http://warpknitting.com.cn

MacBook显卡不跑AI模型太浪费:这个深度学习工具

无极4平台

 机器之心编辑部
 
  通过这款名为 PlaidML 的工具,不论英伟达、AMD 还是英特尔显卡都可以轻松搞定深度学习训练了。
 
 
 
  众所周知,深度学习是因为 2010 年代英伟达 GPU 算力提升而快速发展起来的,无极4账号注册不过如今市面上还有多种品牌的显卡,它们同样拥有不错的性能,后者能不能成为 AI 模型算力的基础呢?
 
 
 
  如果答案是肯定的,那我们的笔记本电脑岂不就可以用来跑深度学习模型了,尤其是让我们下了血本的 MacBookPro。
 
  MacBookPro 在科技圈覆盖面颇广,质量也不错,不能拿来做深度学习实在可惜。在选购 MacBook 的过程中,有些人会为了独立显卡而多花点钱,但到了做深度学习的时候却发现这钱花得很冤枉,因为长期以来,多数机器学习模型只能通过通用 GPU 库 CUDA 使用英伟达的 GPU。
 
  但我们真的别无选择吗?medium 的一位博主表示,事实并非如此。一款名为 PlaidML 的深度学习框架可以破解这个困境。
 
 
 
  为什么要用 GPU 做并行计算?
 
  以建房子为例:如果单独完成,你需要花费 400 个小时,但如果你雇一个建筑工人,工期就可能减半。雇佣的工人越多,你的房子建得也越快。这就是阿姆达尔定律所揭示的内容。它是一个计算机科学界的经验法则,代表了处理器并行运算之后效率提升的能力。
 
 
 
  那么为什么要用 GPU 呢?最初 GPU 并不是为深度学习专门设计的,但并行计算的本质似乎与图形处理类似。单个 GPU 的核心虽然在性能上弱一些,但在处理大数据块的算法上比 CPU 更高效,因为它们具有高度并行的结构,而且核的数量也非常多。由于图形处理和深度学习在本质上的相似性,GPU 就成为了深度学习和并行计算的首选。
 
  除了 CUDA 就没得选了吗?
 
  不过要想用上 GPU 的并行能力,英伟达的 CUDA 就不可回避,这种通用并行计算库是做深度学习所必须的。目前,之所以高性能云计算、DL 服务器都采用英伟达 GPU,主要原因还是在 CUDA。
 
  如果想要充分利用笔记本的并行能力,且 N 卡又配不起,那么这篇文章介绍的 PlaidML 就非常合适了。
 
  项目地址:https://github.com/plaidml/plaidml
 
  PlaidML 是 Vertex.AI 2017 年开源的一款深度学习工具包。2018 年,英特尔收购了 Vertex.AI。之后 PlaidML 0.3.3 发布,开发者可以借助 Keras 在自己的 AMD 和英特尔 GPU 上完成并行深度学习任务。上个月,Vertex.AI 又发布了 PlaidML 的 0.7.0 版本。
 
 
 
  PlaidML 是一种可移植的张量编译器,可以在笔记本电脑、嵌入式设备或其他设备上进行深度学习。重要的是,它并不依赖于 CUDA,而是 OpenCL 这种开放标准。
 
  OpenCL 通用并行计算开放标准并不是为 N 卡专门设计的,无极4平台产品因此不论你的笔记本 GPU 是 AMD、 Intel,还是 NVIDIA,它都能支持。
 
 
 
  很多读者可能认为,OpenCL 的生态没有 CUDA 成熟,可能在稳定性与开发速度上都没那么快。但是,我们可以把复杂的底层机制都交给 PlaidML,我们只需要用就行了。
 
  甚至 PlaidML 我们都不需要接触,它已经集成到了常见的深度学习框架中,并允许用户在任何硬件中调用它。目前 PlaidML 已经支持 Keras、ONNX 和 nGraph 等工具,直接用 Keras 建个模,MacBook 轻轻松松调用 GPU。
 
  下面我们开始进入正题:如何用自己笔记本电脑的 GPU 运行一个简单的 CNN。
 
  用笔记本 GPU 运行一个神经网络
 
  安装和设置 PlaidML 和相关组件
 
  首先,我们要确保自己的笔记本电脑安装了 Python 3 工作环境。作者建议在虚拟环境下运行以下代码:
 
  # install python3 virtualenv if you haven’t done so:
 
  pip3 install virtualenv
 
  # Now create and activate a virtual environment for the case
 
  python3 -m venv plaidml-venv
 
  source plaidml-venv/bin/activate
 
  # Install PlaidML with Keras
 
  pip install -U plaidml-keras
 
  记住一点,标准 TensorFlow 框架下的 Keras 无法使用 PlaidML,需要安装 PlaidML 定制的 Keras。
 
  # Now setup PlaidML to use the right device
 
  plaidml-setup
 
 
 
  设置 PlaidML 第一步。
 
  我们首先会看到一个欢迎页面,并跳出一个问题,即是否要使用实验性设备。根据提示,允许实验设备会导致系统运行不佳、崩溃和其他故障。我们可以键入「n」或「nothing」,然后返回选择使用默认设备。
 
 
 
  设置 PlaidML 第二步。
 
  现在得到了自己选择的设备列表。以作者的电脑 Macbook Pro 15’2018 为例,设备列表如下:
 
  CPU
 
  英特尔 UHD Graphics 630 显卡
 
  AMD Radeon pro 560x 显卡
 
  最后,键入「y」或「nothing」,返回保存设置。这样以来,我们就已安装所有设备,并且可以使用 GPU 来运行深度学习项目了。
 
  在 fashion mnist 上创建 CNN 分类器
 
  首先,启动 Jupyter Notebook。
 
  Jupyter Notebook
 
  然后按顺序运行以下代码,将 PlaidML 用作 Keras 后端,否则会默认使用 TensorFlow。
 
  # Importing PlaidML. Make sure you follow this order
 
  import plaidml.keras
 
  plaidml.keras.install_backend ()
 
  import os
 
  os.environ["KERAS_BACKEND"] = "plaidml.keras.backend"
 
  现在就可以导入包,并下载 fashion 数据集。
 
  import keras
 
  from keras.models import Sequential
 
  from keras.layers import Dense, Dropout, Flatten
 
  from keras.layers import Conv2D, MaxPooling2D
 
  from keras import backend as K
 
  # Download fashion dataset from Keras
 
  fashion_mnist = keras.datasets.fashion_mnist
 
  (x_train, y_train), (x_test, y_test) = keras.datasets.fashion_mnist.load_data ()
 
  # Reshape and normalize the data
 
  x_train = x_train.astype ('float32') .reshape (60000,28,28,1) / 255
 
  x_test = x_test.astype ('float32') .reshape (10000,28,28,1) / 255
 
  接下来使用 Keras 的序贯模块来创建一个简单的 CNN,并编译它。
 
  # Build a CNN model. You should see "INFO:plaidml:Opening device xxx" after you run this chunk
 
  model = keras.Sequential ()
 
  model.add (keras.layers.Conv2D (filters=64, kernel_size=2, padding='same', activation='relu', input_shape=(28,28,1)))
 
  model.add (keras.layers.MaxPooling2D (pool_size=2))
 
  model.add (keras.layers.Dropout (0.3))
 
  model.add (keras.layers.Conv2D (filters=32, kernel_size=2, padding='same', activation='relu'))
 
  model.add (keras.layers.MaxPooling2D (pool_size=2))
 
  model.add (keras.layers.Dropout (0.3))
 
  model.add (keras.layers.Flatten ())
 
  model.add (keras.layers.Dense (256, activation='relu'))
 
  model.add (keras.layers.Dropout (0.5))
 
  model.add (keras.layers.Dense (10, activation='softmax'))
 
  # Compile the model
 
  model.compile (optimizer='adam',
 
  loss=keras.losses.sparse_categorical_crossentropy,
 
  metrics=['accuracy'])
 
  现在我们拟合模型,测试一下它的准确率。
 
  # Fit the model on training set
 
  model.fit (x_train, y_train,
 
  batch_size=64,
 
  epochs=10)
 
  # Evaluate the model on test set
 
  score = model.evaluate (x_test, y_test, verbose=0)
 
  # Print test accuracy
 
  print ('\n', 'Test accuracy:', score[1])
 
 
 
  更多结果。
 
  我们训练的卷积神经网络模型在时尚分类任务上达到了 91% 的准确率,训练只用了 2 分钟!这个数字可能看起来并不惊艳,但想想 CPU 训练要多久吧:
 
  用 CPU 完成相同的任务要用 2219 秒(约 37 分钟),MAC 风扇期间还会疯狂输出。
 
 
 
  从以上结论中我们可以看到,借助 Macbook Pro 搭载的 GPU 进行深度学习计算要比简单地用 CPU 快 15 倍。通过 PlaidML,使用自己的笔记本电脑训练深度学习模型将变得更加简单。
 
  截至目前(2020 年 2 月),PlaidML 可以和各种品牌的 GPU 兼容,无极4注册网站在使用英伟达显卡时也无需 CUDA/cuDNN,也能达到类似的性能。
 
  在 PlaidML 的 GitHub 页面上你能看到更多的 demo 和相关项目,相信随着这一工具的不断发展,它可以支持的算法也会越来越多。我们在自己的笔记本上,也能快速试验个小模型。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。