原作者: Jon C-137
原文链接: https://medium.com/@jon.froiland/python-deep-learning-part-1-8c912cbf34f6
利用Keras建立一个深入的学习环境
让我们来看一个神经网络的具体例子，它使用Python库Keras来学习如何对手写数字进行分类。我们要解决的问题是将手写数字（28×28像素）的灰度图像分为10类（0到9）。我们将使用MNIST数据集，这是机器学习社区中的一个经典数据集，它几乎和领域本身一样长，并且已经被深入研究过。这是一组60000张训练图像，加上10000张测试图像，由国家标准与技术研究所（NIST在MNIST中）在20世纪80年代组装而成。
MNIST数据集以一组4个Numpy数组的形式预装在Keras中.
建立深度学习环境的过程相当复杂，包括以下步骤，本附录将详细介绍这些步骤:
- 安装Python科学套件-Numpy和SciPy-并确保安装了基本线性代数子程序（BLAS）库，以便模型在CPU上快速运行。
- 安装两个在使用Keras时有用的附加软件包：HDF5（用于保存大型神经网络文件）和Graphviz（用于可视化神经网络架构）.
- 通过安装CUDA驱动程序和cuDNN，确保GPU可以运行深入学习代码.
- 为Keras安装后端：TensorFlow、CNTK或Theano.
- 安装Keras.
注：我目前正在努力使我的AMD GPU与ROCm和Tensorflow一起运行。希望能够解决这些问题，并遵循一些说明，以及更多…
唯一困难的部分是设置GPU支持。除此之外，整个过程只需几个命令就可以完成，并且只需要花上几分钟时间。
注意：在此我不会针对基于Nvidia的GPU进行GPU设置。
$ sudo apt update
$ sudo apt dist-upgrade
默认情况下，Ubuntu在安装Python包（如Python pip）时使用Python 2。如果希望改用python3，则应使用python3前缀而不是Python。或者，建立一个虚拟环境将是第一步。如果您需要进一步的信息，可以参考这篇文章：在Ubuntu 16.04上安装Python Virtualenv。
$ virtualenv -p python3 deeplearning
Using base prefix '/usr'
New python executable in /home/jon/deeplearning/bin/python3
Also creating executable in /home/jon/deeplearning/bin/python
Installing setuptools, pip, wheel...done.
$ source deeplearning/bin/activate
(deeplearning) user@host:~$
使用pip安装包时，需要记住，在默认情况下，它针对的是Python 2。如果需要针对Python 3的话应该使用pip3：
$ pip3 install tensorflow-gpu
安装一个BLAS库（在本例中为OpenBLAS），以确保可以在CPU上运行快速的tensor操作：
$ sudo apt install build-essential cmake git unzip pkg-config libopenblas-dev liblapack-dev
安装Python科学套件：Numpy、SciPy和Matplotlib。这对于在Python中执行任何类型的机器学习或科学计算都是必要的，无论您是否正在进行深入学习：
$ sudo apt install python-numpy python-scipy python-matplotlib python-yaml
安装HDF5。这个库最初由NASA开发，以高效的二进制格式存储大量的数字数据文件。它将允许您快速高效地将Keras模型保存到磁盘：
$ sudo apt install libhdf5-serial-dev python-h5py
安装Graphviz和pydot ng，这两个软件包可以让您可视化Keras模型。它们不需要运行Keras，因此您可以跳过此步骤，在需要时安装这些软件包。
$ sudo apt install graphviz
$ pip install pydot-ng
一些代码示例中使用的其他包：
$ sudo apt install python-opencv
安装Keras并运行MNIST示例
您可以从PyPI安装Keras：
$ pip install keras
或者可以从GitHub安装Keras。这样您便可以访问keras/examples文件夹，其中包含许多示例脚本供您学习：
$ git clone https://github.com/fchollet/keras
$ cd keras
$ python setup.py install
$ python examples/mnist_cnn.py
请注意，运行此示例到完成可能需要几分钟时间，因此在验证它正常工作后，可以强制退出（Ctrl-C）。
大约2分钟后:
大约12分钟后:
大约20分钟后，完成的界面应该是这样的:
注意：我用的是AMD Ryzen™ 5 2500U Quad-Core 和 AMD Radeon™ Vega M Graphics-你的结果可能会有所不同。
运行Keras至少一次后，可以在以下位置找到Keras配置文件：
$ /.keras/keras.json.
您可以通过编辑它来选择Keras运行的后端：tensorflow、theano或cntk。配置文件应如下所示：
{
"image_data_format": "channels_last",
"epsilon": 1e-07,
"floatx": "float32",
"backend": "tensorflow"
}
当Keras脚本examples/mnist_cnn.py运行时，如果设置了GPU使用，则可以在不同的shell窗口中监视GPU使用情况：
$ watch -n 5 NVIDIA-smi -a --display=utilization
在明天的续集中我们将学习快速地仔细查看MNIST数据集。
Chollet, François. Deep learning with Python. Shelter Island, NY: Manning Publications Co, 2018.
