译者：Slav Ivanov@blog.slavv.com

问耕 校对再次整理

物理位 公司出品 | 社会公众号 QbitAI

Macbook这种超薄的笔记本电脑，是搞没法广度自学的。AmazonP2云服务项目，会给沉积愈来愈多的帐单，换个昂贵的服务项目，体能训练时间又太短……

没配套措施，已经二十多年喷过笔记本电脑电脑的我，根本无法再次著手DIYMW，构筑两套自己的广度自学控制系统。下列是我的控制系统构筑和试验过程。

硬体目录

以后，我在AWSAmazon云服务项目上的耗费制作u盘启动盘是每星期70英镑（约480元港币）。按照使用一年排序，我给这套控制系统的亿零是1700英镑（约11650元）。

GPU

的确得买Nvidia，没有其他优先选择。买四块却是几块？我想了想，却是先拍一个操控性更快的，之后有钱有势了再增加。综合性显卡、频宽等因素，我最后选了GTX 1080 Ti，跟Titan X较之，操控性差没法啥，但价格昂贵不少。

CPU

虽然远不如GPU，但CPU也很重要。从财政预算起程，我选了两颗中低端产品制作u盘启动盘AMDi5 7500。相对昂贵，但不会减慢整座控制系统。

缓存

四条16GB耗电量的缓存，一共是32GB。

硬碟

四块。

几块SSD硬碟运转操作控制系统和现阶段统计数据，我选的是MyDigitalSSD NVMe 480GB。几块速率较快的2TB耗电量HDD硬碟储存大的统计数据集（比如ImageNet）。

SSD

为了之后的开拓，我得选能支持四块GTX 1080 Ti的SSD。最后的优先选择是：微星TUF Z270。

电源

得为GPU何GPU们制作u盘启动盘提供足够的电力供应。AMDi5 7500功耗是65W，几块1080Ti需要250W（之后还想加几块），所以最后优先选择了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，MW也是个手艺，最后效果如下图所示。

加装应用软件

提示：如果你想装Windows控制系统，最好先加装Windows，再装Linux。要不然W制作u盘启动盘indows会搞乱启动分区。

加装Ubuntu

大部分广度自学框架都工作在Linux环境中，所以我优先选择加装Ubuntu。一个2GB耗电量的U盘就能搞定加装，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：

https://rufus.akeo.ie/

我写这个讲义的制作u盘启动盘时候，Ubuntu 17.04版本刚刚发布，但是我优先选择了以后的16.04版本，因为老版本的相关文档可能更全一点。另外，我优先选择的是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

广度自学堆栈

为了展开广度自学，我们需要如下应用软件来使用GPU：

GPU驱动：让操作控制系统和显卡可以对话

CUDA：能让GPU运转通用目的代制作u盘启动盘码

CuDNN：CUDA之上的神经网络加速库

广度自学框架：TensorFlow等

加装GPU驱动

最新的驱动，可以参考官网

http://nvidia.com/Download/index.aspx

或者直接使用如下代码加装：

加装CUDA

可以从Nvidia下载CUDA，地址如下：

https://developer.nvidia.com/cuda-downloads

或者直接运转如下的代码：

加装好CUDA之后，制作u盘启动盘下面的代码能把CUDA添加到PATH变量：

现在可以检验一下CUDA装好没有，运转如下代码即可：

删除CUDA或GPU驱动，可以参考如下代码：

加装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，用如下命令加装。

Anaconda

Anaconda是一个很棒的Python应用软件包管理器，我现在使用了Python制作u盘启动盘 3.6版本，所以对应的使用Anaconda 3版本，加装如下：

TensorFlow

最流行的广度自学框架，加装：

为了检查一下TensorFlow加装好没有，可以运转MNIST看看：

应该能在体能训练过程中，看到loss的逐渐减少：

Keras

一个高级神经网络框架，加装非常简单：

PyTorch

广度自学框架届的新兵，但也值得推荐，加装命令：

Jupyter notebook

Jupyter是一个交互式的笔记本电脑，随制作u盘启动盘着Anaconda加装，我们要配置和试验一下：

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。运转crontab -e，然后把如下代码添加在最后。

试验

现在基本上准备妥当了，是时候试验一下了。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 T制作u盘启动盘i

AMDi5 7500

MNIST多层感知器

MNIST统计数据集由70000手写数字组成。我们在这个统计数据集上运转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。这个模型在这个统计数据集上进行了20次体能训练，实现了超过98%的制作u盘启动盘准确率。

可以看到在体能训练这个模型时，GTX 1080 Ti比AWS P2 K80快2.4倍，这有点惊人，因为两个显卡的操控性应该差不多，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Amazon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上运转这个模型不可行，所以我们在GPU上微调了39制作u盘启动盘0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）用来体能训练模型产生图像。Wasserstein GAN是原始GAN的一个改进版。我这里用了一个PyTorch制作u盘启动盘实现，代码地址：

https://github.com/martinarjovsky/WassersteinGAN

这个模型需要50步体能训练，CPU在这个体能训练中不予考虑。

GTX 1080 Ti比AWS P2 K80快5.5倍。

风格迁移

最后一个试验是在TensorFlow上的风格迁移实现，代码地址：

https://github.com/slavivanov/Style-Tranfer

GTX 1080 Ti制作u盘启动盘比AWS P2 K80快4.3倍。CPU比GPU慢30-50倍。

好啦，关于万元打造一个广度自学控制系统的分享，就先到这里。

各位端午节快乐。

【完】

招聘

我们正在招募编辑记者、运营等岗位，工作地点在北京中关村，期待你的到来，一起体验人工智能的风起云涌。

相关细节，请在社会公众号对话界面，回复：“招聘”两个字。

One More Thing…

今天AI界还有哪些事值得关注？在物理位（QbitAI）社会公众号会话界面回复“今制作u盘启动盘天”，看我们全网搜罗的AI行业和研究动态。笔芯~

另外，欢迎加物理位小助手的微信：qbitbot，如果你研究或者从事AI领域，小助手会把你带入物理位的交流群里。

△ 扫码强行关注『物理位』

追踪人工智能领域最劲内容