看完这个,不用写代码就能实现深度学习了

2006年,机器学习界泰斗Hinton,在Science上发表了一篇使用深度神经网络进行维数约简的论文 ,自此,神经网络再次走进人们的视野,进而引发了一场深度学习革命。深度学习之所以如此受关注,是因为它在诸如图像分类、目标检测与识别、目标跟踪、语音识别、游戏(AlphaGo)等多个领域取得了相当优秀的成绩,掀起了又一波人工只能浪潮。深度学习技术逐渐成为机器学习领域的前沿技术,近年来得到了突飞猛进的发展,这得益于机器学习技术的进步以及计算设备性能的提升。英伟达公司研发的图形处理器(Graphics Processing Unit,GPU),无疑为深度学习的发展提供了强有力的硬件支撑!

英伟达想必大家都有所耳闻,但对英伟达开发的深度学习训练系统(NVIDIA Deep Learning GPU Training System, DIGITS) 知之甚少,今天我们介绍如何使用DIGITS,实现基于深度神经网络的图像分类,包括数据集创建、模型创建、模型训练、模型测试等等。

面对众多的深度学习开发框架,你是不是安装配置深度学习开发框架环境中,是不是苦于码代码、调试改Bug中。那么,今天你将发现,世界上还有一款超级简单易用的深度学习平台工具,是的,这就是DIGITS。说到底,DIGITS是对现有流行深度学习开发框架的最高级的抽象封装,你所需做的只不过是点点按钮、改改参数,就能轻松实现基于深度学习模型的图像分类、目标检测、分割等任务,并以图形界面的方式展现出来。目前DIGITS支持 Caffe、Torch,7月份将开始支持Tensorflow,开发人员,正在努力工作,使其支持更多的深度学习框架,如下图所示:

DIGITS支持的深度学习框架(来自英伟达官网)

下面,让我们一起学习如何使用DIGITS,实现基于深度卷积网络的手写体图像分类任务,让我们一起成为人工智能时代的弄潮儿!

DIGITS安装

由于本文重点介绍如何使用DIGITS实现深度学习图像分类,这里仅给出安装参考与注意事项。

现今,DIGITS已经有了三种安装姿势:

● Ubuntu 包管理器 ● Docker ● 源码编译

具体请移步 NVIDIA DIGITS Installation。2015年时,DIGITS出道时还只有源码安装方式,时隔一年竟然有了 deb 安装方式,果断试用,按照官方说明分分钟安装完毕~.~

注:Ubuntu16.04下安装Caffe,会有比较多的坑,跳进去再跳出来就行了,不过,对于初学者,可能得几个小时,甚至几天的时间才能跳出来。

无论哪种安装姿势,都要确保有以下核心实料:

● 装有GPU卡的PC机(有服务器更好); ● Linux系统(建议Ubuntu,本文 Ubuntu16.04 LTS); ● CUDA驱动(本文版本8.0,Linux版有 run 和 deb 两种安装包,前者需要卸载系统自带驱动,一不小心可能就进不去图形界面了,需谨慎 ,具体安装方法,参见英伟达官方安装手册)或自行搜索; ● 深度学习框架:如 Caffe, CNTK, TensorFlow, Theano and Torch 等其中的一种或多种(目前支持Caffe和Torch); ● DIGITS

Ubuntu deb 包安装

很简单,打开终端(快捷键 Ctrl + Alt + T),执行如下命令,既可以自动安装 digits, caffe-nv, torch7-nv, libcudnn,其中,xxx-nv 是指英伟达 fork 的xxx框架版本。具体安装方法,参见:DIGITS Ubuntu Installation。

DIGITS Ubuntu deb 安装命令

#添加源
# For Ubuntu 16.04
CUDA_REPO_PKG=http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_8.0.61-1_amd64.deb
ML_REPO_PKG=http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1604/x86_64/nvidia-machine-learning-repo-ubuntu1604_1.0.0-1_amd64.deb


# Install repo packages
wget "$CUDA_REPO_PKG" -O /tmp/cuda-repo.deb && sudo dpkg -i /tmp/cuda-repo.deb && rm -f /tmp/cuda-repo.deb
wget "$ML_REPO_PKG" -O /tmp/ml-repo.deb && sudo dpkg -i /tmp/ml-repo.deb && rm -f /tmp/ml-repo.deb


# Download new list of packages
sudo apt-get update
# Install 
sudo apt-get install digits

源码安装

DIGITS的源码可以在GitHub上找到,即这里:GitHub DIGITS,具体编译构建安装过程参见:NVIDIA DIGITS Source Installation。

提示:

安装过程若提示错误:ImportError: No module named setuptools 可以使用 sudo apt install python-setuptools 解决。

cd ~/sfw
git clone https://github.com/NVIDIA/DIGITS.git

DIGITS使用入门

终于可以开始使用DIGITS了,首先打开你的浏览器,然后:

● 对于使用deb包安装的童鞋,在浏览器地址栏输入 http://localhost/ 访问 DIGITS server 主页; ● 对于采用其他安装方式(using digits-devserver)的童鞋,在浏览器地址栏输入 http://localhost:5000/ 访问 DIGITS server 主页;

现在开始吧!DIGITS server主页界面如下,可见使用DIGITS做深度学习应用,非常简单明了人性化,就是点点按钮的事;点击图中Images下拉菜单按钮,可以看到,如今DIGITS已经支持 图像预处理、分类、目标识别、分割:等多种学习任务。

DIGITS Server Home 页简介

废话少说,开始正题,使用 DIGITS ,基本分三步:

● 第一步:准备并创建数据集 ● 第二步:设计并创建任务模型 ● 第三步:训练测试模型

下面以手写体分类为例,说明如何利用 DIGITS,轻松实现基于深度学习中的卷积神经网络的图像分类任务。

使用DIGITS实现基于深度学习的图像分类

● 数据集:手写体数据集 MNIST:含 0~9 十个数字,60000个训练样本,10000个测试样本;

● 网络模型:卷积神经网络 LeNet-5:一种卷积神经网络。

详情参见 Yann LeCun 主页。

下载MNIST数据集

你可访问上述数据集链接下载并解压数据,也可以使用 DIGITS 提供的数据集下载工具直接下载解压数据,数据会被下载到你指定的目录下(yourdir),本文中:

python -m digits.download_data mnist ~/yourdir/mnist

下载完成后,在你指定的目录下可以看到如下文件:

创建数据集

在DIGITS server Home页,以此选择 Datasets > New Dataset > Images > Classification ,然后随便取个用户名(username),提交(Submit),在弹出的页面中,按下图所示填写数据集信息。

DIGITS MNIST 数据集创建页面

创建完成后,可以在MNIST数据集页面查看验证数据集信息,如下图所示:

创建好的MNIST数据集页面

创建好的MNIST数据集的训练集统计信息如下图所示:

训练集统计信息——频率直方图

创建模型

我们使用经典的LeNet模型来实现手写体图像的分类,LeNet是一个卷积神经网络,它依次包含一个输入层(INPUT)、卷积层(C1)、池化层,也叫下采样层(S2)、卷积层(C3)、下采样层(S4)、卷积层(C5)、全连接层(F6)和一个输出层,由于有0~9个数字,所以输出层的神经元的个数是10。这么复杂的结构,宝宝得写多少行代码,宝宝不想当程序猿 ~,~

用于手写体分类的LeNet网络结构

然而,你不用担心,使用DIGITS,你只需要点点按钮,改改参数即可,由于是经典模型,这里连该参数都不用,点按钮就行了。点击左上角的 DIGITS 按钮,返回主页,此时,可以看到数据集(DataSets)页面多了个刚刚创建的MNIST数据集。依次选择 Models > New Model > Images > Classification 弹出模型设置界面,依次按如下步骤操作:

● 在Select Dataset 区选择 “MNIST” 数据集; ● 在下面的Standard Networks 标签页选择Caffe 版的 LeNet network; ● 选择GPU; ● 给模型命个名字; ● 点击 Create 按钮创建模型

如下图所示:

用于手写体分类的LeNet网络模型训练与测试设置

当然,你也可以设置训练代数、验证间隔(代数)、优化方法、学习率等参数。

训练模型

创建完模型后,DIGITS 开始网络的训练,并实时显示训练损失、验证损失、验证正确率、学习率变化、GPU资源占用等信息,如下图所示,非常直观和友好,有木有,~.~

DIGITS MNIST LeNet分类网络训练过程图

喝杯咖啡,或出去溜达溜达即可!

测试

现在到了测试你的模型的时候了,如下图所示,有三种选择:

● Classify One:单幅图像分类,可以可视化数据、权重、隐藏层输出等; ● Classify Many:多幅图像分类,可以查看多幅图像的分类结果统计信息; ● Top N Predictions per Category:每类的Top N分类预测图示。

测试你的手写体分类模型

上述手写体分类模型,对数字6的某幅图像分类结果如下图所示,非常直观友好有木有,宝宝瞬间喜欢上人工智能了耶:

上述手写体分类模型,对10000个测试样本图像的分类统计结果如下图所示,哇,这么高大上的矩阵我也有了:

上述手写体分类模型,Top N分类统计结果如下图所示,宝宝决定要搞深度了,谁都不能阻挡我:

后记

本文介绍了 DIGITS 及其安装,以及使用 DIGITS 进行图像分类的步骤与方法,包括数据集的创建、模型的创建与训练、模型测试等等。总结起来,使用DIGITS做深度学习应用,简直就是点点点,免去了使用Caffe等其它框架繁琐的环境配置、枯燥的码代码 Debug 的过程,你不需要去学习Python等语言,你甚至都不需要了解模型算法原理,就能轻松享受深度学习的乐趣,这一切 DIGITS 都已经为你做好,简直太爽啦!~.~ ~.~ ~.~

如果你不是程序猿,如果你不了解深度学习,如果你不知道选择何种深度学习框架,如果你不想把精力耗费在码代码上,而你却非常想了解深度学习,以至于你想成为人工智能时代的弄潮儿,那么DIGITS是你最好的入门选择!生活原本很简单,为什么要过得复杂呢?

原文发布于微信公众号 - BestSDK(bestsdk)

原文发表时间:2017-07-03

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

来自专栏华章科技

深度学习卷积神经网络的秒懂各种操作

转载文章均来自公开网络,仅供学习使用,不会用于任何商业用途,如果出处有误或侵犯到原作者权益,请与我们联系删除或授权事宜,联系邮箱:holly0801@163.c...

871
来自专栏机器之心

教程 | 在Cloud ML Engine的TPU上从头训练ResNet

张量处理单元(TPU)是能够大大加快深度学习模型训练速度的硬件加速器。在斯坦福大学进行的独立测试中,在 TPU 上训练的 ResNet-50 模型能够在 Ima...

1492
来自专栏人工智能头条

张雨石:Adam - 大规模分布式机器学习框架

5307
来自专栏杨熹的专栏

详解 TensorBoard-如何调参

什么是 TensorBoard TensorBoard 是 TensorFlow 上一个非常酷的功能,我们都知道神经网络很多时候就像是个黑盒子,里面到底是什么样...

6098
来自专栏机器之心

教程 | 用摄像头和Tensorflow.js在浏览器上实现目标检测

2494
来自专栏SDNLAB

使用机器学习算法对流量分类的尝试——基于样本分类

导言 机器学习方法目前可以分为5个流派,分别是符号主义,联结主义,进化主义,贝叶斯和Analogzier。具体到实例有联结主义的神经网络,进化主义的遗传算法,贝...

68612
来自专栏猿湿Xoong

Android | 通过机器学习实现精准字母手势识别

1884
来自专栏人人都是极客

想让你的微控制器AI效率提升5倍吗?

目前,在许多需要在本地进行数据分析的“永远在线”的物联网边缘设备中,神经网络正在变得越来越普及,主要是因为可以有效地同时减少数据传输导致的延时和功耗。而谈到针对...

872
来自专栏技术翻译

Orange:用于创建机器学习模型的便捷开源工具

在本教程中,我将演示Orange,一种用于机器学习的工具。Orange是一款极易使用,轻巧的拖放式工具。更重要的是,它是开源的!如果您是Anaconda用户,那...

1520
来自专栏iOSDevLog

quickdraw_datasetQuick Draw!数据集

https://console.cloud.google.com/storage/browser/quickdraw_dataset

3322

扫码关注云+社区