网站中列出,继续阅读下文,你就会知道如何用小于$1.5k的花费来装备你的机器。

购买硬件

这个部分,我们来列出构建深度学习机器需要用到的主要设备。如果你对电脑硬件知识不了解或者你觉得这样太费时间。你可以去实体店里购买这些,或者让店里的人给你配。以下列出来的价格是2016年3月,在美国的价格。总共花费$1285,这也是我们参加比赛得到的资助。

主板

主板是结合其他组件,使他们之间的沟通协调。这是一个印刷电路板。

中央处理器(CPU)

执行计算能力,就像人的大脑,安装在主板上。

随机存取存储器(RAM)

快速检索信息,安装在另一个主板上

$115 – 16GB (2x8GB), Corair Vengeance DDR4 DRAM 2400MHz

图像处理器(GPU)

为深度学习提供一个密集的计算能力。我们选择的GPU是GTX970,我们买了个小型的,这样方便携带。另外一个老一点的GPU,GTX770,可以构建一个深度学习模型在33分钟内完成20次迭代。这样的话,我们的机器比预期的更快了些。

$415 – 4GB, Gigabyte GTX970 ITX GDDR5

电源供应设备(PSU)

电源

$75 – 550W, Cooler Master G550M

硬盘(HDD)

提供永久,大容量存储

$160 – 4TB, Western Digital Blue 5400 RPM

CPU 冷却器

就是CPU风扇啦 $35 – Cooler Master GeminII M4

Case

带USB接口的其他的一些配件 $50 – Cooler Master Elite 110

Assembly

$25 – 店内服务安全,连接组件。

组装完后,连接上显示器,鼠标和键盘就能用了。

软件安装

第一步:安装ubuntu

Ubuntu是一个开源系统,我们的深度学习机器就是运行在上面的。简单的安装方法是,用另一台电脑下载好系统,放在USB中。然后,在深度学习机器中插入该USB,进行系统的安装。

具体的安装过程就不讲了,大家可以百度查下。

第二步:安装深度学习相关软件

Nvidia 是一家生产GPU的公司,他们一家有一套用于深度学习的框架Digits。在安装Digits之前,我们需要先安装一些依赖的软件。

首先我们需要安装驱动,该驱动深度学习软件访问GPU资源。在按Ctrl+Alt+T调出终端

在Ubuntu 14.04中,Nvidia驱动是官方库中自带的。虽然在官方库中的版本可能较NVIDIA网站上的老些,但是他们通常都更稳定些,而且是由社区进行测试的。我们建议直接使用Ubuntu库自带的就好。

搜索最新版本nvidia进行安装:

apt-cache search nvidia

得到的结果可能是像”nvidia-xxx”这样的,其中的xxx就是响应的版本号,选择一个最新的就行,例如,我们选的是 nvidia-352 。

其中,额外安装的包nvidia-modprobe和nvidia-settings会让以后的升级安装更容易些。

第三步:安装CUDA和Digits

CUDA是一个可以让GPU执行任务的平台,可以提高它的运行效率。Digits是深度学习的界面展示。你可以用这个界面上传数据,建立模型并且预测趋势。

当安装成功,打开您的浏览器并访问http://localhost。您应该看到如下所示的一个网页:

如果遇到错误,请参考故障排除部分官方安装指南。

运行分析

Nvidia的Digits是一个友好的平台,允许你使用深度学习技术训练预测模型。下面的视频提供了一个从上传数据到做出预测的综合演示的整个过程,大家伙儿自己翻墙看https://youtu.be/dgxe15vCR7s

结论

就是这样。你就建立起了一个深度学习机器。

如果你是刚开始学习深度学习技术,你也可以现在云平台上先学习,用google的机器学习平台:https://cloud.google.com/products/machine-learning/,真不好意思,又要翻墙。不过,如果你有自己的GPU来运行分析,就可以更快速更灵活的调整你的运行参数。

*参考来源:annalyzin.wordpress,FB小编东二门陈冠希编译,转载请注明来自FreeBuf黑客与极客(FreeBuf.COM)

原文发布于微信公众号 - FreeBuf(freebuf)

原文发表时间:2016-05-21

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏云加头条

智能云上手指南:如何使用腾讯云开放的图片鉴黄能力?

今天,腾讯云发布2017战略新品——智能云,对于普通开发者而言,现在可以通过腾讯云开发者实验室0门槛体验优图鉴黄等AI能力。

8551
来自专栏WOLFRAM

Wolfram 语言和 Mathematica 11.2上线了

3163
来自专栏新智元

【自动编译代码】陈天奇团队TVM重磅更新:直接在浏览器使用GPU

【新智元导读】华盛顿大学陈天奇团队的深度学习自动优化代码生成器TVM发布更新,不需要写一行Javascprit代码,直接就能将深度学习模型编译到WebGL,然后...

4305
来自专栏CreateAMind

代码开源---强化学习赛车视频2

https://github.com/createamind/a3c333 更复杂 参考README.md

1432
来自专栏编程

基于Python库Face_Recognition动手DIY人脸识别

0X00 前言 最近使用iPhone x,把人脸识别代入了我们的生活中。前段时间了解了一个Python的一个开元函数库,并对其进行了分析、学习和实践,那么今天我...

3455
来自专栏李蔚蓬的专栏

2018.01.21.一周机器学习周记

3.根据提示,在官网下载对应的CUDA版本,下载完成后进行安装(安装之前先卸载本地的旧版本)

1401
来自专栏量子位

TensorFlow 1.0正式发布!

量子位 | 问耕 编译整理 ? 今日凌晨,在加州湾区Google总部山景城举办的TensorFlow开发者峰会上,TensorFlow 1.0版本正式发布!目前...

2953
来自专栏机器学习算法工程师

免费使用谷歌GPU资源训练自己的深度模型

作者:刘威威 编辑:黄俊嘉 注:本文编译自medium,原英文链接:https://medium.com/@nick...

5938
来自专栏机器之心

专栏 | 百度PaddlePaddle的新特性与大规模稀疏数据分布式模型训练

百度深度学习框架 PaddlePaddle 自 2016 年开源以来,受到了业界的广泛关注,PaddlePaddle 社区更是汇集了一大批 AI 技术开发者。开...

1303
来自专栏影子

关于图文识别功能相关技术的大致实现

37411

扫码关注云+社区

领取腾讯云代金券