2017-05-30 多吃粽子 量子位
作者：Slav This email address is being protected from spambots. You need JavaScript enabled to view it.
问耕 编译整理
量子位 出品 | 公众号 QbitAI
Macbook这种轻薄的笔记本，是搞不了深度学习的。亚马逊P2云服务，会给堆积越来越多的账单，换个便宜的服务，训练时间又太长……
没办法，已经十多年没用过台式机的我，只能重新着手DIY装机，搭建一套自己的深度学习系统。以下是我的系统搭建和测试过程。
硬件清单
之前，我在AWS亚马逊云服务上的花费是每月70美元（约480元人民币）。按照使用两年计算，我给这套系统的总预算是1700美元（约11650元）。
GPU
肯定得买Nvidia，没有其他选择。买两块还是一块？我想了想，还是先买一个性能更好的，以后有钱了再增加。综合显存、带宽等因素，我最终选了GTX 1080 Ti，跟Titan X相比，性能差不了多少，但价格便宜不少。
CPU
虽然比不上GPU，但CPU也很重要。从预算出发，我选了一颗中端产品英特尔i5 7500。相对便宜，但不会拖慢整个系统。
内存
两条16GB容量的内存，总共是32GB。
硬盘
两块。
一块SSD硬盘运行操作系统和当前数据，我选的是MyDigitalSSD NVMe 480GB。一块速度较慢的2TB容量HDD硬盘存储大的数据集（例如ImageNet）。
主板
为了以后的拓展，我得选能支持两块GTX 1080 Ti的主板。最后的选择是：华硕TUF Z270。
电源
得为GPU何GPU们提供足够的电力供应。英特尔i5 7500功耗是65W，一块1080Ti需要250W（以后还想加一块），所以最后选择了Deepcool 750W Gold PSU。
机箱
我听从朋友的建议，选了Thermaltake N23机箱。只是没有LED灯，伤心。
组装
组装过程按下不表，装机也是个手艺，最后效果如下图所示。
安装软件
提示：如果你想装Windows系统，最好先安装Windows，再装Linux。要不然Windows会搞乱启动分区。
安装Ubuntu
大部分深度学习框架都工作在Linux环境中，所以我选择安装Ubuntu。一个2GB容量的U盘就能搞定安装，如何制作？
-
OSX用户参考这里：
https://www.ubuntu.com/download/desktop/create-a-usb-stick-on-macos
-
Windows用户参考这里：
我写这个教程的时候，Ubuntu 17.04版本刚刚发布，但是我选择了之前的16.04版本，因为老版本的相关文档可能更全一点。另外，我选择的是Ubuntu桌面版本，不过关闭了图形界面X，电脑启动会进入终端模式。
如果需要图形界面，只需要输入：startx
及时更新
更新可以使用下面这个命令
深度学习堆栈
为了展开深度学习，我们需要如下软件来使用GPU：
-
GPU驱动：让操作系统和显卡可以对话
-
CUDA：能让GPU运行通用目的代码
-
CuDNN：CUDA之上的神经网络加速库
-
深度学习框架：TensorFlow等
安装GPU驱动
最新的驱动，可以参考官网
http://nvidia.com/Download/index.aspx
安装CUDA
可以从Nvidia下载CUDA，地址如下：
https://developer.nvidia.com/cuda-downloads
或者直接运行如下的代码：
安装好CUDA之后，下面的代码能把CUDA添加到PATH变量：
现在可以检验一下CUDA装好没有，运行如下代码即可：
删除CUDA或GPU驱动，可以参考如下代码：
安装CuDNN
我用的是CuDNN 5.1，因为最新的TensorFlow不支持CuDNN 6。下载CuDNN，你需要创建一个免费的开发者账号。下载之后，用如下命令安装。
Anaconda
Anaconda是一个很棒的Python软件包管理器，我现在使用了Python 3.6版本，所以对应的使用Anaconda 3版本，安装如下：
TensorFlow
最流行的深度学习框架，安装：
为了检查一下TensorFlow安装好没有，可以运行MNIST看看：
应该能在训练过程中，看到loss的逐渐减少：
Keras
一个高级神经网络框架，安装非常简单：
PyTorch
深度学习框架届的新兵，但也值得推荐，安装命令：
Jupyter notebook
Jupyter是一个交互式的笔记本，随着Anaconda安装，我们要配置和测试一下：
现在打开 http://localhost:8888 ，应该就能看到Jupyter的界面。
我们可以把Jupyter设置成自动启动，使用crontab来设置。运行crontab -e，然后把如下代码添加在最后。
测试
现在基本上准备妥当了，是时候测试一下了。参加此次对比的几个选手是：
-
AWS P2实例GPU（K80）
-
AWS P2虚拟CPU
-
英伟达GTX 1080 Ti
-
英特尔i5 7500
MNIST多层感知器
MNIST数据集由70000手写数字组成。我们在这个数据集上运行了一个使用多层感知器（MLP）的Keras案例，代码地址：
https://github.com/fchollet/keras/blob/master/examples/mnist_mlp.py
MLP的意思是只使用全连接的层，而不用卷积。这个模型在这个数据集上进行了20次训练，实现了超过98%的准确率。
可以看到在训练这个模型时，GTX 1080 Ti比AWS P2 K80快2.4倍，这有点惊人，因为两个显卡的性能应该差不多，我觉得可能是AWS上有降频或者受到虚拟化的影响。
CPU的表现比GPU慢9倍。有趣的是，i5 7500比亚马逊的虚拟CPU快2.3倍。
VGG微调
为Kaggle猫狗识别竞赛而微调一个VGG网络。使用相同的batch在CPU上运行这个模型不可行，所以我们在GPU上微调了390个batch，在CPU上是10个batch。代码如下：
https://github.com/slavivanov/cats_dogs_kaggle
这次1080 Ti比AWS P2 K80快5.5倍。CPU在这个环节的表现，最多慢了200倍。
Wasserstein GAN
生成对抗网络（GAN）用来训练模型产生图像。Wasserstein GAN是原始GAN的一个改进版。我这里用了一个PyTorch实现，代码地址：
https://github.com/martinarjovsky/WassersteinGAN
这个模型需要50步训练，CPU在这个训练中不予考虑。
GTX 1080 Ti比AWS P2 K80快5.5倍。
风格迁移
最后一个测试是在TensorFlow上的风格迁移实现，代码地址：
https://github.com/slavivanov/Style-Tranfer
GTX 1080 Ti比AWS P2 K80快4.3倍。CPU比GPU慢30-50倍。
好啦，关于万元打造一个深度学习系统的分享，就先到这里。
各位端午节快乐。
【完】