3.训练模型之在GPU上训练的环境安装

一般来说我们会在笔记本或者 PC 端编写模型和训练代码，准备一些数据，配置训练之后会在笔记本或者 PC 端做一个简单验证，如果这些代码数据都 OK 的话，然后真正的训练放在计算力更强的的计算机上面执行，一般来说至少有一块或者多块 GPU，有相当好的显存和内存，接下来实验一下。

选择一个支持 TensorFlow GPU 的计算机

当务之急是找到一块可以用于 TensorFlow 的显卡，TensorFlow 只支持在 NVIDIA 的部分高端显卡上面进行 GPU 加速， 在 NVIDIA 开发者中心可以找到支持的显卡列表，确保显卡在这个列表之内。

一般来说有两个选择，第一可以自己购买配置一个专门用于机器学习/深度学习的服务器，这样初期的投入比较高。第二可以租用云服务器，目前各大云服务商都有专门的 GPU 计算实例，可以按照小时计费，这样对于学习来说成本还是可以接受的。

其实我的 MacBook Pro 上面有一块 N 卡，但是从 TensorFlow 1.2 开始，官方已经不再支持 Mac 上的 GPU 计算了。虽然可以通过一些 hack 使 TensorFlow 的 Mac 版本继续支持 GPU，但是笔记本上的显卡计算能力还是比较弱，我也不想训练到一半把这块显卡烧了，所以我选择从云服务商那里租用一台 GPU 计算实例。

安装 CUDA

CUDA 是一种由 NVIDIA 推出的通用并行计算架构，只能应用于 NVIDIA 的系列显卡，目前主流的深度学习框架包括 TensorFlow 都是使用 CUDA 来进行 GPU 加速的（可以把 CUDA 当做是一种驱动程序，TensorFlow 通过这个驱动程序来使用显卡），所以我们必须先安装 CUDA。

首先检查一下显卡信息，确保没有租错主机，在终端上运行：lspci | grep -i nvidia

要确保列出的显卡在 NVIDIA 支持 CUDA 的显卡列表里面。

在我租用的主机上，显示如下：

显卡没有问题，接下安装 CUDA（本课程使用 CUDA 8）。

在 NVIDIA 开发者中心下载相应的 deb 包。

下载完成以后运行：

    sudo dpkg -i cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.deb
    sudo apt-get update
    sudo apt-get install cuda

如果不出意外，安装完成之后在终端运行：nvcc --version，则输出 CUDA 的版本信息：

安装 cuDNN

我们还需要安装一个叫做 cuDNN 的深度卷积神经网络的加速库。

在 NVIDIA 开发者中心下载安装包(注意：选择 cuDNN 6 的版本，这样才和 CUDA 8 兼容。)，这需要注册一个账号。

下载完成后运行：

    sudo tar -zxf cudnn-8.0-linux-x64-v6.0.tgz 
    cd cuda
    sudo cp lib64/* /usr/local/cuda/lib64/
    sudo cp include/cudnn.h /usr/local/cuda/include/

然后编辑 ~/.bashrc，在最后面加入：

    export CUDA_HOME=/usr/local/cuda
    export PATH=${CUDA_HOME}/bin/:$PATH
    export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CUDA_HOME/lib64:$CUDA_HOME/extras/CUPTI/lib64

然后source ~/.bashrc，安装完成。

安装 TensorFlow GPU 版

为了在 GPU 上进行训练，还要安装 TensorFlow 的 GPU 版本（之前在笔记本上面安装的是 CPU版）： sudo pip install tensorflow-gpu==1.3.0

安装完成以后，运行 Python：

    python
    >>> from tensorflow.python.client import device_lib
    >>> print device_lib.list_local_devices()

如果输出信息里面有 /gpu:0 的信息，那么说明整个安装就成功完成了。

继续训练

前面花了一点时间来配置 GPU 的环境，现在是时候继续我们的训练了。当然还是需要在这台机器上面根据上一课时的内容完成 Object Detection API 的安装和配置；下载 Pre-trained 模型，然后把本地的训练目录打包上传，接着根据具体的路径修改 pipeline.config 中的相应项；最后运行训练脚本，这次的输出是这样的：

每一步的时间被缩短到 1 秒左右，那么执行完 200000 步大概需要 2 天多一点时间，对于实际应用，其实是可以接受的。

我在运行到 20000 多步的时候终止了学习（大概 6 个多小时），然后将训练目录复制到了本地：

在 model/train 目录下就是这 20000 多步的学习输出，如果在这个目录上继续运行训练脚本的话，它会从之前的学习进度开始，继续学习。

一个训练的流程就跑完了，我们配置好了深度学习的软硬件环境，下节课我们开始准备数据，训练自己的模型吧。