2006年，機器學習界泰斗Hinton，在Science上發表了一篇使用深度神經網路進行維數約簡的論文 ，自此，神經網路再次走進人們的視野，進而引發了一場深度學習革命。深度學習之所以如此受關注，是因為它在諸如影象分類、目標檢測與識別、目標跟蹤、語音識別、遊戲（AlphaGo）等多個領域取得了相當優秀的成績，掀起了又一波人工只能浪潮。深度學習技術逐漸成為機器學習領域的前沿技術，近年來得到了突飛猛進的發展，這得益於機器學習技術的進步以及計算裝置效能的提升。英偉達公司研發的圖形處理器（Graphics Processing Unit，GPU），無疑為深度學習的發展提供了強有力的硬體支撐！

英偉達想必大家都有所耳聞，但對英偉達開發的深度學習訓練系統(NVIDIA Deep Learning GPU Training System, DIGITS) 知之甚少，今天我們介紹如何使用DIGITS，實現基於深度神經網路的影象分類，包括資料集建立、模型建立、模型訓練、模型測試等等。

面對眾多的深度學習開發框架，你是不是安裝配置深度學習開發框架環境中，是不是苦於碼程式碼、除錯改Bug中。那麼，今天你將發現，世界上還有一款超級簡單易用的深度學習平臺工具，是的，這就是DIGITS。說到底，DIGITS是對現有流行深度學習開發框架的最高階的抽象封裝，你所需做的只不過是點點按鈕、改改引數，就能輕鬆實現基於深度學習模型的影象分類、目標檢測、分割等任務，並以圖形介面的方式展現出來。目前DIGITS支援 Caffe、Torch，7月份將開始支援Tensorflow，開發人員，正在努力工作，使其支援更多的深度學習框架，如下圖所示：

DIGITS支援的深度學習框架（來自英偉達官網）

下面，讓我們一起學習如何使用DIGITS，實現基於深度卷積網路的手寫體影象分類任務，讓我們一起成為人工智慧時代的弄潮兒！

DIGITS安裝

由於本文重點介紹如何使用DIGITS實現深度學習影象分類，這裡僅給出安裝參考與注意事項。

現今，DIGITS已經有了三種安裝姿勢：

● Ubuntu 包管理器 ● Docker ● 原始碼編譯

具體請移步 NVIDIA DIGITS Installation。2015年時，DIGITS出道時還只有原始碼安裝方式，時隔一年竟然有了 deb 安裝方式，果斷試用，按照官方說明分分鐘安裝完畢～.～

注：Ubuntu16.04下安裝Caffe，會有比較多的坑，跳進去再跳出來就行了，不過，對於初學者，可能得幾個小時，甚至幾天的時間才能跳出來。

無論哪種安裝姿勢，都要確保有以下核心實料：

● 裝有GPU卡的PC機（有伺服器更好）； ● Linux系統（建議Ubuntu，本文 Ubuntu16.04 LTS）； ● CUDA驅動（本文版本8.0，Linux版有 run 和 deb 兩種安裝包，前者需要解除安裝系統自帶驅動，一不小心可能就進不去圖形介面了，需謹慎 ，具體安裝方法，參見英偉達官方安裝手冊）或自行搜尋； ● 深度學習框架：如 Caffe, CNTK, TensorFlow, Theano and Torch 等其中的一種或多種（目前支援Caffe和Torch）； ● DIGITS

Ubuntu deb 包安裝

很簡單，開啟終端（快捷鍵 Ctrl + Alt + T），執行如下命令，既可以自動安裝 digits, caffe-nv, torch7-nv, libcudnn，其中，xxx-nv 是指英偉達 fork 的xxx框架版本。具體安裝方法，參見：DIGITS Ubuntu Installation。

DIGITS Ubuntu deb 安裝命令

#新增源
# For Ubuntu 16.04
CUDA_REPO_PKG=http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_8.0.61-1_amd64.deb
ML_REPO_PKG=http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1604/x86_64/nvidia-machine-learning-repo-ubuntu1604_1.0.0-1_amd64.deb


# Install repo packages
wget "$CUDA_REPO_PKG" -O /tmp/cuda-repo.deb && sudo dpkg -i /tmp/cuda-repo.deb && rm -f /tmp/cuda-repo.deb
wget "$ML_REPO_PKG" -O /tmp/ml-repo.deb && sudo dpkg -i /tmp/ml-repo.deb && rm -f /tmp/ml-repo.deb


# Download new list of packages
sudo apt-get update
# Install 
sudo apt-get install digits

原始碼安裝

DIGITS的原始碼可以在GitHub上找到，即這裡：GitHub DIGITS，具體編譯構建安裝過程參見：NVIDIA DIGITS Source Installation。

提示：

安裝過程若提示錯誤：ImportError: No module named setuptools 可以使用 sudo apt install python-setuptools 解決。

cd ~/sfw
git clone https://github.com/NVIDIA/DIGITS.git

DIGITS使用入門

終於可以開始使用DIGITS了，首先開啟你的瀏覽器，然後：

● 對於使用deb包安裝的童鞋，在瀏覽器位址列輸入 http://localhost/ 訪問 DIGITS server 主頁； ● 對於採用其他安裝方式（using digits-devserver）的童鞋，在瀏覽器位址列輸入 http://localhost:5000/ 訪問 DIGITS server 主頁；

現在開始吧！DIGITS server主頁介面如下，可見使用DIGITS做深度學習應用，非常簡單明瞭人性化，就是點點按鈕的事；點選圖中Images下拉選單按鈕，可以看到，如今DIGITS已經支援 影象預處理、分類、目標識別、分割：等多種學習任務。

DIGITS Server Home 頁簡介

廢話少說，開始正題，使用 DIGITS ，基本分三步：

● 第一步：準備並建立資料集 ● 第二步：設計並建立任務模型 ● 第三步：訓練測試模型

下面以手寫體分類為例，說明如何利用 DIGITS，輕鬆實現基於深度學習中的卷積神經網路的影象分類任務。

使用DIGITS實現基於深度學習的影象分類

● 資料集：手寫體資料集 MNIST：含 0～9 十個數字，60000個訓練樣本，10000個測試樣本；

● 網路模型：卷積神經網路 LeNet-5：一種卷積神經網路。

詳情參見 Yann LeCun 主頁。

下載MNIST資料集

你可訪問上述資料集連結下載並解壓資料，也可以使用 DIGITS 提供的資料集下載工具直接下載解壓資料，資料會被下載到你指定的目錄下（yourdir），本文中：

python -m digits.download_data mnist ~/yourdir/mnist

下載完成後，在你指定的目錄下可以看到如下檔案：

建立資料集

在DIGITS server Home頁，以此選擇 Datasets > New Dataset > Images > Classification ，然後隨便取個使用者名稱（username），提交（Submit），在彈出的頁面中，按下圖所示填寫資料集資訊。

DIGITS MNIST 資料集建立頁面

建立完成後，可以在MNIST資料集頁面檢視驗證資料集資訊，如下圖所示：

建立好的MNIST資料集頁面

建立好的MNIST資料集的訓練集統計資訊如下圖所示：

訓練集統計資訊——頻率直方圖

建立模型

我們使用經典的LeNet模型來實現手寫體影象的分類，LeNet是一個卷積神經網路，它依次包含一個輸入層（INPUT）、卷積層（C1）、池化層，也叫下采樣層（S2）、卷積層（C3）、下采樣層（S4）、卷積層（C5）、全連線層（F6）和一個輸出層，由於有0～9個數字，所以輸出層的神經元的個數是10。這麼複雜的結構，寶寶得寫多少行程式碼，寶寶不想當程式猿 ～,～

用於手寫體分類的LeNet網路結構

然而，你不用擔心，使用DIGITS，你只需要點點按鈕，改改引數即可，由於是經典模型，這裡連該引數都不用，點按鈕就行了。點選左上角的 DIGITS 按鈕，返回主頁，此時，可以看到資料集（DataSets）頁面多了個剛剛建立的MNIST資料集。依次選擇 Models > New Model > Images > Classification 彈出模型設定介面，依次按如下步驟操作：

● 在Select Dataset 區選擇 “MNIST” 資料集； ● 在下面的Standard Networks 標籤頁選擇Caffe 版的 LeNet network； ● 選擇GPU； ● 給模型命個名字； ● 點選 Create 按鈕建立模型

如下圖所示：

用於手寫體分類的LeNet網路模型訓練與測試設定

當然，你也可以設定訓練代數、驗證間隔（代數）、優化方法、學習率等引數。

訓練模型

建立完模型後，DIGITS 開始網路的訓練，並實時顯示訓練損失、驗證損失、驗證正確率、學習率變化、GPU資源佔用等資訊，如下圖所示，非常直觀和友好，有木有，~.~

DIGITS MNIST LeNet分類網路訓練過程圖

喝杯咖啡，或出去溜達溜達即可！

測試

現在到了測試你的模型的時候了，如下圖所示，有三種選擇：

● Classify One：單幅影象分類，可以視覺化資料、權重、隱藏層輸出等； ● Classify Many：多幅影象分類，可以檢視多幅影象的分類結果統計資訊； ● Top N Predictions per Category：每類的Top N分類預測圖示。

測試你的手寫體分類模型

上述手寫體分類模型，對數字6的某幅影象分類結果如下圖所示，非常直觀友好有木有，寶寶瞬間喜歡上人工智慧了耶：

上述手寫體分類模型，對10000個測試樣本影象的分類統計結果如下圖所示，哇，這麼高大上的矩陣我也有了：

上述手寫體分類模型，Top N分類統計結果如下圖所示，寶寶決定要搞深度了，誰都不能阻擋我：

後記

本文介紹了 DIGITS 及其安裝，以及使用 DIGITS 進行影象分類的步驟與方法，包括資料集的建立、模型的建立與訓練、模型測試等等。總結起來，使用DIGITS做深度學習應用，簡直就是點點點，免去了使用Caffe等其它框架繁瑣的環境配置、枯燥的碼程式碼 Debug 的過程，你不需要去學習Python等語言，你甚至都不需要了解模型演算法原理，就能輕鬆享受深度學習的樂趣，這一切 DIGITS 都已經為你做好，簡直太爽啦！~.~ ~.~ ~.~

如果你不是程式猿，如果你不瞭解深度學習，如果你不知道選擇何種深度學習框架，如果你不想把精力耗費在碼程式碼上，而你卻非常想了解深度學習，以至於你想成為人工智慧時代的弄潮兒，那麼DIGITS是你最好的入門選擇！生活原本很簡單，為什麼要過得複雜呢？