LTE经典题目1万题_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
LTE经典题目1万题
阅读已结束，下载文档到电脑
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，方便使用
还剩99页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢这是一份你们需要的Windows版深度学习软件安装指南
本文从最基本的依赖项开始，依次配置了 VS 2015、Anaconda 4.4.0、CUDA 8.0.61 和 cuDNN v5.1 等基本环境，然后再从 Keras 出发安装 Theano、TensorFlow 和 CNTK 以作为其后端。在完成配置深度学习框架后，本文分别利用这三个框架作为 Keras 后端在 CPU 和 GPU 上训练了一个标准的卷积神经网络，完成该简单的卷积网络也就意味着我们完成了深度学习环境的配置。
该配置版本最后更新的日期是今年七月，该更新版本允许本地使用 3 个不同的 GPU 加速后端，并添加对 MKL BLAS 库的支持。
目前有很多帮助我们在 Linux 或 Mac OS 上构建深度学习（DL）环境的指导文章，但很少有文章完整地叙述如何高效地在 Windows 10 上配置深度学习开发环境。此外，很多开发者安装 Windows 和 Ubuntu 双系统或在 Windows 上安装虚拟机以配置深度学习环境，但对于入门者来说，我们更希望还是直接使用 Windows 直接配置深度学习环境。因此，本文作者 Phil Ferriere 在 GitHub 上发布了该教程，他希望能从最基本的环境变量配置开始一步步搭建 Keras 深度学习开发环境。
如果读者希望在 Windows 10 上配置深度学习环境，那么本文将为大家提供很多有利的信息。
下面是我们将在 Windows 10（Version 1607 OS Build ）上配置深度学习环境所需要的工具和软件包：
1、Visual Studio 2015 Community Edition Update 3 w. Windows Kit 10.0.10240.0：用于其 C/C++编译器（而不是 IDE）和 SDK，选择该确定的版本是因为 CUDA 8.0.61 所支持的 Windows 编译器。
2、Anaconda (64-bit) w. Python 3.6 (Anaconda3-4.4.0) [for Tensorflow support] or Python 2.7 (Anaconda2-4.4.0) [no Tensorflow support] with MKL：Anaconda 是一个开源的 Python 发行版本，其包含了 conda、Python、NumPy、SciPy 等 180 多个科学包及其依赖项，是一个集成开发环境。MKL 可以利用 CPU 加速许多线性代数运算。
3、CUDA 8.0.61 (64-bit)：CUDA 是一种由 NVIDIA 推出的通用并行计算架构，该架构使 GPU 能够解决复杂的计算问题，该软件包能提供 GPU 数学库、显卡驱动和 CUDA 编译器等。
4、cuDNN v5.1 (Jan 20, 2017) for CUDA 8.0：用于加速卷积神经网络的运算。
5、Keras 2.0.5 with three different backends: Theano 0.9.0, Tensorflow-gpu 1.2.0, and CNTK 2.0：Keras 以 Theano、Tensorflow 或 CNTK 等框架为后端，并提供深度学习高级 API。使用不同的后端在张量数学计算等方面会有不同的效果。
?Dell Precision T7900, 64GB RAM：Intel Xeon E5-2630 v4 @ 2.20 GHz (1 processor, 10 cores total, 20 logical processors)
?NVIDIA GeForce Titan X, 12GB RAM：Driver version: 372.90 / Win 10 64
我们可能喜欢让所有的工具包和软件包在一个根目录下（如 e:toolkits.win），所以在下文只要看到以 e:toolkits.win 开头的路径，那么我们可能就需要小心不要覆盖或随意更改必要的软件包目录。
?Visual Studio 2015 Community Edition Update 3 w. Windows Kit 10.0.10240.0
?下载地址：
/vs/older-downloads
运行下载的软件包以安装 Visual Studio，可能我们还需要做一些额外的配置：
?基于我们安装 VS 2015 的地址，需要将 C:Program Files (x86)Microsoft Visual Studio 14.0VCbin 添加到 PATH 中。
?定义系统环境变量（sysenv variable）INCLUDE 的值为
C:Program Files (x86)Windows Kits10Include10.0.10240.0ucrt
?定义系统环境变量（sysenv variable）LIB 的值为
C:Program Files (x86)Windows Kits10Lib10.0.10240.0umx64;C:Program Files (x86)Windows Kits10Lib10.0.10240.0ucrtx64
Anaconda 4.4.0 (64-bit) (Python 3.6 TF support / Python 2.7 no TF support))
本教程最初使用的是 Python 2.7，而随着 TensorFlow 可作为 Keras 的后端，我们决定使用 Python 3.6 作为默认配置。因此，根据我们配置的偏好，可以设置 e:toolkits.winanaconda3-4.4.0 或 e:toolkits.winanaconda2-4.4.0 为安装 Anaconda 的文件夹名。
?Python 3.6 版本的 Anaconda 下载地址：https://repo.continuum.io/archive/Anaconda3-4.4.0-Windows-x86_64.exe
?Python 2.7 版本的 Anaconda 下载地址：https://repo.continuum.io/archive/Anaconda2-4.4.0-Windows-x86_64.exe
运行安装程序完成安装：
如上，本教程选择了第二个选项，但不一定是最好的。
定义一下变量并更新 PATH：
?定义系统环境（sysenv variable）变量 PYTHON_HOME 的值为 e:toolkits.winanaconda3-4.4.0
%PYTHON_HOME%, %PYTHON_HOME%s 和 %PYTHON_HOME%Librarybin 到 PATH 中
创建 dlwin36 conda 环境
在安装 Anaconda 后，打开 Windows 命令窗口并执行：
#使用以下命令行创建环境
$ conda create --yes -n dlwin36 numpy scipy mkl-service m2w64-toolchain libpython jupyter
# 使用以下命令行激活环境:
# & activate dlwin36
# 使用以下命令行关闭环境:
# & deactivate dlwin36
# * forpower-users using bash, you must source
如上所示，使用 active dlwin36 命令激活这个新的环境。如果已经有了旧的 dlwin36 环境，可以先用 conda env remove -n dlwin36 命令删除。既然打算使用 GPU，为什么还要安装 CPU 优化的线性代数库如 MKL 呢？在我们的设置中，大多数深度学习都是由 GPU 承担的，这并没错，但 CPU 也不是无所事事。基于图像的 Kaggle 竞赛一个重要部分是数据增强。如此看来，数据增强是通过转换原始训练样本（利用图像处理算子）获得额外输入样本（即更多的训练图像）的过程。基本的转换比如下采样和均值归 0 的归一化也是必需的。如果你觉得这样太冒险，可以试试额外的预处理增强（噪声消除、直方图均化等等）。当然也可以用 GPU 处理并把结果保存到文件中。然而在实践过程中，这些计算通常都是在 CPU 上平行执行的，而 GPU 正忙于学习深度神经网络的权重，况且增强数据是用完即弃的。因此，我们强烈推荐安装 MKL，而 Theanos 用 BLAS 库更好。
CUDA 8.0.61 (64-bit)
从英伟达网站下载 CUDA 8.0 (64-bit)：/cuda-downloads
选择合适的操作系统：
下载安装包：
运行安装包，安装文件到 e:toolkits.wincuda-8.0.61 中：
完成安装后，安装包应该创建了一个名为 CUDA_PATH 的系统环境变量（sysenv variable），并且已经添加了%CUDA_PATH%bin 和 %CUDA_PATH%libnvvp 到 PATH 中。检查是否真正添加了，若 CUDA 环境变量因为一些原因出错了，那么完成下面两个步骤：
?定义名为 CUDA_PATH 的系统环境变量的值为 e:toolkits.wincuda-8.0.61
?添加%CUDA_PATH%bin 和 %CUDA_PATH%libnvvp 到 PATH 中
cuDNN v5.1 (Jan 20, 2017) for CUDA 8.0
根据英伟达官网「cuDNN 为标准的运算如前向和反向卷积、池化、归一化和激活层等提供高度调优的实现」，它是为卷积神经网络和深度学习设计的一款加速方案。
cuDNN 的下载地址：/rdp/cudnn-download
我们需要选择符合 CUDA 版本和 Window 10 编译器的 cuDNN 软件包，一般来说，cuDNN 5.1 可以支持 CUDA 8.0 和 Windows 10。
下载的 ZIP 文件包含三个目录（bin、include、lib），抽取这三个的文件夹到%CUDA_PATH% 中。
安装 Keras 2.0.5 和 Theano0.9.0 与 libgpuarray
运行以下命令安装 libgpuarray 0.6.2，即 Theano 0.9.0 唯一的稳定版：
(dlwin36) $ conda install pygpu==0.6.2nose
#下面是该命令行安装的效果
Fetchingpackage metadata ...........
Solvingpackage specifications: .
Packageplan forinstallation in environment e:toolkits.winanaconda3-4.4.0envsdlwin36:
Thefollowing NEW packages will be INSTALLED:
libgpuarray: 0.6.2-vc14_0 [vc14]
nose: 1.3.7-py36_1
pygpu: 0.6.2-py36_0
Proceed([y]/n)? y
输入以下命令安装 Keras 和 Theano：
(dlwin36) $ pip install keras==2.0.5
#下面是该命令行安装的效果
Collectingkeras==2.0.5
Requirementalready satisfied: six in e:toolkits.winanaconda3-4.4.0envsdlwin36libsite-packages (from keras==2.0.5)
Collectingpyyaml (from keras==2.0.5)
Collectingtheano (from keras==2.0.5)
Requirementalready satisfied: scipy&=0.14in e:toolkits.winanaconda3-4.4.0envsdlwin36libsite-packages (from theano-&keras==2.0.5)
Requirementalready satisfied: numpy&=1.9.1in e:toolkits.winanaconda3-4.4.0envsdlwin36libsite-packages (from theano-&keras==2.0.5)
Installingcollected packages: pyyaml, theano, keras
Successfullyinstalled keras-2.0.5pyyaml-3.12theano-0.9.0
安装 CNTK 2.0 后端
根据 CNTK 安装文档，我们可以使用以下 pip 命令行安装 CNTK：
(dlwin36) $ pip install https://cntk.ai/PythonWheel/GPU/cntk-2.0-cp36-cp36m-win_amd64.whl
#下面是该命令行安装的效果
Collectingcntk==2.0from https://cntk.ai/PythonWheel/GPU/cntk-2.0-cp36-cp36m-win_amd64.whl
Usingcached https://cntk.ai/PythonWheel/GPU/cntk-2.0-cp36-cp36m-win_amd64.whl
Requirementalready satisfied: numpy&=1.11in e:toolkits.winanaconda3-4.4.0envsdlwin36libsite-packages (from cntk==2.0)
Requirementalready satisfied: scipy&=0.17in e:toolkits.winanaconda3-4.4.0envsdlwin36libsite-packages (from cntk==2.0)
Installingcollected packages: cntk
Successfullyinstalled cntk-2.0
该安装将导致在 conda 环境目录下额外安装 CUDA 和 cuDNN DLLs：
(dlwin36) $ cd E:toolkits.winanaconda3-4.4.0envsdlwin36
(dlwin36) $ dir cu*.dll
#下面是该命令行安装的效果
Volumein drive E is datasets
VolumeSerialNumberis 1ED0-657B
Directoryof E:toolkits.winanaconda3-4.4.0envsdlwin36
06/30/201702:47PM 40,744,896cublas64_80.dll
06/30/201702:47PM 366,016cudart64_80.dll
06/30/201702:47PM 78,389,760cudnn64_5.dll
06/30/201702:47PM 47,985,208curand64_80.dll
06/30/201702:47PM 41,780,280cusparse64_80.dll
5File(s) 209,266,160bytes
0Dir(s) 400,471,019,520bytes free
这个问题并不是因为浪费硬盘空间，而是安装的 cuDNN 版本和我们安装在 c:toolkitscuda-8.0.61 下的 cuDNN 版本不同，因为在 conda 环境目录下的 DLL 将首先加载，所以我们需要这些 DLL 移除出%PATH% 目录：
(dlwin36) $ md discard & move cu*.dll discard
#下面是该命令行安装的效果
E:toolkits.winanaconda3-4.4.0envsdlwin36cublas64_80.dll
E:toolkits.winanaconda3-4.4.0envsdlwin36cudart64_80.dll
E:toolkits.winanaconda3-4.4.0envsdlwin36cudnn64_5.dll
E:toolkits.winanaconda3-4.4.0envsdlwin36curand64_80.dll
E:toolkits.winanaconda3-4.4.0envsdlwin36cusparse64_80.dll
5file(s) moved.
安装 TensorFlow-GPU 1.2.0 后端
运行以下命令行使用 pip 安装 TensorFlow：
(dlwin36) $ pip install tensorflow-gpu==1.2.0
#以下是安装效果
Collectingtensorflow-gpu==1.2.0
Usingcached tensorflow_gpu-1.2.0-cp36-cp36m-win_amd64.whl
Requirementalready satisfied: bleach==1.5.0in e:toolkits.winanaconda3-4.4.0envsdlwin36libsite-packages (from tensorflow-gpu==1.2.0)
Requirementalready satisfied: numpy&=1.11.0in e:toolkits.winanaconda3-4.4.0envsdlwin36libsite-packages (from tensorflow-gpu==1.2.0)
Collectingmarkdown==2.2.0(from tensorflow-gpu==1.2.0)
Requirementalready satisfied: wheel&=0.26in e:toolkits.winanaconda3-4.4.0envsdlwin36libsite-packages (from tensorflow-gpu==1.2.0)
Collectingprotobuf&=3.2.0(from tensorflow-gpu==1.2.0)
Collectingbackports.weakref==1.0rc1(from tensorflow-gpu==1.2.0)
Usingcached backports.weakref-1.0rc1-py3-none-any.whl
Collectinghtml5lib==0.9999999(from tensorflow-gpu==1.2.0)
Collectingwerkzeug&=0.11.10(from tensorflow-gpu==1.2.0)
Usingcached Werkzeug-0.12.2-py2.py3-none-any.whl
Requirementalready satisfied: six&=1.10.0in e:toolkits.winanaconda3-4.4.0envsdlwin36libsite-packages (from tensorflow-gpu==1.2.0)
Requirementalready satisfied: setuptools in e:toolkits.winanaconda3-4.4.0envsdlwin36libsite-packagessetuptools-27.2.0-py3.6.egg(from protobuf&=3.2.0-&tensorflow-gpu==1.2.0)
Installingcollected packages: markdown, protobuf, backports.weakref, html5lib, werkzeug, tensorflow-gpu
Foundexisting installation: html5lib 0.999
DEPRECATION: Uninstallinga distutils installed project (html5lib) has been deprecated and will be removed in a future version. Thisis due to the fact that uninstalling a distutils project will only partially uninstall the project.
Uninstallinghtml5lib-0.999:
Successfullyuninstalled html5lib-0.999
Successfullyinstalled backports.weakref-1.0rc1html5lib-0.9999999markdown-2.2.0protobuf-3.3.0tensorflow-gpu-1.2.0werkzeug-0.12.2
使用 conda 检查安装的软件包
完成以上安装和配置后，我们应该在 dlwin36 conda 环境中看到以下软件包列表：
为了快速检查上述三个后端安装的效果，依次运行一下命令行分别检查 Theano、TensorFlow 和 CNTK 导入情况：
(dlwin36) $ python -c " print('theano: %s, %s' % (theano.__version__, theano.__file__))"
theano: 0.9.0, E:toolkits.winanaconda3-4.4.0envsdlwin36libsite-packagestheano__init__.py
(dlwin36) $ python -c " print('pygpu: %s, %s' % (pygpu.__version__, pygpu.__file__))"
pygpu: 0.6.2, e:toolkits.winanaconda3-4.4.0envsdlwin36libsite-packagespygpu__init__.py
(dlwin36) $ python -c " print('tensorflow: %s, %s' % (tensorflow.__version__, tensorflow.__file__))"
tensorflow: 1.2.0, E:toolkits.winanaconda3-4.4.0envsdlwin36libsite-packagestensorflow__init__.py
(dlwin36) $ python -c " print('cntk: %s, %s' % (cntk.__version__, cntk.__file__))"
cntk: 2.0, E:toolkits.winanaconda3-4.4.0envsdlwin36libsite-packagescntk__init__.py
验证 Theano 的安装
因为 Theano 是安装 Keras 时自动安装的，为了快速地在 CPU 模式、GPU 模式和带 cuDNN 的 GPU 模式之间转换，我们需要创建以下三个系统环境变量（sysenv variable）：
?系统环境变量 THEANO_FLAGS_CPU 的值定义为：floatX=float32,device=cpu
?系统环境变量 THEANO_FLAGS_GPU 的值定义为：floatX=float32,device=cuda0,dnn.enabled=False,gpuarray.preallocate=0.8
?系统环境变量 THEANO_FLAGS_GPU_DNN 的值定义为：floatX=float32,device=cuda0,optimizer_including=cudnn,gpuarray.preallocate=0.8,dnn.conv.algo_bwd_filter=deterministic,dnn.conv.algo_bwd_data=deterministic,dnn.include_path=e:/toolkits.win/cuda-8.0.61/include,dnn.library_path=e:/toolkits.win/cuda-8.0.61/lib/x64
现在，我们能直接使用 THEANO_FLAGS_CPU、THEANO_FLAGS_GPU 或 THEANO_FLAGS_GPU_DNN 直接设置 Theano 使用 CPU、GPU 还是 GPU+cuDNN。我们可以使用以下命令行验证这些变量是否成功加入环境中：
(dlwin36) $ set KERAS_BACKEND=theano
(dlwin36) $ set | findstr /i theano
KERAS_BACKEND=theano
THEANO_FLAGS=floatX=float32,device=cuda0,optimizer_including=cudnn,gpuarray.preallocate=0.8,dnn.conv.algo_bwd_filter=deterministic,dnn.conv.algo_bwd_data=deterministic,dnn.include_path=e:/toolkits.win/cuda-8.0.61/include,dnn.library_path=e:/toolkits.win/cuda-8.0.61/lib/x64
THEANO_FLAGS_CPU=floatX=float32,device=cpu
THEANO_FLAGS_GPU=floatX=float32,device=cuda0,dnn.enabled=False,gpuarray.preallocate=0.8
THEANO_FLAGS_GPU_DNN=floatX=float32,device=cuda0,optimizer_including=cudnn,gpuarray.preallocate=0.8,dnn.conv.algo_bwd_filter=deterministic,dnn.conv.algo_bwd_data=deterministic,dnn.include_path=e:/toolkits.win/cuda-8.0.61/include,dnn.library_path=e:/toolkits.win/cuda-8.0.61/lib/x64
更多具体的 Theano 验证代码与命令请查看原文。
检查系统环境变量
现在，不论 dlwin36 conda 环境什么时候激活，PATH 环境变量应该需要看起来如下面列表一样：
使用 Keras 验证 GPU+cuDNN 的安装
我们可以使用 Keras 在 MNIST 数据集上训练简单的卷积神经网络（convnet）而验证 GPU 的 cuDNN 是否正确安装，该文件名为 mnist_cnn.py，其可以在 Keras 案例中找到。该卷积神经网络的代码如下：
Keras案例地址：/fchollet/keras/blob/2.0.5/examples/mnist_cnn.py
(dlwin36) $ setKERAS_BACKEND=cntk
(dlwin36) $ python mnist_cnn.py
UsingCNTK backend
SelectedGPU[0] GeForceGTX TITAN X as the process wide defaultdevice.
x_train shape: (60000, 28, 28, 1)
60000train samples
10000test samples
Trainon 60000samples, validate on 10000samples
e:toolkits.winanaconda3-4.4.0envsdlwin36libsite-packagescntkcore.py:351: UserWarning: your data is of type "float64", but your input variable (uid "Input113") expects "&class 'numpy.float32'&". Pleaseconvert your data beforehand to speed up training.
(sample.dtype, var.uid, str(var.dtype)))
60000/60000[==============================] - 8s- loss: 0.3275- acc: 0.8991- val_loss: 0.0754- val_acc: 0.9749
60000/60000[==============================] - 7s- loss: 0.1114- acc: 0.9662- val_loss: 0.0513- val_acc: 0.9841
60000/60000[==============================] - 7s- loss: 0.0862- acc: 0.9750- val_loss: 0.0429- val_acc: 0.9859
60000/60000[==============================] - 7s- loss: 0.0721- acc: 0.9784- val_loss: 0.0373- val_acc: 0.9868
60000/60000[==============================] - 7s- loss: 0.0649- acc: 0.9803- val_loss: 0.0339- val_acc: 0.9878
60000/60000[==============================] - 8s- loss: 0.0580- acc: 0.9831- val_loss: 0.0337- val_acc: 0.9890
60000/60000[==============================] - 8s- loss: 0.0529- acc: 0.9846- val_loss: 0.0326- val_acc: 0.9895
60000/60000[==============================] - 8s- loss: 0.0483- acc: 0.9858- val_loss: 0.0307- val_acc: 0.9897
60000/60000[==============================] - 8s- loss: 0.0456- acc: 0.9864- val_loss: 0.0299- val_acc: 0.9898
Epoch10/12
60000/60000[==============================] - 8s- loss: 0.0407- acc: 0.9875- val_loss: 0.0274- val_acc: 0.9906
Epoch11/12
60000/60000[==============================] - 8s- loss: 0.0405- acc: 0.9883- val_loss: 0.0276- val_acc: 0.9904
Epoch12/12
60000/60000[==============================] - 8s- loss: 0.0372- acc: 0.9889- val_loss: 0.0274- val_acc: 0.9906
Testloss: 0.7
Testaccuracy: 0.9906
1. 使用带 Theano 后端的 Keras
为了有一个能进行对比的基线模型，首先我们使用 Theano 后端和 CPU 训练简单的卷积神经网络：
(dlwin36)$ set KERAS_BACKEND=theano
(dlwin36)$ set THEANO_FLAGS=%THEANO_FLAGS_CPU%
(dlwin36)$ python mnist_cnn.py
#以下为训练过程和结果
UsingTheanobackend.
x_train shape:(60000,28,28,1)
60000train samples
10000test samples
Trainon 60000samples,validate on 10000samples
60000/60000[==============================]-233s-loss:0.3344-acc:0.8972-val_loss:0.0743-val_acc:0.9777
60000/60000[==============================]-234s-loss:0.1106-acc:0.9674-val_loss:0.0504-val_acc:0.9837
60000/60000[==============================]-237s-loss:0.0865-acc:0.9741-val_loss:0.0402-val_acc:0.9865
60000/60000[==============================]-238s-loss:0.0692-acc:0.9792-val_loss:0.0362-val_acc:0.9874
60000/60000[==============================]-241s-loss:0.0614-acc:0.9821-val_loss:0.0370-val_acc:0.9879
60000/60000[==============================]-245s-loss:0.0547-acc:0.9839-val_loss:0.0319-val_acc:0.9885
60000/60000[==============================]-248s-loss:0.0517-acc:0.9840-val_loss:0.0293-val_acc:0.9900
60000/60000[==============================]-256s-loss:0.0465-acc:0.9863-val_loss:0.0294-val_acc:0.9905
60000/60000[==============================]-264s-loss:0.0422-acc:0.9870-val_loss:0.0276-val_acc:0.9902
Epoch10/12
60000/60000[==============================]-263s-loss:0.0423-acc:0.9875-val_loss:0.0287-val_acc:0.9902
Epoch11/12
60000/60000[==============================]-262s-loss:0.0389-acc:0.9884-val_loss:0.0291-val_acc:0.9898
Epoch12/12
60000/60000[==============================]-270s-loss:0.0377-acc:0.9885-val_loss:0.0272-val_acc:0.9910
Testloss:0.5
Testaccuracy:0.991
我们现在使用以下命令行利用带 Theano 的后端的 Keras 在 GPU 和 cuDNN 环境下训练卷积神经网络：
(dlwin36)$ set THEANO_FLAGS=%THEANO_FLAGS_GPU_DNN%
(dlwin36)$ python mnist_cnn.py
UsingTheanobackend.
UsingcuDNN version 5110on context None
Preallocating9830/12288Mb(0.800000)on cuda0
Mappedname Noneto device cuda0:GeForceGTX TITAN X (0000:03:00.0)
x_train shape:(60000,28,28,1)
60000train samples
10000test samples
Trainon 60000samples,validate on 10000samples
60000/60000[==============================]-17s-loss:0.3219-acc:0.9003-val_loss:0.0774-val_acc:0.9743
60000/60000[==============================]-16s-loss:0.1108-acc:0.9674-val_loss:0.0536-val_acc:0.9822
60000/60000[==============================]-16s-loss:0.0832-acc:0.9766-val_loss:0.0434-val_acc:0.9862
60000/60000[==============================]-16s-loss:0.0694-acc:0.9795-val_loss:0.0382-val_acc:0.9876
60000/60000[==============================]-16s-loss:0.0605-acc:0.9819-val_loss:0.0353-val_acc:0.9884
60000/60000[==============================]-16s-loss:0.0533-acc:0.9836-val_loss:0.0360-val_acc:0.9883
60000/60000[==============================]-16s-loss:0.0482-acc:0.9859-val_loss:0.0305-val_acc:0.9897
60000/60000[==============================]-16s-loss:0.0452-acc:0.9865-val_loss:0.0295-val_acc:0.9911
60000/60000[==============================]-16s-loss:0.0414-acc:0.9878-val_loss:0.0315-val_acc:0.9898
Epoch10/12
60000/60000[==============================]-16s-loss:0.0386-acc:0.9886-val_loss:0.0282-val_acc:0.9911
Epoch11/12
60000/60000[==============================]-16s-loss:0.0378-acc:0.9887-val_loss:0.0306-val_acc:0.9904
Epoch12/12
60000/60000[==============================]-16s-loss:0.0354-acc:0.9893-val_loss:0.0296-val_acc:0.9898
Testloss:0.2
Testaccuracy:0.9898
我们看到每一个 Epoch 的训练时间只需要 16 秒，相对于使用 CPU 要 250 秒左右取得了很大的提高（在同一个批量大小的情况下）。
2. 使用 TensorFlow 后端的 Keras
为了激活和测试 TensorFlow 后端，我们需要使用以下命令行：
(dlwin36)$ set KERAS_BACKEND=tensorflow
(dlwin36)$ python mnist_cnn.py
UsingTensorFlowbackend.
x_train shape:(60000,28,28,1)
60000train samples
10000test samples
Trainon 60000samples,validate on 10000samples
2017-06-3012:49:22.005585:W c:tf_jenkinshomeworkspacerelease-winmwindows-gpupy36tensorflowcoreplatformcpu_feature_guard.cc:45]TheTensorFlowlibrary wasn't compiled to use SSE instructions, but these are available on your machine and could speed up CPU computations.
12:49:22.005767: W c:tf_jenkinshomeworkspacerelease-winmwindows-gpupy36tensorflowcoreplatformcpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE2 instructions,but these are available on your machine andcould speed up CPU computations.
2017-06-3012:49:22.005996:W c:tf_jenkinshomeworkspacerelease-winmwindows-gpupy36tensorflowcoreplatformcpu_feature_guard.cc:45]TheTensorFlowlibrary wasn't compiled to use SSE3 instructions, but these are available on your machine and could speed up CPU computations.
12:49:22.006181: W c:tf_jenkinshomeworkspacerelease-winmwindows-gpupy36tensorflowcoreplatformcpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1instructions,but these are available on your machine andcould speed up CPU computations.
2017-06-3012:49:22.006361:W c:tf_jenkinshomeworkspacerelease-winmwindows-gpupy36tensorflowcoreplatformcpu_feature_guard.cc:45]TheTensorFlowlibrary wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
12:49:22.006539: W c:tf_jenkinshomeworkspacerelease-winmwindows-gpupy36tensorflowcoreplatformcpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions,but these are available on your machine andcould speed up CPU computations.
2017-06-3012:49:22.006717:W c:tf_jenkinshomeworkspacerelease-winmwindows-gpupy36tensorflowcoreplatformcpu_feature_guard.cc:45]TheTensorFlowlibrary wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
12:49:22.006897: W c:tf_jenkinshomeworkspacerelease-winmwindows-gpupy36tensorflowcoreplatformcpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions,but these are available on your machine andcould speed up CPU computations.
2017-06-3012:49:22.453483:I c:tf_jenkinshomeworkspacerelease-winmwindows-gpupy36tensorflowcorecommon_runtimegpugpu_device.cc:940]Founddevice 0withproperties:
name:GeForceGTX TITAN X
major:5minor:2memoryClockRate (GHz)1.076
pciBusID 0000:03:00.0
Totalmemory:12.00GiB
Freememory:10.06GiB
2017-06-3012:49:22.454375:I c:tf_jenkinshomeworkspacerelease-winmwindows-gpupy36tensorflowcorecommon_runtimegpugpu_device.cc:961]DMA:0
2017-06-3012:49:22.454489:I c:tf_jenkinshomeworkspacerelease-winmwindows-gpupy36tensorflowcorecommon_runtimegpugpu_device.cc:971]0:Y
2017-06-3012:49:22.454624:I c:tf_jenkinshomeworkspacerelease-winmwindows-gpupy36tensorflowcorecommon_runtimegpugpu_device.cc:1030]CreatingTensorFlowdevice (/gpu:0)-&(device:0,name:GeForceG
TX TITAN X,pci bus id:0000:03:00.0)
60000/60000[==============================]-8s-loss:0.3355-acc:0.8979-val_loss:0.0749-val_acc:0.9760
60000/60000[==============================]-5s-loss:0.1134-acc:0.9667-val_loss:0.0521-val_acc:0.9825
60000/60000[==============================]-5s-loss:0.0863-acc:0.9745-val_loss:0.0436-val_acc:0.9854
60000/60000[==============================]-5s-loss:0.0722-acc:0.9787-val_loss:0.0381-val_acc:0.9872
60000/60000[==============================]-5s-loss:0.0636-acc:0.9811-val_loss:0.0339-val_acc:0.9880
60000/60000[==============================]-5s-loss:0.0552-acc:0.9838-val_loss:0.0328-val_acc:0.9888
60000/60000[==============================]-5s-loss:0.0515-acc:0.9851-val_loss:0.0318-val_acc:0.9893
60000/60000[==============================]-5s-loss:0.0479-acc:0.9862-val_loss:0.0311-val_acc:0.9891
60000/60000[==============================]-5s-loss:0.0441-acc:0.9870-val_loss:0.0310-val_acc:0.9898
Epoch10/12
60000/60000[==============================]-5s-loss:0.0407-acc:0.9871-val_loss:0.0302-val_acc:0.9903
Epoch11/12
60000/60000[==============================]-5s-loss:0.0405-acc:0.9877-val_loss:0.0309-val_acc:0.9892
Epoch12/12
60000/60000[==============================]-5s-loss:0.0373-acc:0.9886-val_loss:0.0309-val_acc:0.9898
Testloss:0.5
Testaccuracy:0.9898
我们看到使用 TensorFlow 后端要比 Theano 后端在该任务上快 3 倍左右，它们都是用了 GPU 和 cuDNN 加速。这可能是因为在该测试中它们有相同的通道等级（channel ordering），但实际上两个平台在这一点是不一样的。因此，程序可能强制 Theano 后端重新排序数据而造成性能上的差异。但在该案例下，TensorFlow 在 GPU 上的负载一直没有超过 70%。
3. 使用 CNTK 后端的 Keras
为了激活和测试 CNTK 后算，我们需要使用以下命令行：
(dlwin36)$ set KERAS_BACKEND=cntk
(dlwin36)$ python mnist_cnn.py
UsingCNTK backend
SelectedGPU[0]GeForceGTX TITAN X asthe process wide default device.
x_train shape:(60000,28,28,1)
60000train samples
10000test samples
Trainon 60000samples,validate on 10000samples
e:toolkits.winanaconda3-4.4.0envsdlwin36libsite-packagescntkcore.py:351:UserWarning:your data isof type "float64",but your input variable (uid "Input113")expects "&class 'numpy.float32'&".Pleaseconvert your data beforehand to speed up training.
(sample.dtype,var.uid,str(var.dtype)))
60000/60000[==============================]-8s-loss:0.3275-acc:0.8991-val_loss:0.0754-val_acc:0.9749
60000/60000[==============================]-7s-loss:0.1114-acc:0.9662-val_loss:0.0513-val_acc:0.9841
60000/60000[==============================]-7s-loss:0.0862-acc:0.9750-val_loss:0.0429-val_acc:0.9859
60000/60000[==============================]-7s-loss:0.0721-acc:0.9784-val_loss:0.0373-val_acc:0.9868
60000/60000[==============================]-7s-loss:0.0649-acc:0.9803-val_loss:0.0339-val_acc:0.9878
60000/60000[==============================]-8s-loss:0.0580-acc:0.9831-val_loss:0.0337-val_acc:0.9890
60000/60000[==============================]-8s-loss:0.0529-acc:0.9846-val_loss:0.0326-val_acc:0.9895
60000/60000[==============================]-8s-loss:0.0483-acc:0.9858-val_loss:0.0307-val_acc:0.9897
60000/60000[==============================]-8s-loss:0.0456-acc:0.9864-val_loss:0.0299-val_acc:0.9898
Epoch10/12
60000/60000[==============================]-8s-loss:0.0407-acc:0.9875-val_loss:0.0274-val_acc:0.9906
Epoch11/12
60000/60000[==============================]-8s-loss:0.0405-acc:0.9883-val_loss:0.0276-val_acc:0.9904
Epoch12/12
60000/60000[==============================]-8s-loss:0.0372-acc:0.9889-val_loss:0.0274-val_acc:0.9906
Testloss:0.7
Testaccuracy:0.9906
在具体的试验中，CNTK 同样也十分快速，并且 GPU 负载达到了 80%。
来源：机器之心（版权归原作者及刊载媒体所有）
荐稿：殷丽雪/ 编辑：刘 雪/审核：高敬凯
责任编辑：
声明：本文由入驻搜狐号的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。
今日搜狐热点