[PYTHON] Windows10 (x64) Créer nativement un environnement d'apprentissage automatique

Objectif

Apprenez l'apprentissage automatique dans l'environnement Windows

• Je souhaite éviter de créer un environnement dans un environnement virtuel
• gratuit
• Utiliser le GPU comme backend sur la machine informatique
• N'utilisez même pas Bash sur Ubuntu sous Windows

Au début, je veux un environnement aussi simple que possible.

résultat

• Réalisé
• J'avais besoin d'installer plus de bibliothèques de logiciels que prévu
• J'étais accro à la dépendance de version de divers logiciels

Fonctionnement stable dans l'environnement suivant

Utilisez l'exemple de chaînage (chainer / examples / mnist / train_mnist.py) tel quel et comparez-le comme référence du temps de traitement. Nous avons comparé le temps écoulé (elapsed_time) en tournant 20 époques avec la valeur par défaut dans l'environnement disponible.

J'ai acheté 1080ti à la hâte, mais GT730 suffisait pour le moment à étudier orz. En outre, je suis reconnaissant de l'existence de GPDWIN, qui permet le fonctionnement GUI des machines GPU même en déplacement.

environnement python

python Tensorflow 1.01 ne fonctionnait pas sous l'environnement de la série Python 3.6 Stable avec 3,53 (x64) DL sur le site officiel

Pour les autres bibliothèques à usage général, suivez les étapes ci-dessous.

> python -m pip install --upgrade pip
> python -m pip install --upgrade -I setuptools
> python -m pip install ipython
> python -m pip install numpy
> python -m pip install pandas
> python -m pip install matplotlib

Bibliothèque d'apprentissage automatique

tensorflow Aucune difficulté à gagner

> python -m pip install tensorflow

Sur les machines améliorées par GPU

> python -m pip install tensorflow-gpu

chainer Il n'y a pas de difficulté particulière à faire fonctionner le CPU

> python -m pip install chainer

J'ai utilisé l'échantillon MNIST pour comparer les performances de traitement de chaque machine. Pour l'exécuter sur GPU, il est nécessaire d'installer VS et j'en suis accro.

sklearn J'ai trébuché. Nécessite numpy + mkl et scipy Téléchargez respectivement .whl car il n'était pas disponible pour l'installation de pip en ligne

wheels

> python -m pip install "numpy-1.12.1+mkl-cp35-cpm35-win_amd64.whl"
> python -m pip install "scipy-0.19.0-cp35-cp35m-win_amd64.whl"
> python -m pip install sklearn

sklearn est utilisé pour la mise en œuvre d'essai de SVM.

Utilisation du GPU

CUDA Je l'utilise car la version 8.0 a été publiée. cuda_8.0.61_win10.exe

cuDNN Vous devez créer un compte pour télécharger. Dès que j'ai déclaré le but d'utilisation à des fins commerciales, il a créé un compte.

v6.0 pour CUDA 8.0 a été publié, mais NG. cuDNN v5.1 (20 janvier 2017), pour CUDA 8.0 est utilisé.

L'entité est comme un module DLL utilisé via CUDA, vous pouvez donc la placer dans un endroit visible. Il m'a fait passer par le chemin lors de l'installation de CUDA "\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0" Je l'ai mis.

Si vous essayez d'exécuter mmist_with_sumaries.py etc. à partir du didacticiel tensorflow à l'aide de GPU Si vous ne voyez pas "cupti64_80.dll", vous risquez de vous mettre en colère. "\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\extras\CUPTI\libx64" J'ai dû lui donner un chemin supplémentaire.

Autre

VisualStudio Je l'ai installé parce que je suis allé utiliser le compilateur de CUDA ou cuDNN pour le fonctionnement de l'exemple de chainer. Stable avec la mise à jour de la communauté VS 2015 1.

J'étais super accro. Il ne peut pas être utilisé à partir de CUDA après la mise à jour 20152. La communauté VS 2013 peut suffire. En premier lieu, VS officiel est déjà 2017. Je ne trouve pas de lien vers une version précédente

Visual Studio Community 2015 with update 1(.iso)

Télécharger un échantillon

Git DL et utilisez git pour Windows 2.12.2 (2) depuis github.io

Échantillon MNIST

> git clone https://github.com/tensorflow/tensorflow.git
> cd tensorflow\tensorflow\examples\tutorials\mnist
> python mnist_softmax.py

échantillon de chaîne

> git clone https://github.com/pfnet/chainer.git
> cd chainer/examples/mnist/train_mnist.py
> python train_mnist.py

octave v4.2.1(x64)

Utile pour les opérations de vecteurs / matrices d'essai et la visualisation des résultats. Après avoir suivi Coursera Machine Learning, j'ai expérimenté la commodité. Je ne peux pas prendre la peine d'écrire du code pour vérifier le principe de fonctionnement. Au lieu de MATLAB.

v4.0.0 est dit d'éviter.