图形化操作工具DIGITS 6.1的安装与运行

程序员文章站 2022-04-11 10:23:22

...

　　Ndivia DIGITS是对现有流行深度学习开发框架的*的抽象封装，可以轻松实现基于深度学习模型的图像分类、目标检测、分割等任务，并以图形界面的方式展现出来，这能让训练和验证过程简单很多。所以不够熟悉Python和命令行，还想学深度学习，幸好有Nvidia Digits这样一款web应用工具，可以在网页上对Caffe进行图形化操作和可视化。
　　Nvidia对深度学习真是偏爱，竟然出了这样一款初学者也很容易上手的工具，从这可以看出为了卖出更多的显卡真是无所不用其极，真是希望全民会玩深度学习。

一、环境

操作系统：
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：确定已安装好cuda、caffe和pycaffe

二、下载安装DIGITS

1.从github上克隆并下载DIGITS项目

git clone https://github.com/NVIDIA/DIGITS.git digits

2.编译和安装对应依赖

cd digits
sudo apt-get install graphviz gunicorn
for req in $(cat requirements.txt); do sudo pip

图形化操作工具DIGITS 6.1的安装与运行

pip install -r ~/digits/requirements.txt #使用Anaconda环境下的python进行更新

图形化操作工具DIGITS 6.1的安装与运行

三、修改load_from_envvar函数

1.打开路径

~/digits/digits/config/caffe.py

2.在 load_from_envvar函数中修改代码

  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'   #对应用户目录进行修改
        #python_dir = os.path.join(value, 'python')
        python_dir = '/home/cow/caffe/python'  #对应用户目录进行修改

图形化操作工具DIGITS 6.1的安装与运行

否则，会出现A valid Caffe installation was not found on your system的错误提示

四、运行digits

1.进入digits目录下运行服务

/digits-devserver

图形化操作工具DIGITS 6.1的安装与运行
2.打开浏览器，输入localhost:5000

3.所处局域网机子输入http://ip地址:5000

五、运行mnist实例

1.新建一个mnist文件夹用来保存mnist图片

mkdir mnist

2.进入digits目录

cd digits

3.执行脚本文件，用于下载mnist, cifar10 和cifar100 三类数据，并转换成png格式图片

python -m digits.download_data mnist ~/mnist

图形化操作工具DIGITS 6.1的安装与运行
python -m ：使用后面指定的模块，其实就是digits主目录下面的digits/download_data目录

第一个参数：mnist指定下载的数据集名称，一般有mnist、cifar10、cifar100等。

第二个参数：是下载存放的目录

4.在浏览器上运行digits

点击左边Dataset模块的”Image”按钮选择“classification”, 创建一个dataset
图形化操作工具DIGITS 6.1的安装与运行
其中Training Images是刚才下载的数据集目录，一般分train和test，train用于训练。

　　4.1 使用标准模型中的LeNet网络模型
图形化操作工具DIGITS 6.1的安装与运行

　　4.2 创建Model，参数设置如下：

　　4.3 选择配置分类网络

　　4.4查看训练周期准确率

可以清晰地看出，一个训练周期准确率就达到了100%，说明这个任务还是比较简单。开始设置了迭代30个训练周期