Führen Sie Keras mit CNTK-Backend unter CentOS aus

Keras unterstützt jetzt CNTK. https://docs.microsoft.com/en-us/cognitive-toolkit/Using-CNTK-with-Keras

Ich habe es installiert und ausprobiert, daher werde ich das Verfahren vorstellen.

Umgebung

CentOS 7.3 und Python 3.5, nur CPU. Auf der Microsoft-Website wird nur Ubuntu zum Erstellen einer Linux-Umgebung beschrieben, aber auch Centos 7.3 hat einwandfrei funktioniert. (Boyaki: Deep Learning ist in Ubuntu am stärksten geworden.)

CNTK installieren

Das offizielle Verfahren ist unten. https://docs.microsoft.com/en-us/cognitive-toolkit/setup-linux-python?tabs=cntkpy21

Hier zeigen wir Ihnen, wie Sie es auf Centos 7.3 installieren.

Installieren Sie zuerst Anaconda3. Wählen Sie die folgende Version aus und installieren Sie sie. https://www.continuum.io/downloads

Wenn Sie über die Befehlszeile installieren möchten, können Sie es wie folgt installieren.

wget https://repo.continuum.io/archive/Anaconda3-4.3.1-Linux-x86_64.sh
bash Anaconda3-4.3.1-Linux-x86_64.sh -b -p /opt/anaconda3
echo 'export PATH="/opt/anaconda3/bin:$PATH"' >> /etc/profile
source /etc/profile

CNTK benötigt OpenMPI. Installieren Sie es unter CentOS7.3 wie folgt und legen Sie die Umgebungsvariablen fest.

yum -y install openmpi openmpi-devel
export PATH=/usr/lib64/openmpi/bin:$PATH
export LD_LIBRARY_PATH=/usr/lib64/openmpi/lib:$LD_LIBRARY_PATH

Es ist endlich die Installation von CNTK. Geben Sie mit "pip install" die URL an, die zu Ihrer Umgebung passt. Für Linux, CPUonly, Python3.5 ist dies wie folgt.

pip install https://cntk.ai/PythonWheel/CPU-Only/cntk-2.1-cp35-cp35m-linux_x86_64.whl

Unten finden Sie eine Liste der anzuzeigenden URLs. https://docs.microsoft.com/en-us/cognitive-toolkit/setup-linux-python?tabs=cntkpy21

Wenn die Installation erfolgreich ist, sehen Sie die CNTK-Version unten.

python -c "import cntk; print(cntk.__version__)"

Beispielprogramme und Tutorials finden Sie unten.

python -m cntk.sample_installer

Wird mit Keras verwendet

Um CNTK mit Keras zu verwenden, müssen Sie das Backend ändern. https://keras.io/ja/backend/

Das Backend wird in /User'sHOME/.keras/keras.json geändert, aber zu diesem Zeitpunkt ist das Verzeichnis .keras noch nicht vorhanden. Sie müssen Keras einmal von Python aus aufrufen und erstellen.

python -c "import keras"

Ich denke, TensorFlow ist standardmäßig das Backend. Bearbeiten Sie /User'sHOME/.keras/keras.json.

#Vor dem Bearbeiten
{
    "floatx": "float32",
    "image_data_format": "channels_last",
    "epsilon": 1e-07,
    "backend": "cntk"
}

#Nach der Bearbeitung
{
    "floatx": "float32",
    "image_data_format": "channels_last",
    "epsilon": 1e-07,
    "backend": "cntk"
}

Sie können Keras jetzt mit dem CNTK-Backend verwenden.

Wenn Sie Keras in Jupyter Notebook importieren, sehen Sie, dass das Backend CNTK ist.

MNIST vorerst

Vorerst habe ich versucht, das MLP-Beispiel von MNIST auszuführen. https://github.com/fchollet/keras/blob/master/examples/mnist_mlp.py

Es ist so ein Netzwerk.

Das Programm funktioniert so wie es ist von den vorhandenen Keras. Keine Bearbeitung erforderlich.

Übersicht und Ergebnisse

Trainingsdaten: 60.000 28x28 Bilder
Testdaten: 10000 28x28 Bilder
Stapelgröße: 128
Epoche: 20 --CnTK Backend Trainingszeit: 314 Sekunden
Ergebnisse des CNTK-Backend-Tests: Verlust 0,106430094829, Genauigkeit 0,9835

Beiseite

Das Deep-Learning-Framework ist überfüllt, aber DL4J macht einen Vergleich. Es ist überraschend gut organisiert. https://deeplearning4j.org/ja/compare-dl4j-torch7-pylearn