一直有在追蹤John Fish的影片，他是一個哈佛大二學生，目前休學一年在加拿大持續自己的資工領域工作，時常發影片分享他生活中的事情，主題都蠻值得看的，I Decorated My Apartment Using AI這個影片其實是業配，但他竟然可以把業配拍成這樣真的很強。
現在機器學習超級夯，到處都可以聽到AI、Deep learning的關鍵字，網路上也有超級多開源程式碼可以下載，也有一大堆免費學習網站，只要註冊帳戶就可以免費學習，只是對於程式新手來說，一個人單打獨鬥還是很不容易，尤其是程式這個領域，每個人、每台電腦碰上的問題都不一樣，跟著教學步驟操作還是很容易會遇到無法自己解決的問題，這是一個不怕沒有東西學的時代，只怕東西太多不知從何學起。
開頭廢話好多，總之，影片為了業配，John用LG筆電DEMO了一個2015年很夯的論文成果，A Neural Algorithm of Artistic Style，用神經網絡將畫作改變風格，整篇論文的實作有開源程式碼在Github當中。看完當下我覺得這實在太酷了，所以也想自己來實作看看。
但我想要馬上看到成果，所以就搜尋了一下有沒有中文的教學網站，很不意外的英文教學有很多，中文也有，Day 11：風格轉換(Style Transfer) -- 人人都可以是畢卡索，直接照著步驟做可以會有錯，因為之前不曾安裝過相關套件，摸索一陣子放入過去的照片，加上19世紀的畫作，兩張融合之後成果不錯。 補充：使用的是anaconda python環境
 |
| Mt. Bromo @印尼 |
 |
| The Heart of the Andes |
 |
| 融合後成果 |
完成後突然覺得神經網絡太酷了，就跟著系列文章從頭學起，Day 01：以100張圖理解 Neural Network -- 觀念與實踐，這是入坑的開始，Day 02：撰寫第一支 Neural Network 程式 -- 阿拉伯數字辨識，第二篇開始教怎麼建置環境，雖然過去曾經甚麼都有機會碰過一點點(神經網路的概念上過一堂課、python上過三堂課、機器學習也有皮毛認識)，但非常不專精，所以可以說是從頭開始，直接按照Day2的步驟做下來遇到了一大堆問題，大概花了兩天時間才安裝好整個環境。
過程中爬了很多文，大家的大架構都大同小異，只是程式版本與時俱進，例如在我開始學的第一天(2019/10/1)Tensorflow剛好推出2.0版本，此時照著步驟做也可能會出錯，這邊就貼兩篇我覺得比較清楚的步驟教學：
主要步驟跟著：Day 02：撰寫第一支 Neural Network 程式 -- 阿拉伯數字辨識
沒有任何基礎的人會需要：在Nvidia MX150的Win10安裝CUDA Toolkit, cuDNN, python(anaconda), and Tensorflow輔助操作
之所以安裝環境會如此複雜，因為需安裝套件多，且不同版本之間不一定相容，通常沒有事先查的話，會直到安裝好後才發現版本不相容而全部重來。
首先 要先確認自己的電腦有沒有GPU，我一開始在一台沒有GPU的電腦上跑完所有步驟，最後才發現原來我的桌電上沒有GPU😂
➤對沒有GPU的電腦，CPU電腦建置步驟：
1. 安裝 Anaconda： 它包含 Python 及常用的套件(Packages)，例如NumPy、Pandas等矩陣運算的套件，Python V2 與 V3 不相容，我們選 V3，除非你以前曾大量使用 V2。可同時參考：http://fugjo16.blogspot.com/2018/04/tensorflow-windows-tensorflow.html
2. 安裝 Tensorflow：安裝CPU版，直接在 DOS 下，輸入 pip install tensorflow。
3. 安裝 Keras：在 DOS 下，輸入 pip install keras。 Day02裡面的步驟
➤GPU電腦建置步驟(較為繁雜)：
需要安裝 CUDA, cuDNN, tensorflow-gpu(假設已經安裝好Anaconda了)
1. 確認顯示卡支援CUDA
在桌面按右鍵-NVIDA控制面板-系統資訊 可以看到電腦顯卡資訊，我的型號是GeForce MX150，另外也會顯示驅動程式版本，建議先去更新驅動程式版本(我自己沒有更新就驅動程式結果安裝失敗，更新後顯卡版本436.48)，這裡可以查詢GPU型號及其對應的驅動程式版本載點
 |
| 系統資訊-元素內可以看到GPU對應的CUDA版本，我的顯示10.1 |
2. 下載CUDA Toolkit 載點
留意GPU對應的下載版本，最新版並不一定試用，下載完後，進入命令提示字元 (放大鏡搜尋 cmd) 輸入 nvcc -V
 |
| 有成功的話會出現這樣的回傳，畫面上是10.1版本的CUDA |
3. 下載cuDNN 載點
下載 v7.6.3 for CUDA 10.1
解壓縮後的三個資料夾 bin, include, lib的內容物移到
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1內
詳細作法：
cudnn64_7.dll 複製到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin；
cudnn.h 複製到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include；
cudnn.lib 複製到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\lib\x64；
4. 加入環境變數
本機(右鍵)-內容-進階系統設定-進階-環境變數-系統變數內的path(是下面那格，上面是使用者變數)(雙擊新增路徑)
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin(可能已經存在)
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\libnvvp(可能已經存在)
5. Anaconda新增虛擬環境並裝tensorflow-gpu
直接在放大鏡搜尋anaconda prompt
>conda create -n tensorflow-gpu pip python=3.6
>activate tensorflow-gpu
>pip install --ignore-installed --upgrade tensorflow-gpu 大約跑10分鐘
6. 輸入以下指令 檢查是否安裝成功
在anaconda prompt中
>python (進入python指令，若要出來則輸入quit( ) )
>from tensorflow.python.client import device_lib
>print(device_lib.list_local_devices())
 |
| 有跑出GPU算是成功 |
import tensorflow as tf
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
如果是安裝tensorflow 2的版本會報錯
TF 2.0 does not have tf.Session.改版之後的TF2似乎有改指令的撰寫方式，因此舊版的撰寫方式不再適用
tensorflow-gpu這個步驟我安裝了良久，一直失敗，後來看到這篇文章Tensorflow GPU Installation Made Easy: Use conda instead of pip [Updated]說只需要輸入conda install tensorflow-gpu的指令即可安裝，但我有試過還是失敗，雖然教學文中提到
*雖然tensorflow官網有說明對於anaconda沒有正式支持，建議使用pip來安裝tensorflow，而測試幾次後，確定使用conda installl亦可成功安裝但這個方式對我的電腦來說是不行的
*conda install好處在於會把相關的套件一併下載與安裝
最終我回到第一步中提到的，重新安裝CUDA 10.0版本，再跑所有流程一次就成功了
最終版本
GeForce MX150
python 3.6.9
CUDA 10.0
cuDNN v7.6.3.30
tensorflow-gpu 2.0
成功後終於可以開始執行網路上各式神經網絡的程式碼了！😭
0 意見 :
張貼留言