Ndivia DIGITS是對現有流行深度學習開發框架的最高級的抽象封裝,可以輕鬆實現基於深度學習模型的圖像分類、目標檢測、分割等任務,並以圖形界面的方式展現出來,這能讓訓練和驗證過程簡單很多。所以不夠熟悉Python和命令行,還想學深度學習,幸好有Nvidia Digits這樣一款web應用工具,可以在網頁上對Caffe進行圖形化操作和可視化。
Nvidia對深度學習真是偏愛,竟然出了這樣一款初學者也很容易上手的工具,從這可以看出爲了賣出更多的顯卡真是無所不用其極,真是希望全民會玩深度學習。
一、環境
操作系統:
Ubuntu 16.04
GCC/G++: 5.4.0
CUDA: 9.0.252
OpenCV: 2.4.11和3.3.1
Matlab :R2014b(a)
Python: 2.7
Digits: 6.1.0
注意:確定已安裝好cuda、caffe和pycaffe
二、下載安裝DIGITS
1.從github上克隆並下載DIGITS項目
git clone https://github.com/NVIDIA/DIGITS.git digits
2.編譯和安裝對應依賴
cd digits
sudo apt-get install graphviz gunicorn
for req in $(cat requirements.txt); do sudo pip
pip install -r ~/digits/requirements.txt #使用Anaconda環境下的python進行更新
三、修改load_from_envvar函數
1.打開路徑
~/digits/digits/config/caffe.py
2.在 load_from_envvar
函數中修改代碼
if platform.system() == 'Windows':
executable_dir = os.path.join(value, 'install', 'bin')
python_dir = os.path.join(value, 'install', 'python')
else:
#executable_dir = os.path.join(value, 'build', 'tools')
executable_dir = '/home/cow/caffe/build/tools' #對應用戶目錄進行修改
#python_dir = os.path.join(value, 'python')
python_dir = '/home/cow/caffe/python' #對應用戶目錄進行修改
否則,會出現A valid Caffe installation was not found on your system
的錯誤提示
四、運行digits
1.進入digits目錄下運行服務
/digits-devserver
2.打開瀏覽器,輸入localhost:5000
3.所處局域網機子輸入http://ip地址:5000
五、運行mnist實例
1.新建一個mnist文件夾用來保存mnist圖片
mkdir mnist
2.進入digits目錄
cd digits
3.執行腳本文件,用於下載mnist, cifar10 和cifar100 三類數據,並轉換成png格式圖片
python -m digits.download_data mnist ~/mnist
python -m
:使用後面指定的模塊,其實就是digits主目錄下面的digits/download_data目錄
第一個參數:mnist指定下載的數據集名稱,一般有mnist、cifar10、cifar100等。
第二個參數:是下載存放的目錄
4.在瀏覽器上運行digits
點擊左邊Dataset模塊的”Image”按鈕選擇“classification”, 創建一個dataset
其中Training Images是剛纔下載的數據集目錄,一般分train和test,train用於訓練。
4.1 使用標準模型中的LeNet網絡模型
4.2 創建Model,參數設置如下:
4.3 選擇配置分類網絡
4.4查看訓練週期準確率
可以清晰地看出,一個訓練週期準確率就達到了100%,說明這個任務還是比較簡單。開始設置了迭代30個訓練週期
訓練過程中,可以開始測試了,不必等到訓練結束
5.使用創建好的Model分類圖片測試手寫體分類模型
5.1 頁面左邊,可以設置圖片是彩色圖片還是灰度圖片。
5.2 如果提供的原始圖片大小不一致,還可用Resize Transformation功能轉換成一致大小
5.3 從頁面中間可以看出,系統默認將訓練圖片中的25%取出來作爲驗證集(for validation)
5.4 把用來測試的圖片,也生成lmdb, 則選上“ separate test image folder” 這個選項
5.5 全部設置好後,點擊”create” 按鈕,開始生成lmdb數據
測試模型有三種選擇:
- Classify One:單幅圖像分類,可以可視化數據、權重、隱藏層輸出等
- Classify Many:多幅圖像分類,可以查看多幅圖像的分類結果統計信息
- Top N Predictions per Category:每類的Top N分類預測圖示
6.查看測試結果
數字“8”的預測結果
如圖顯示top-5的分類情況,DIGITS提供測試數據與權值的可視化和統計信息
參考博客:
DIGITS安裝和配置
https://blog.csdn.net/u012235003/article/details/54576849
Caffe學習系列(21):caffe圖形化操作工具digits的安裝與運行
http://www.cnblogs.com/denny402/p/5136155.html
caffe學習(6)使用digits體驗mnist實例
http://blog.sina.com.cn/s/blog_1612bab090102xcg6.html