基于CPU和Intel MKL的深度学习实验

参加了今年的AWS Summit，里面有一个很有意思的环节是Intel组织了一个基于AWS的深度学习上手课程。

为什么在AWS上呢？

这个课程以及代码的地址在这里https://github.com/NervanaSystems/mxnet_workshop

这里面的文档里面说了，完成这个课程需要Amazon Deep Learning AMI.

为什么是Intel组织呢？

因为Intel的观点认为，通过使用Intel的MKL库，可以基于Intel的CPU而非一定要GPU，就能取得高性能的深度学习。

哈哈，终于明白了。

但是也给了我们普通的学习者上手深度学习一个很好的机会，因为如果基于GPU，无论是你自己买一个，还是使用AWS的GPU实例，实在是成本有一点高。而基于CPU，用一个普通的虚拟机就可以了，接下来的实验，本人都是在一台普通的ubuntu 14.04虚拟机上完成的。

在国内登陆AWS还是多少有些不方便的，而且AWS那个AMI是什么都安装好的，用起来容易，但是不容易看出将来如何自己搭建一个环境。于是还是自己手动来的好。

这个实验启动一个Jupyter Notebook，里面用python语言完成下面三个实验。

，安装mxnet，当然现在tensorflow很火，但是mxnet也非常好

apt-get update

apt-get install -y wget python gcc

wget https://bootstrap.pypa.io/get-pip.py && sudo python get-pip.py 

pip install mxnet

apt-get install graphviz

pip install graphviz

第二，下载mxnet_workshop

apt-get install git

git clone https://github.com/NervanaSystems/mxnet_workshop

第三，安装jupyter notebook

apt-get install python-dev

pip install --upgrade ipython==5.4.1 -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

pip install widgetsnbextension -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

pip install jupyter -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

第四，配置jupyter notebook

jupyter notebook --generate-config --allow-root

修改.jupyter/jupyter_notebook_config.py下面三项

c.NotebookApp.ip = '0.0.0.0'

c.NotebookApp.open_browser = False

c.NotebookApp.password = u'sha1:356c980c45d3:87608ec6eb8c0dacb693ddf48ffd2ec39fd0fa9b'

后这个密码是deeplearning，将来用它登陆jupyter notebook

第五，安装Intel MKL

 apt-get install cmake

 apt-get install doxygen

 apt-get install g++

 git clone https://github.com/01org/mkl-dnn.git

 cd mkl-dnn/

 cd scripts && ./prepare_mkl.sh && cd ..

 mkdir -p build && cd build && cmake ..&& make

 make install

第六，启动jupyter notebook

cd mxnet_workshop

jupyter nbextension enable --py widgetsnbextension

jupyter-notebook --allow-root

第七，从界面上访问jupyter notebook

通过8888端口进入界面，输入密码deeplearning

第八，跑实验一Part_1_Sentiment_Analysis.ipynb

在每一段python代码里面，依次点击ctrl + 回车，当左面的*变为数字的时候，这一步就运行完毕了，可以运行下一步。

如图是正在训练模型。

利用模型检测态度是正还是反。

第九，同理跑其他的实验。

下一篇文章会从代码解析这些实验都干了些啥。