圖形化操作工具DIGITS 6.1的安裝與運行

　　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