相關概念

1、人工智能：作為計算機的一個分支，目的在于利用機器模仿人類智能去完成一定的任務，從上世紀五十年代開始發(fā)展，經過多次起落，直到最近又一次掀起了人工智能的熱潮。

2、機器學習：作為實現人工智能的一種方法，在上世紀八十年代出現。研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，進而重新組織已有的知識結構使之不斷改善自身的性能。與人類的學習過程類似，通過對機器模型輸入大量的相關數據進行訓練，使得機器可以自己對新的輸入做出正確反應。

3、深度學習：是機器學習的一種方法，通過建立具有階層結構的人工神經網絡，在計算系統中實現人工智能。從2010年以后開始變得火熱。

4、機器學習的分類：

• 有監(jiān)督的學習：事先需要準備好輸入和正確的輸入相配套的訓練數據，讓機器進行學習。例如，回歸問題是預測連續(xù)的輸入數據對應的輸出值。分類問題的輸出結果為離散的種類。
• 無監(jiān)督的學習：輸入數據只有特征沒有標記，讓機器自己抽取數據包含的模式與規(guī)則。對于給定的無標簽數據集，無監(jiān)督的聚類算法可以根據數據內部的聯系自動將數據分成不同的聚類。例如聚類算法可以通過大量的
• 用戶數據將用戶自動化分為不同的細分市場，在這之前我們并不知道要劃分成哪些類別。
• 半監(jiān)督的學習：輸入數據大部分沒有標記，通過對小部分有標記的數據規(guī)律總結，推廣應用到其他數據
• 強化學習：無需初始數據，而是由機器根據激勵函數通過接收環(huán)境對動作的獎勵（反饋）獲得學習信息并更新模型參數，錯誤懲罰或正確進行獎勵，以取得最大化的預期利益。

5、人工神經網絡（Artificial Neural Networks）

生物體的神經元通過樹突感受外界刺激，產生信號經過軸突的判斷與處理傳遞到下一個神經元，直到最后對外界刺激做出相應的反應。受此啟發(fā)產生了神經元模型，通過對輸入的自變量經權重參數的處理加權求和，再通過激活函數判斷，產生輸出。

神經網絡由多個神經元組成，在輸入層接受輸入數據后經過處理傳遞到下一層神經元，經過多個隱含層神經元處理后傳遞到輸出層。

激活函數：神經元在處理數據后需要判斷是否達到輸出的閾值，滿足則輸出。常見的激活函數有S型、修正線性單元激活函數

配置Anaconda環(huán)境

1、Anaconda的安裝：Anaconda是一個開源的包、環(huán)境管理器，其包含了conda、Python等180多個科學包及其依賴項，而且還包括Jupyter、Spyder等多個python開發(fā)所需工具。

由于實際中需要使用不同的python環(huán)境，可以通過anaconda創(chuàng)建與管理不同的環(huán)境來運行項目。

在anaconda官網下載Windows版本的安裝包，根據提示點擊下一步完成安裝。

2、添加清華的anaconda鏡像源，通過國內鏡像源下載更快

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

通過如下命令查看conda已經添加的鏡像源

conda config --get channels

3、創(chuàng)建與啟動名為tensorflow的python環(huán)境。

anaconda默認一個名為base的python環(huán)境。

conda create -n tensorflow python=3.7
conda activate tensorflow

4、安裝TensorFlow

查看tensorflow包信息

anaconda show anaconda/tensorflow 

根據包信息最后的提示進行安裝：

conda install –channel https://conda.anaconda.org/anaconda tensorflow

5、測試

打開Jupyter Notebook，在右上角new新建一個python3文件，輸入如下代碼，按下Ctrl+Enter，運行顯示TensorFLow版本

import tensorflow as tf
tf.__version__

6、修改pip源

python的包管理工具是pip，通過pip可以對包依賴進行管理與下載，可以修改pip源地址使得下載速度更快，例如使用清華的鏡像下載sklearn包：

pip install sklearn -i https://pypi.tuna.tsinghua.edu.cn/simple

也可以修改pip設置一勞永逸地設置鏡像源

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

安裝Tensor FLow的GPU版本

1、安裝tensorflow-gpu

使用TensorFlow時，通過GPU進行運算與CPU相比在速度上具有明顯的提升，因此可以安裝另一個GPU版本的TensorFLow用于比較復雜的機器學習訓練。

首先通過Anaconda創(chuàng)建并激活一個新的環(huán)境，之后命令行切換到新的環(huán)境下(tensorflow-gpu) C:\Users\Super>：

conda create -n tensorflow-gpu python=3.7
conda activate tensorflow-gpu

通過conda info --env可以看到已經創(chuàng)建的環(huán)境，其中帶*的為當前使用的環(huán)境：

通過pip包管理工具安裝tensorflow-gpu版本：

pip install --ignore-installed --upgrade tensorflow-gpu 

2、安裝CUDA驅動

此時以及安裝完成tensorflow-gpu版本，但是這時import tensorflow會報錯，提示需要安裝CUDA驅動。CUDA是英偉達顯卡公司推出的通用并行計算架構，該架構使GPU能夠解決復雜的計算問題。不同的Tensor Flow版本需要不同的CUDA版本，其要求可以在Tensor FLow的官網介紹查到：https://www.tensorflow.org/install/gpu#software_requirements

我的tensorflow是1.14版本，選擇CUDA10.0，在CUDA官網：https://developer.nvidia.com/cuda-toolkit-archive選擇對應的版本下載安裝包并按照指示一步一步操作完成安裝。

接著需要安裝cuDNN，NVIDIA cuDNN是用于深度神經網絡的GPU加速庫，它強調性能、易用性和低內存開銷，cuDNN可以集成到更高級別的機器學習框架中。

在官網https://developer.nvidia.com/rdp/cudnn-archive選擇CUDA對應的版本（如左下圖），下載到本地后解壓，產生如下右圖文件夾

將每個文件夾下的內容復制到CUDA對應的安裝目錄下。

例如將其中bin下的文件對應復制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin目錄下。

安裝完成后重啟電腦。

通過如下命令查看設備情況：

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

輸出內容如下：

name: "/device:CPU:0"
 device_type: "CPU"
 memory_limit: 268435456
 locality {
 }
 incarnation: 17000744802228690105, name: "/device:GPU:0"
 device_type: "GPU"
 memory_limit: 3146829004
 locality {
   bus_id: 1
   links {
   }
 }
 incarnation: 13189553194108047445
 physical_device_desc: "device: 0, name: GeForce GTX 1050 Ti, pci bus id: 0000:01:00.0, compute capability: 6.1"]

3、配置jupyter notebook

現在我們有兩個anaconda環(huán)境，一個是系統自帶的base，另一個是我們創(chuàng)建的tensorflow-gpu，base中自帶安裝了jupyter notebook而新環(huán)境中沒有。

如果我們希望通過jupyter notebook使用新環(huán)境有兩種方法--在新環(huán)境中再安裝一個notebook或者在base環(huán)境中調用新環(huán)境。

這里選擇第二種，為此我們需要為新環(huán)境tensorflow-gpu安裝ipykernel：

conda activate tensorflow-gpu    # 啟動對應的tensorflow-gpu環(huán)境
 
conda install ipykernel    # 在環(huán)境中安裝ipykernel

在base環(huán)境中的jupyter notebook中注入tensorflow-gpu的內核：

conda activate base    # 切換回base環(huán)境python -m ipykernel install --user --name tensorflow-gpu --display-name "TF-GPU"

查看jupyter中的kernel

jupyter kernelspec list

刪除指定kernel：

jupyter kernelspec remove kernelname

修改jupyter notebook默認工作目錄

首先輸入如下命令，生成設置文件 C:\Users\Super\.jupyter\jupyter_notebook_config.py：

jupyter notebook --generate-config

找到該配置文件，將如下語句修改為默認工作目錄位置：

c.NotebookApp.notebook_dir = 'D:\\Python\\jupyter'

最后修改桌面快捷方式的啟動位置，右鍵jupyter notebook快捷方式，選擇屬性彈出如下界面，將目標最后的%USERFILE%刪去，保存后點擊快捷方式啟動，工作目錄就是設置的D:\\Python\\jupyter

啟動jupyter notebook并打開項目，可見其中的kernel可以進行切換

通過GPU版本的Tensor FLow運行卷積神經網絡，速度明顯加快，而且可以看到GPU參與運算，并且cpu的負載減少

總結

以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論