作者：Slav Ivanov@blog.slavv.com
问耕 编译整理
量子位 出品 | 公众号 QbitAI
Macbook这种轻薄的笔记本，是搞不了深度学习的。亚马逊P2云服务，会给堆积越来越多的账单，换个便宜的服务，训练时间又太长……
没办法，已经十多年没用过台式机的我，只能重新着手DIY装机，搭建一套自己的深度学习系统。以下是我的系统搭建和测试过程。
硬件清单之前，我在AWS亚马逊云服务上的花费是每月70美元（约480元人民币）。按照使用两年计算，我给这套系统的总预算是1700美元（约11650元）。
GPU
肯定得买Nvidia，没有其他选择。买两块还是一块？我想了想，还是先买一个性能更好的，以后有钱了再增加。综合显存、带宽等因素，我最终选了GTX 1080 Ti，跟Titan X相比，性能差不了多少，但价格便宜不少。
安装软件提示：如果你想装Windows系统，最好先安装Windows，再装Linux。要不然Windows会搞乱启动分区。
安装Ubuntu
大部分深度学习框架都工作在Linux环境中，所以我选择安装Ubuntu。一个2GB容量的U盘就能搞定安装，如何制作？
-
OSX用户参考这里：
https://www.ubuntu.com/download/desktop/create-a-usb-stick-on-macos
-
Windows用户参考这里：
https://rufus.akeo.ie/
我写这个教程的时候，Ubuntu 17.04版本刚刚发布，但是我选择了之前的16.04版本，因为老版本的相关文档可能更全一点。另外，我选择的是Ubuntu桌面版本，不过关闭了图形界面X，电脑启动会进入终端模式。
如果需要图形界面，只需要输入：startx
及时更新
更新可以使用下面这个命令
深度学习堆栈
为了展开深度学习，我们需要如下软件来使用GPU：
-
GPU驱动：让操作系统和显卡可以对话
-
CUDA：能让GPU运行通用目的代码
-
CuDNN：CUDA之上的神经网络加速库
-
深度学习框架：TensorFlow等
安装GPU驱动
最新的驱动，可以参考官网
http://nvidia.com/Download/index.aspx
或者直接使用如下代码安装：
安装CUDA
可以从Nvidia下载CUDA，地址如下：
https://developer.nvidia.com/cuda-downloads
或者直接运行如下的代码：
安装好CUDA之后，下面的代码能把CUDA添加到PATH变量：
现在可以检验一下CUDA装好没有，运行如下代码即可：
删除CUDA或GPU驱动，可以参考如下代码：
安装CuDNN
我用的是CuDNN 5.1，因为最新的TensorFlow不支持CuDNN 6。下载CuDNN，你需要创建一个免费的开发者账号。下载之后，用如下命令安装。
Anaconda
Anaconda是一个很棒的Python软件包管理器，我现在使用了Python 3.6版本，所以对应的使用Anaconda 3版本，安装如下：
TensorFlow
最流行的深度学习框架，安装：
为了检查一下TensorFlow安装好没有，可以运行MNIST看看：
应该能在训练过程中，看到loss的逐渐减少：
Keras
一个高级神经网络框架，安装非常简单：
PyTorch
深度学习框架届的新兵，但也值得推荐，安装命令：
Jupyter notebook
Jupyter是一个交互式的笔记本，随着Anaconda安装，我们要配置和测试一下：
现在打开 http://localhost:8888 ，应该就能看到Jupyter的界面。
我们可以把Jupyter设置成自动启动，使用crontab来设置。运行crontab -e，然后把如下代码添加在最后。
现在基本上准备妥当了，是时候测试一下了。参加此次对比的几个选手是：
-
AWS P2实例GPU（K80）
-
AWS P2虚拟CPU
-
英伟达GTX 1080 Ti
-
英特尔i5 7500
MNIST多层感知器
MNIST数据集由70000手写数字组成。我们在这个数据集上运行了一个使用多层感知器（MLP）的Keras案例，代码地址：
https://github.com/fchollet/keras/blob/master/examples/mnist_mlp.py
MLP的意思是只使用全连接的层，而不用卷积。这个模型在这个数据集上进行了20次训练，实现了超过98%的准确率。
可以看到在训练这个模型时，GTX 1080 Ti比AWS P2 K80快2.4倍，这有点惊人，因为两个显卡的性能应该差不多，我觉得可能是AWS上有降频或者受到虚拟化的影响。
CPU的表现比GPU慢9倍。有趣的是，i5 7500比亚马逊的虚拟CPU快2.3倍。
VGG微调
为Kaggle猫狗识别竞赛而微调一个VGG网络。使用相同的batch在CPU上运行这个模型不可行，所以我们在GPU上微调了390个batch，在CPU上是10个batch。代码如下：
https://github.com/slavivanov/cats_dogs_kaggle
这次1080 Ti比AWS P2 K80快5.5倍。CPU在这个环节的表现，最多慢了200倍。
Wasserstein GAN
生成对抗网络（GAN）用来训练模型产生图像。Wasserstein GAN是原始GAN的一个改进版。我这里用了一个PyTorch实现，代码地址：
https://github.com/martinarjovsky/WassersteinGAN
这个模型需要50步训练，CPU在这个训练中不予考虑。
GTX 1080 Ti比AWS P2 K80快5.5倍。
风格迁移
最后一个测试是在TensorFlow上的风格迁移实现，代码地址：
https://github.com/slavivanov/Style-Tranfer
GTX 1080 Ti比AWS P2 K80快4.3倍。CPU比GPU慢30-50倍。
好啦，关于万元打造一个深度学习系统的分享，就先到这里。
各位端午节快乐。
【完】
招聘
我们正在招募编辑记者、运营等岗位，工作地点在北京中关村，期待你的到来，一起体验人工智能的风起云涌。
相关细节，请在公众号对话界面，回复：“招聘”两个字。
One More Thing…
今天AI界还有哪些事值得关注？在量子位（QbitAI）公众号会话界面回复“今天”，看我们全网搜罗的AI行业和研究动态。笔芯~
,
