教你搭建你自己的「深度學習」機器

深度學習是一門用來解決複雜問題的技術,例如自然語言處理和圖像處理。目前,我們已經可以很快的處理超大計算量的問題——這多虧了GPU,GPU最初就是用於快速生成高解析度計算機圖像,由於它的計算效率使得其非常適合用於深度學習演算法。原先需要用好幾周才能分析出來的結果,現在幾天時間就能完成。

雖然現在的計算機都有GPU,但是並不是所有的GPU都適合用來進行深度學習。對於那些不能深度學習功能的GPU,本文將會一步一步的教大家如何構建一個自己的深度學習機器。

深度學習系統本質上是在另一台電腦上安裝一個具有深度學習的GPU。GPU是普通計算機和深度學習機器的主要區別。

首先,檢測下你的GPU型號是否有在這個網站中列出(網站鏈接:developer.nvidia.com/cu )。如果有,就意味著你的GPU可以用來深度學習,那你就可以進行下一步的安裝軟體了。如果你的計算機的GPU不能不支持深度學習,那麼繼續閱讀下文,你就會知道如何用小於$1.5k的花費來裝備你的機器

本項目進行中的照片

購買硬體

這個部分,我們來列出構建深度學習機器需要用到的主要設備。如果你對電腦硬體知識不了解或者你覺得這樣太費時間。你可以去實體店裡購買這些,或者讓店裡的人給你配。以下列出來的價格是2016年3月,在美國的價格。總共花費$1285,這也是我們參加比賽得到的資助。

主板

主板是結合其他組件,使他們之間的溝通協調。這是一個印刷電路板。

中央處理器(CPU)

執行計算能力,就像人的大腦,安裝在主板上。

$410 (bundle) – Asus B150i Pro Gaming ITX (Motherboard) + Intel i5 6600k (CPU)

隨機存取存儲器(RAM)

快速檢索信息,安裝在另一個主板上

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

圖像處理器(GPU)

為深度學習提供一個密集的計算能力。我們選擇的GPU是GTX970,我們買了個小型的,這樣方便攜帶。另外一個老一點的GPU,GTX770,可以構建一個深度學習模型在33分鐘內完成20次迭代。這樣的話,我們的機器比預期的更快了些。

$415 – 4GB, Gigabyte GTX970 ITX GDDR5

電源供應設備(PSU)

電源,不解釋

$75 – 550W, Cooler Master G550M

硬碟(HDD)

提供永久,大容量存儲

$160 – 4TB, Western Digital Blue 5400 RPM

CPU 冷卻器

就是CPU風扇啦

$35 – Cooler Master GeminII M4

Case

帶USB介面的其他的一些配件

$50 – Cooler Master Elite 110

Assembly

$25 – 店內服務安全,連接組件。

組裝完後,連接上顯示器,滑鼠和鍵盤就能用了。

軟體安裝

第一步:安裝ubuntu

Ubuntu是一個開源系統,我們的深度學習機器就是運行在上面的。比較簡單的安裝方法是用另一台電腦下載好系統,放在U盤中。然後在深度學習機器中插入該U盤進行系統的安裝。

具體的安裝過程就不講了,大家可以上網查下。

第二步:安裝深度學習相關軟體

Nvidia 是一家生產GPU的公司,他們一家有一套用於深度學習的框架Digits。在安裝Digits之前,我們需要先安裝一些依賴的軟體。

首先我們需要安裝驅動,該驅動深度學習軟體訪問GPU資源。在按Ctrl+Alt+T調出終端

在Ubuntu 14.04中,Nvidia驅動是官方庫中自帶的。雖然在官方庫中的版本可能較NVIDIA網站上的老些,但是他們通常都更穩定些,而且是由社區進行測試的。我們建議直接使用Ubuntu庫自帶的就好。

搜索最新版本nvidia進行安裝:

apt-cache search nvidia

得到的結果可能是像」nvidia-xxx」這樣的,其中的xxx就是響應的版本號,選擇一個最新的就行,例如,我們選的是 nvidia-352 。

然後,運行一下命令安裝:

sudo apt-get install nvidia-352 nvidia-352-uvm sudo apt-get install nvidia-modprobe nvidia-settings

其中,額外安裝的包nvidia-modprobe和nvidia-settings會讓以後的升級安裝更容易些。

第三步:安裝CUDA和Digits

CUDA是一個可以讓GPU執行任務的平台,可以提高它的運行效率。Digits是深度學習的界面展示。你可以用這個界面上傳數據,建立模型並且預測趨勢。運行一下命令安裝:

CUDA_REPO_PKG=cuda-repo-ubuntu1404_7.5-18_amd64.deb && wget http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1404/x86_64/$CUDA_REPO_PKG && sudo dpkg -i $CUDA_REPO_PKGML_REPO_PKG=nvidia-machine-learning-repo_4.0-2_amd64.deb && wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1404/x86_64/$ML_REPO_PKG && sudo dpkg -i $ML_REPO_PKGapt-get updateapt-get install digits

當安裝成功,打開您的瀏覽器並訪問http://localhost。您應該看到如下所示的一個網頁:

如果遇到錯誤,請參考故障排除部分官方安裝指南

github.com/NVIDIA/DIGIT

運行分析

Nvidia的Digits是一個友好的平台,允許你使用深度學習技術訓練預測模型。下面的視頻提供了一個從上傳數據到做出預測的綜合演示的整個過程:

大傢伙兒自己翻牆看,嘿嘿嘿youtu.be/dgxe15vCR7s

結論

就是這樣。你就建立起了一個深度學習機器。如果你是剛開始學習深度學習技術,你也可以現在雲平台上先學習,用google的機器學習平台

cloud.google.com/produc,真不好意思,又要翻牆。不過,如果你有自己的GPU來運行分析,就可以更快速更靈活的調整你的運行參數。

*參考來源:annalyzin.wordpress

文章轉載自:Freebuf


推薦閱讀:

首款人工智慧鑒包神器,從此不怕買到假包包了!
《銀翼殺手 2049》的複製人與《西部世界》的 host 對比,誰會更勝一籌?
在英特爾與阿里云為之站隊的「 DE 超聲機器人」背後,是人工智慧+醫療的廣闊前景
Facebook神秘部門披露腦機介面計劃:社交的未來是直接用思維進行溝通

TAG:深度学习DeepLearning | 人工智能 |