【python深度学习】目录

3.3　建立深度学习工作站

在开始开发深度学习应用之前，你需要建立自己的深度学习工作站。虽然并非绝对必要，但强烈推荐你在现代 NVIDIA GPU上运行深度学习实验。某些应用，特别是卷积神经网络的图像处理和循环神经网络的序列处理，在 CPU上的速度非常之慢，即使是高速多核  CPU也是如此。即使是可以在 CPU上运行的深度学习应用，使用现代  GPU通常也可以将速度提高  5倍或  10倍。如果你不想在计算机上安装 GPU，也可以考虑在 AWS EC2 GPU实例或  Google云平台上运行深度学习实验。但请注意，时间一长，云端 GPU实例可能会变得非常昂贵。

无论在本地还是在云端运行，最好都使用 UNIX工作站。虽然从技术上来说可以在   Windows上使用 Keras（Keras的三个后端都支持  Windows），但我们不建议这么做。在附录 A的安装说明中，我们以安装了 Ubuntu的计算机为例。如果你是  Windows用户，最简单的解决方案就是安装  Ubuntu双系统。这看起来可能有点麻烦，但从长远来看，使用 Ubuntu将会为你省去大量时间和麻烦。

注意，使用 Keras需要安装  TensorFlow、CNTK或  Theano（如果你希望能够在三个后端之间来回切换，那么可以安装三个）。本书将重点介绍 TensorFlow，并简要介绍一下 Theano，不会涉及 CNTK。

3.3.1　Jupyter笔记本：运行深度学习实验的首选方法

Jupyter笔记本是运行深度学习实验的好方法，特别适合运行本书中的许多代码示例。它广泛用于数据科学和机器学习领域。笔记本（notebook）是  Jupyter Notebook应用生成的文件，可以在浏览器中编辑。它可以执行 Python代码，还具有丰富的文本编辑功能，可以对代码进行注释。笔记本还可以将冗长的实验代码拆分为可独立执行的短代码，这使得开发具有交互性，而且如果后面的代码出现问题，你也不必重新运行前面的所有代码。

我们推荐使用  Jupyter笔记本来上手   Keras，虽然这并不是必需的。你也可以运行独立的Python脚本，或者在  IDE（比如  PyCharm）中运行代码。本书所有代码示例都以开源笔记本的形式提供，你可以在本书网站上下载：https://www.manning.com/books/deep-learning-with-python。  

3.3.2　运行 Keras：两种选择

想要在实践中使用 Keras，我们推荐以下两种方式。

• 使用官方的  EC2深度学习  Amazon系统映像（AMI），并在  EC2上以   Jupyter笔记本的方式运行 Keras实验。如果你的本地计算机上没有  GPU，你可以选择这种方式。附录  B给出了详细指南。
• 在本地   UNIX工作站上从头安装。然后你可以运行本地    Jupyter笔记本或常规的    Python代码库。如果你已经拥有了高端的 NVIDIA GPU，可以选择这种方式。附录 A给出了基于 Ubuntu的详细安装指南。

我们来详细看一下这两种方式的优缺点。

3.3.3　在云端运行深度学习任务：优点和缺点

如果你还没有可用于深度学习的    GPU（即最新的高端   NVIDIA GPU），那么在云端运行深度学习实验是一种简单又低成本的方法，让你无须额外购买硬件就可以上手。如果你使用Jupyter笔记本，那么在云端运行的体验与在本地运行完全相同。截至  2017年年中，最容易上手深度学习的云产品肯定是 AWS EC2。附录 B给出了在  EC2 GPU实例上运行  Jupyter笔记本的详细指南。

但如果你是深度学习的重度用户，从长期来看这种方案是难以持续的，甚至几个星期都不行。EC2实例的价格很高：附录   B推荐的实例（p2.xlarge实例，计算能力一般）在    2017年年中的价格是每小时  0.90美元。与此相对的是，一款可靠的消费级    GPU价格在  1000~1500美元——这个价格一直相当稳定，而这种 GPU的性能则在不断提高。如果你准备认真从事深度学习，那么应该建立具有一块或多块 GPU的本地工作站。

简而言之，EC2是很好的上手方法。你完全可以在   EC2 GPU实例上运行本书的代码示例。但如果你想成为深度学习的高手，那就自己买 GPU。

3.3.4　深度学习的最佳  GPU

如果你准备买一块    GPU，应该选择哪一款呢？首先要注意，一定要买         NVIDIA GPU。NVIDIA是目前唯一一家在深度学习方面大规模投资的图形计算公司，现代深度学习框架只能在 NVIDIA显卡上运行。

截至 2017年年中，我们推荐  NVIDIA TITAN  Xp为市场上用于深度学习的最佳显卡。如果预算较少，你也可以考虑  GTX 1060。如果你读到本节的时间是在  2018年或更晚，请花点时间在网上查找最新的推荐，因为每年都会推出新的模型。

从这一节开始，我们将认为你的计算机已经安装好  Keras及其依赖，最好支持   GPU。在继续阅读之前请确认已经完成此步骤。阅读附录中的详细指南，还可以在网上搜索进一步的帮助。安装 Keras及常见的深度学习依赖的教程有很多。

下面我们将深入讲解 Keras示例。