[[192381]]

是的，你可以在一個(gè)39美元的樹(shù)莓派板子上運(yùn)行TensorFlow，你也可以在用一個(gè)裝配了GPU的亞馬遜EC2的節(jié)點(diǎn)上跑TensorFlow，價(jià)格是每小時(shí)1美元。是的，這些選擇可能比你自己攢一臺(tái)機(jī)器要更現(xiàn)實(shí)一點(diǎn)。 但是如果你和我是一樣的人，你絕對(duì)想自己攢一臺(tái)奇快無(wú)比的深度學(xué)習(xí)的電腦。

好吧，一千塊錢(qián)對(duì)于一個(gè)DIY項(xiàng)目來(lái)說(shuō)是太多了。但是一旦你把機(jī)器搞定，你就能構(gòu)建數(shù)百個(gè)深度學(xué)習(xí)的應(yīng)用啦，從擁有增強(qiáng)大腦的機(jī)器人到藝術(shù)創(chuàng)作（至少這是我為花這些錢(qián)找的理由）。最差的理由也是，這個(gè)機(jī)器至少能輕松打敗那個(gè)2800美元的Macbook Pro筆記本。除了用電多一點(diǎn)，所有的性能都比Macbook強(qiáng)。另外這臺(tái)電腦很容易被升級(jí)，從而能保證它的性能可以領(lǐng)先筆記本好幾年。

從上世紀(jì)80年代后我就再?zèng)]攢過(guò)電腦。我也相當(dāng)擔(dān)心花好幾百塊，最終搞一堆我自己裝不出來(lái)的零件（或是攢出來(lái)了，但可能沒(méi)法正常工作）。不過(guò)我要告訴你，攢機(jī)是可以的！另外，整個(gè)過(guò)程也很好玩。***你能擁有一臺(tái)通用的電腦，并能做預(yù)測(cè)，同時(shí)比筆記本快20多倍。

下面是購(gòu)買(mǎi)清單和一些細(xì)節(jié)建議 ：

◇主板

有不同的尺寸規(guī)格。因?yàn)槲也幌胗枚鄠€(gè)GPU，所以***最小的主板標(biāo)準(zhǔn)尺寸是mini-ITX，對(duì)這個(gè)項(xiàng)目是夠用了。我的***要求是要有一個(gè)PCIe插槽給GPU用，有兩個(gè)DDR4的內(nèi)存插槽。***我買(mǎi)的是華碩的 Mini ITX DDR4 LGA 1151 B150I PRO GAMING/WIFI/AURA主板，在亞馬遜上賣(mài)125美元。還附送了一個(gè)WiFi的天線。這對(duì)于在地下室里用這個(gè)電腦是太方便了。

◇機(jī)箱

機(jī)箱不太重要，也非常便宜。因?yàn)镈IY電腦的主要客戶都是游戲玩家，所以機(jī)箱的形狀和顏色也是五花八門(mén)。機(jī)箱的尺寸應(yīng)該和主板配套，所以我的機(jī)箱需要支持mini-ITX。我買(mǎi)的是Thermaltake Core V1 Mini ITX Cube機(jī)箱，在亞馬遜上賣(mài)50美元。

◇內(nèi)存

我不敢相信現(xiàn)在內(nèi)存有多便宜。你需要買(mǎi)和主板配合的DDR4型的內(nèi)存（幾乎網(wǎng)上找到的都是這個(gè)類型），大家的價(jià)格都差不多。我用129美元買(mǎi)了兩條8GB of Corsair Vengeance內(nèi)存。

這個(gè)帶LED燈的內(nèi)存條讓我多花了5美元，因?yàn)閬嗰R遜的用戶評(píng)價(jià)上說(shuō)“對(duì)于沒(méi)法在機(jī)箱里裝足夠多LED燈的，這個(gè)內(nèi)存是***選擇。”如果你如我一樣是在地下室里攢機(jī)，也不在乎機(jī)箱里面的美感，那你肯定會(huì)非常難在機(jī)箱里找到零件。

◇CPU

我看了一下網(wǎng)上的CPU評(píng)測(cè)比較，認(rèn)為比較慢的CPU應(yīng)該沒(méi)什么問(wèn)題，因?yàn)槲覜](méi)什么任務(wù)是要高速CPU的（除了訓(xùn)練神經(jīng)網(wǎng)絡(luò)，而我會(huì)用GPU來(lái)訓(xùn)練）。但我也受不了一臺(tái)電腦，里面有一個(gè)相對(duì)其他部件落后三代的CPU。***我花了214美元買(mǎi)了Intel I5-6600 CPU。

大部分亞馬遜上能找到的CPU都是合適的。我沒(méi)花額外的20美元去買(mǎi)I5-6600K。與I5-6600型相比，除了能超頻，其他功能都一樣。但通過(guò)系統(tǒng)可靠性來(lái)?yè)Q取10%的速度提升對(duì)于我來(lái)說(shuō)是夠瘋狂的。不過(guò)我承認(rèn)，在我開(kāi)始想著自己攢機(jī)后，我有些后悔了。所以誰(shuí)知道哪？攢機(jī)會(huì)改變你的生活樣式。可能買(mǎi)一個(gè)可超頻的CPU會(huì)少一些后悔。但另一方面，也許去除掉多余的選擇能保護(hù)你自己，不會(huì)自己作死。

◇硬盤(pán)

我也無(wú)法相信現(xiàn)在硬盤(pán)有多便宜了。用50美元我買(mǎi)了一個(gè)1TB SATA硬盤(pán)。固態(tài)硬盤(pán)會(huì)更快，但貴很多。而且深度學(xué)習(xí)的程序一般都不會(huì)是高I/O依賴的，因?yàn)橐话愠绦蚨际抢∫慌鷶?shù)據(jù)進(jìn)內(nèi)存，然后算很久。如果你有很多的文件傳輸任務(wù)，或是僅僅是想確保比你朋友的Macbook跑應(yīng)用快很多，那我會(huì)買(mǎi)一個(gè)固態(tài)硬盤(pán)，比如這個(gè)三星的850 EVO 250GB 2.5-Inch SATA III Internal SSD，250G的要98美元。

這些硬盤(pán)讓我意識(shí)到，蘋(píng)果是多么會(huì)宰人。為了Macbook Pro有250G的額外硬盤(pán)容量，你要花200美元！

◇顯卡/GPU

選哪款顯卡是最重要也是最難的問(wèn)題。對(duì)于幾乎所有的機(jī)器學(xué)習(xí)應(yīng)用，你都需要一個(gè)英偉達(dá)的顯卡，因?yàn)橹挥杏ミ_(dá)有最重要的CUDA框架和CuDNN庫(kù)，所有的機(jī)器學(xué)習(xí)框架（包括TensorFlow）都依賴它們。

作為一個(gè)非GPU專家，我發(fā)現(xiàn)與之相關(guān)的名詞術(shù)語(yǔ)是夠讓人糊涂的。但下面是非常基本的選購(gòu)指標(biāo)。

可能對(duì)深度學(xué)習(xí)最重要的指標(biāo)就是顯卡的顯存大小。如果TensorFlow不能把模型和當(dāng)前批次的訓(xùn)練數(shù)據(jù)存進(jìn)GPU的顯存，它就會(huì)失敗并轉(zhuǎn)向使用CPU，從而讓GPU變成廢物。

另外一個(gè)重要的考慮就是顯卡的架構(gòu)。英偉達(dá)***依次推出的架構(gòu)叫“Kepler”，“Maxwell”和“Pascal”。這些架構(gòu)的主要區(qū)別就是速度。例如根據(jù)這個(gè)基準(zhǔn)評(píng)測(cè)，Pascal Titan X的速度是Maxwell Titan X的兩倍。

機(jī)器學(xué)習(xí)的大部分論文都是用的TITAN X顯卡。性能不錯(cuò)，不過(guò)夠貴，都要1000美元以上，哪怕是舊一點(diǎn)的版本。大部分搞機(jī)器學(xué)習(xí)且沒(méi)多少預(yù)算的人都用的英偉達(dá)的GTX 900系列（Maxwell）或是GTX 1000系列（Pascal）。

想找出一塊顯卡的架構(gòu)，你可以看看英偉達(dá)的那個(gè)極其讓人混淆的命名系統(tǒng)：9XX卡使用的是Maxwell架構(gòu)，而10XX是用的Pascal架構(gòu)。但一個(gè)有更高的主頻和更大的顯存980可能還是比一個(gè)1060要快。

你可能必須對(duì)不同架構(gòu)的英偉達(dá)GPU有所了解。但最重要的是，無(wú)論是9XX還是10XX顯卡，都會(huì)比你的筆記本快一個(gè)數(shù)量級(jí)。不要被這些選項(xiàng)搞暈了，如果你還沒(méi)有用過(guò)GPU，用它會(huì)比你現(xiàn)有的系統(tǒng)要快很多。

我買(mǎi)的是GeForce GTX 1060顯卡，3GB顯存，花了195美元。用它比我的Macbook要快近20倍。但對(duì)有些應(yīng)用，它還是偶爾會(huì)出現(xiàn)顯存內(nèi)存不足的情況。所以我也許應(yīng)該多花60美元來(lái)買(mǎi)一個(gè)GeForce GTX 1060 6GB顯存版。

◇電源

我花了85美元買(mǎi)了一個(gè)650W的電源。我的經(jīng)驗(yàn)是，電器如果電源出了問(wèn)題是非常頭疼也很難修的，所以不值得為此省錢(qián)。另一方面，我的系統(tǒng)的峰值負(fù)載從來(lái)沒(méi)有超過(guò)250瓦。

◇散熱器

我還記得我工作的***家創(chuàng)業(yè)公司是把服務(wù)器放到壁櫥里面的。即使隔著壁櫥的門(mén)，風(fēng)扇的噪聲還是出奇的大。這樣的日子似乎是早已過(guò)去了。不過(guò)650瓦的電源讓你的機(jī)器耗能是筆記本的10倍，而能量總是要找到一個(gè)出口的地方。可能不是必須的，但是我還是用35美元買(mǎi)了一個(gè)超級(jí)的散熱器——Master Hyper 212 EVO。這讓CPU始終運(yùn)行在低溫狀態(tài)，且系統(tǒng)超級(jí)安靜。

◇概覽

要***能用，你還需要有顯示器、鼠標(biāo)和鍵盤(pán)。這些東西一般容易搞到（我的地下室里到處都是）。合計(jì)價(jià)格是883美元，因此想花1000美元的話，還能再升級(jí)一些東西。

裝機(jī)

所有包裹都到齊后我是相當(dāng)?shù)呐d奮，然后我發(fā)現(xiàn)裝機(jī)是容易，但靠不住。花了我大概一個(gè)小時(shí)，按照每個(gè)部件的說(shuō)明書(shū)就把電腦組裝起來(lái)了。***卻點(diǎn)不亮。我不得不更換了主板，相當(dāng)沮喪但還OK。

第二次組裝時(shí)，我把所有的部件放在一個(gè)紙箱子上連接起來(lái)，先確定是不是都能正常工作。

基本上，如果你把每個(gè)東西都能插入到看起來(lái)能恰當(dāng)?shù)仄ヅ涞牡胤剑蛻?yīng)該是OK的。

圖1 放在桌子上的半成品電腦，只連接了最少的部件來(lái)測(cè)試

圖2 裝上超大散熱器后的電腦，看起來(lái)很恐怖

圖3 從上面看下去，硬盤(pán)已經(jīng)裝進(jìn)去了

啟動(dòng)電腦

安裝***版本的Ubuntu會(huì)讓你的生活變得容易得多，因?yàn)樾掳姹局С謳缀跛械纳疃葘W(xué)習(xí)的軟件。你可以把一個(gè)鏡像存到一個(gè)USB盤(pán)里，然后按照它的簡(jiǎn)單的一步一步指導(dǎo)來(lái)安裝。在上世紀(jì)90年代，我需要和各種驅(qū)動(dòng)程序去斗爭(zhēng)來(lái)安裝Linux桌面，不過(guò)現(xiàn)在的安裝過(guò)程已經(jīng)變得超級(jí)容易。

新的Ubuntu操作系統(tǒng)也非常的棒。我現(xiàn)在經(jīng)常使用我自己組裝的這臺(tái)電腦。擁有大內(nèi)存、相對(duì)快速的CPU和輕量級(jí)的操作系統(tǒng)，它是我家里最快的計(jì)算機(jī)。

安裝CUDA、OpenCV

和TensorFlow

為了能用你的超酷的深度學(xué)習(xí)機(jī)器， 你需要先安裝CUDA和CudNN。***的CUDA版本是8.0，CudNN是5.1。 從抽象的角度看，CUDA是一個(gè)API和編譯器，能讓其他的程序?yàn)橥ㄓ脩?yīng)用使用GPU。而CudNN則是一個(gè)庫(kù)，主要設(shè)計(jì)來(lái)讓神經(jīng)網(wǎng)絡(luò)在GPU上跑的更快。你需要從英偉達(dá)的官網(wǎng)NVIDIA website上下載這兩個(gè)軟件。

OpenCV 是一個(gè)開(kāi)源的庫(kù)，很多應(yīng)用使用它來(lái)做圖像處理。現(xiàn)在***的版本3.1和***的CUDA版本不兼容。你可以通過(guò)設(shè)置CUDA_GENERATION標(biāo)志成Kepler、Maxwell或是Pascal（取決于你買(mǎi)的GPU型號(hào)）來(lái)讓他們兼容。下面是下載OpenCV和安裝設(shè)置它的命令序列：

git clone https://github.com/opencv/opencv.git \ 
 
&& cd opencv \ 
 
&& mkdir build \ 
 
&& cd build \ 
 
&& cmake .. \ 
 
&& make -j3 \ 
 
&& make install 

***，安裝TensorFlow變成了這些天里最簡(jiǎn)單的工作。只要按照這個(gè)網(wǎng)站上的說(shuō)明操作就行了。

想看看GPU的支持是不是成功，你可以運(yùn)行這個(gè)TensorFlow的測(cè)試程序，或是執(zhí)行下面的命令：

python -m tensorflow.models.image.mnist.convolutional

這應(yīng)該能開(kāi)始運(yùn)行一個(gè)模型而沒(méi)有報(bào)錯(cuò)。

有趣的部分來(lái)了！

現(xiàn)在你已經(jīng)花了近1000美元和無(wú)數(shù)的時(shí)間來(lái)裝機(jī)和裝軟件，是時(shí)候回收你的投資啦！GPU讓程序運(yùn)行的非常快，所有你需要一些能利用這個(gè)速度的應(yīng)用。幸運(yùn)的是有很多有趣的事情可以干。

實(shí)時(shí)識(shí)別附近的物品

裝一個(gè)便宜的USB攝像頭或是帶有攝像頭的樹(shù)莓派板子在你家外面。 你就能用我在之前的100美元的TensorFlow機(jī)器人里所介紹的RPi攝像頭模塊來(lái)很容易地制作一個(gè)樹(shù)莓派派視頻流應(yīng)用。

YOLO

YOLO包能完成拍攝同時(shí)的實(shí)時(shí)物體識(shí)別。用Macbook的話，我發(fā)現(xiàn)物體識(shí)別需要3到4秒。但用GPU的話，我能得到一個(gè)實(shí)時(shí)的結(jié)果，而且準(zhǔn)確率是非常高。

按這個(gè)YOLO_tensorflow 項(xiàng)目的介紹，可以很容易地使用YOLO模塊運(yùn)行在TensorFlow上。也可以安裝“Darknet”，這是一個(gè)不同的深度學(xué)習(xí)框架。YOLO最初就是設(shè)計(jì)來(lái)用于它的。

git clone https://github.com/pjreddie/darknet 
 
cd darknet 
 
make 

Darknet安裝完后，你可以用下面的命令來(lái)讓它處理圖像：

./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg 

因?yàn)闃?shù)莓派攝像頭僅僅只是把文件放到一個(gè)Web服務(wù)器上，你可以直接讓Darknet去連接那個(gè)文件來(lái)做實(shí)時(shí)流里的物體識(shí)別。下面的視頻是我在車庫(kù)里對(duì)外面發(fā)生的堵車進(jìn)行的物體識(shí)別：

給你的樹(shù)莓派機(jī)器人

一個(gè)增強(qiáng)的大腦

我之前寫(xiě)的這個(gè)《只要100美元的TensorFlow機(jī)器人》里，我發(fā)現(xiàn)可以在只值30美元的硬件上運(yùn)行和應(yīng)用深度學(xué)習(xí)。不幸的是，最讓我失望的事情是機(jī)器人要花好幾秒才能完成物體識(shí)別，因此讓機(jī)器人做實(shí)時(shí)的決策就不行了。現(xiàn)在如果機(jī)器人用這個(gè)新的GPU機(jī)器，就不僅僅能做實(shí)時(shí)物體識(shí)別，還能每秒處理大概12-20幀的圖像。

如果你依據(jù)我在GitHub上的這個(gè)說(shuō)明，你就能攢一個(gè)機(jī)器人出來(lái)，讓它從攝像頭里獲取容易處理的視頻流。

我的朋友Shawn Lewis教會(huì)了我這篇文章里所需的大部分技能，所以我把我的兩個(gè)樹(shù)莓派機(jī)器人拿到了他的辦公室。他和其他很多機(jī)器人專家有一個(gè)夢(mèng)想，就是讓機(jī)器人能給他們拿啤酒。下面是這些機(jī)器人為地上的啤酒戰(zhàn)斗的視頻。

如果你仔細(xì)看視頻開(kāi)始部分里的電腦顯示器畫(huà)面，就會(huì)發(fā)現(xiàn)Shawn的這個(gè)電腦實(shí)際上是用它的GeForce 980顯卡在為兩個(gè)機(jī)器人拍攝的視頻做實(shí)時(shí)的物體識(shí)別。他宣稱他的這塊顯卡可以同時(shí)處理四路視頻輸入而不會(huì)內(nèi)存溢出。

搞點(diǎn)藝術(shù)創(chuàng)作

你可以用神經(jīng)網(wǎng)絡(luò)干的好玩的事情之一就是復(fù)制谷歌的Deep Dream干的事情。盡管你可以不用GPU也能完成，但會(huì)花很長(zhǎng)的時(shí)間。本質(zhì)上講，這個(gè)事就是修改輸入的圖片來(lái)找到神經(jīng)元里得到***反饋的圖片，因此這個(gè)任務(wù)有非常大的計(jì)算量。有很多種方式來(lái)完成修改，結(jié)果一般都非常的詭異和酷。

一個(gè)直接能用的很好的教程就是谷歌公開(kāi)的這個(gè)Deep Dream 代碼。

你需要安裝Jupyter notebook服務(wù)器（你總是需要的！）和Caffe。

接著按照谷歌的教程把你的朋友的臉插進(jìn)去。使用這個(gè)新的機(jī)器，新的圖片只用幾分鐘就出來(lái)了，而不是好幾小時(shí)。修改出來(lái)的圖片是很好玩的。

圖4 我的鄰居Chris Van Dyke和Shruti Gandhi站在我的車庫(kù)里，照片被我的Deep Dream程序給涂鴉了一把

[[192386]]

圖5 我朋友Barney Pell和他的國(guó)際象棋生日蛋糕

圖6 這是我運(yùn)行Deep Dream程序的機(jī)器自己的圖片。看起來(lái)像是滿屏都是狗（可能是因?yàn)橛?xùn)練這個(gè)模型的ImageNet數(shù)據(jù)里面都是狗的圖片。ImageNet數(shù)據(jù)集里面包括了120多種不同的狗）

如果你想搞更瘋狂的事，這里是基于Deep Dream由TensorFlow實(shí)現(xiàn)的Neural Style。出來(lái)的效果更神奇，你可以在這個(gè)腦洞大開(kāi)的博文里看到部分的成果。