本周一（6 月 19 日）机器之心发表文章《 我的深度学习开发环境详解：TensorFlow + Docker + PyCharm 等，你的呢（附问卷） 》介绍了研究员 Killian 的深度学习开发环境：TensorFlow + Docker + PyCharm + OSX Fuse + Tensorboard，并附了一份调查问卷想要了解机器之心读者配置的开发环境、对编程语言、框架的使用情况。虽然获得的反馈量比较有限，但我们也观察到了一些比较有趣的现象。在这篇文章中，我们将对此问卷的结果进行介绍，希望对需要配置开发环境的读者有所帮助。最后，我们介绍了一种新的开发环境配置：Jupyter + Tensorflow + Nvidia GPU + Docker + Google Compute Engine。_

问卷结果

该调查问卷文章发布之后共有超过 10800 名读者阅读，收到大量有效答卷，另有 16 名读者是以留言的方式在文章下介绍了自己的开发系统。大部分被调查者来自中国大陆，此外还有多名来自北美大学和研究机构的调查者参与其中。以下的数据统计图表中，并不包含微信文章留言的数据。

根据表单后台的数据统计，参与调查的读者中大部分为学生，然后是开发工程师、研究员、产品经理等。

而在被调查者的研究方向上，计算机视觉领域占比接近一半（48.2%），自然语言处理次之（26.8%），这部分反映了目前深度学习的主要研究方向。此外还包括金融风控、数据分析、现场安全识别、通信、时空大数据、医学图像、催化以及材料模拟等领域。

下面就开始详细为大家介绍调查者们最常用的编程语言、深度学习框架，以及在开发过程中面临的难题。

一、Python 成为深度学习主流语言

机器之心一直关注机器学习研究员、工程师在开发过程中所注重实用的工具、语言。在不久之前发布的文章《[业界 | 超越 R，Python 成为最受欢迎的机器学习语言](http://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650720220&idx=3&sn=c3b8b65ec118d6fdef3f55e5f29e89ff&chksm=871b03a2b06c8ab4b0a0c87a3b3647372578b129ad5f420fddc5a1a84138a7db51911e143980&scene=21# wechat_redirect)》中，KDnuggets 与 O'Reilly 的调查结果都表明，越来越多的人开始使用 Python 进行机器学习。

2016 年 KDNuggets 调查结果

在机器之心问卷中，对于问题「您认为哪种语言会成为深度学习的主流语言？」，所有被调查者的态度完全一致：Python！看来，Python 已是绝大多数从业人员必须学习的语言，同时也是众望所归的未来主流深度学习语言。

O'Reilly 2016 年度数据科学薪资调查曾显示：Python 和 Spark 是最对薪资有贡献的工具。Python 具有开发速度快的特点，Caffe、TensorFlow 等主流深度学习框架都对其支持。腾讯最近推出的机器学习高性能计算平台 Angel 在支持 Java、Scala 之外，也将在未来对 Python 提供支持。

在机器之心的问卷中，调查者反馈，虽然他们会使用其他编程语言，比如 R、C++，但实际运行程序的编写还是主要使用 Python，简单、开发速度快是很大的优势。

其他语言的使用情况简介如下：Matlab 用于快速完整、可视化研究；R 方便框架模型的验证分析，也便于处理数据和画图。因此，多数人在不同的开发流程中使用不同的语言。

二、TensorFlow 占据半壁江山

而在框架方面，谷歌支持的 TensorFlow 就没有这样的垄断地位了，不过它也已占据了接近一半（48%）的水平。完善的功能和大量的支持文档（众多 TensorFlow 支持者提到的）是目前 TensorFlow 的强项，存在于 GitHub 中的大量实现更是不容忽视，可视化工具 TensorBoard 则为开发者提供了直观的引导。但由于网络问题，TensorFlow 系统在大陆的搭建是个难题。部分被调查者也指出，TensorFlow 的 Windows 支持也为他们带来了便利。

Facebook 新近推出的框架 PyTorch 人气急剧攀升，在仅仅推出 5 个月的情况下达到了第二的位置（16%），因支持动态计算图，易用性和强大的性能而出名。在业界还需要产品迁移的情况下，学界已经出现拥抱 PyTorch 的趋势了。

同属于 Facebook 的 Caffe/Caffe2 则占据第三（14.7%），大部分被调查者在对于 Caffe 系列的评价中都提到了快速的特点。

此外，亚马逊支持的 MXNet 占据了 10.7% 的用户数量，排名第四。被调查者认为，MXNet 拥有很好的社区支持，因而易于使用。

三、硬件

硬件方面，超过一半的被调查者明确表示自己的深度学习硬件是英特尔 Core i7 + 英伟达 Geforce GTX 1080（Ti）的组合。与 TitanX 相比，英伟达 Tesla 系列的应用显得更少，看来英伟达推动的商用机器学习计算卡仍然需要进一步的推广。由于资源限制，GPU 阵列的使用并不流行，而云服务也没有被大部分开发者采用（也是经费原因）。

目前，虽然人们对于多 GPU/分布式机器学习训练/处理的呼声很高，但相关的教程和可以借鉴的方法仍显欠缺，这或许是经费之外人们面临的最大难题。

四、系统

Linux 显然是深度学习的必备系统，虽然 TensorFlow 已有 Windows 支持，但大多数受访者表示自己的深度学习机器使用基于 Linux 的 Ubuntu 系统。

五、面临的难题

在搭建深度学习环境的过程中，各组件的兼容性问题一直是困扰开发者们的难题，部分开发者表示依赖关系处理比较头疼，而使用 Docker 可以部分解决这些问题。英伟达的 cuda/GPU 驱动程序安装困难也是很多调查者提到的问题。

需要配置安装很多不同的开发框架……还有扩展计算集群……

本次深度学习开发环境调查已经结束，由于样本数量限制，这次我们得出的结论可能不甚准确。深度学习的开发环境会随着技术的发展不断进化，未来究竟是百家争鸣，还是一家独大？欢迎大家前来讨论。感谢大家对机器之心此次调查问卷的支持，获得奖品同学的礼物已经寄出。

Jupyter + Tensorflow + Nvidia GPU + Docker + Google Compute Engine

这一部分，我们编译了一篇新的深度学习开发环境配置：Jupyter + Tensorflow + Nvidia GPU + Docker + Google Compute Engine。

动机：商业上喜欢快捷、且由数据驱动的洞见，因此他们聘请了数据科学家来处理这些任务。实践性的数据科学是探索性、迭代性的过程，这个过程要求大量的计算资源和时间。数据科学家经常使用 Jupyter notebook 以更好地支持这种探索性的迭代，同时更倾向于使用 GPU 以加速 Tensorflow 项目的计算。然而，GPU 成本比较高，而计算资源也需要小心地管理以满足商业上对高效运算的需求。

近来云计算倾向于使用 Kubernetes 和 Docker 提高资源利用率。那数据科学的工具（如 Jupyter 和 GPU 等）嵌入 Docker 和 Kubernets 会更有效吗？也许这样更节约时间和内存，我前面已经用过了其他版本，但现在的环境配置是比较优秀的。

创建一个 GCE 实例

首先，创建防火墙规则，将 Jupyter（8888）和 Tensorboard（6006）添加到白名单中。

然后创建一个 GCE 实例，对于该案例：

• 使用的系统为 Ubuntu 16.04 LTS
• 分配 50GB 的启动盘
• 至少需要一个 K80 GPU
• 将 jupyter 和 tensorboard添加到你创建的防火墙规则中。

安装和确认 CUDA 能访问 GPU

使用英伟达的 CUDA 库取得访问 GPU 的权限。

下一步需要将 SSH 添加到你创建的计算节点中，然后使用脚本安装 CUDA（https://cloud.google.com/compute/docs/gpus/add-gpus）：

_# !/bin/bash
echo "Checking for CUDA and installing."

Check for CUDA and try to install.

if ! dpkg-query -W cuda; then

The 16.04 installer works with 16.10.

curl -O http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_8.0.61-1_amd64.deb
dpkg -i ./cuda-repo-ubuntu1604_8.0.61-1amd64.deb
apt-get update
apt-get install cuda -y
fi

然后你能使用 wget 命令 pull 来源 gist 并输入到 bash 中：

wget -O - -q 'https://gist.githubusercontent.com/allenday/f426e0f146d86bfc3dada06eda55e123/raw/41b6d3bc8ab2dfe1e1d09135851c8f11b8dc8db3/install-cuda.sh' | sudo bash

如果 CUDA 安装成功了，运行 nvidia-smi 命令将返回表格显示可用的 Tesla K80 GPU：

nvidia-smi

安装 Docker(-Engine) 和 Nvidia-Docker

对于 docker，我们需要从 Docker 获取 docker-ce 版本，而不是 Ubuntu 自带的 docker.io 包。可以使用以下脚本完成（https://docs.docker.com/engine/installation/linux/ubuntu/）(https://docs.docker.com/engine/installation/linux/ubuntu/%EF%BC%89)：

# /bin/bash

# install packages to allow apt to use a repository over HTTPS:

sudo apt-get -y install \

apt-transport-https ca-certificates curl software-properties-common

# add Docker』s official GPG key:

curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -

# set up the Docker stable repository.

sudo add-apt-repository \

"deb [arch=amd64] https://download.docker.com/linux/ubuntu \

_ $(lsbrelease -cs) \

stable"

# update the apt package index:

sudo apt-get -y update

# finally, install docker

sudo apt-get -y install docker-ce

或使用我的：

wget -O - -q 'https://gist.githubusercontent.com/allenday/c875eaf21a2b416f6478c0a48e428f6a/raw/f7feca1acc1a992afa84f347394fd7e4bfac2599/install-docker-ce.sh' | sudo bash

从 deb 文件安装 nvidia-docker（https://github.com/NVIDIA/nvidia-docker/releases/）：

_wget https://github.com/NVIDIA/nvidia-docker/releases/download/v1.0.1/nvidia-docker_1.0.1-1_amd64.deb_

从 Docker 容器确认 GPU 是可用的

起始化 nvidia-docker-plugin 需要在跟权限下运行：

sudo nvidia-docker-plugin &

_nvidia-docker-plugin | 2017/06/07 01:05:05 Loading NVIDIA unified memory___

_nvidia-docker-plugin | 2017/06/07 01:05:05 Loading NVIDIA management library___

_nvidia-docker-plugin | 2017/06/07 01:05:08 Discovering GPU devices___

_nvidia-docker-plugin | 2017/06/07 01:05:08 Provisioning volumes at /var/lib/nvidia-docker/volumes___

_nvidia-docker-plugin | 2017/06/07 01:05:08 Serving plugin API at /run/docker/plugins___

_nvidia-docker-plugin | 2017/06/07 01:05:08 Serving remote API at localhost:3476___

现在确保 docker 容器可以看到 GPU：

sudo nvidia-docker run --rm nvidia/cuda nvidia-smi

如上图所示，现在得到的表格和前面使用 nvidia-smi 命令，且没有在 Docker 容器里运行得到的表格是一样的。

创建一个 Snapshot 卷

如果你跟着上面运行下来了，你可能注意到它需要花费一点时间。而当我们运行 GPU 实例时，那成本就比较大了。所以我们需要避免重复以上过程浪费时间和内存，我们可以将以上过程做一个整合，当我们需要启动 GPU 时就可以直接使用。

登陆 Jupyter 和 TensorBoard

sudo nvidia-docker run --rm --name tf1 -p 8888:8888 -p 6006:6006 gcr.io/tensorflow/tensorflow:latest-gpu jupyter notebook --allow-root

上面命令可以展示为一个链接：

http://localhost:8888/?token=c8caba947dfd4c97414447c074325faf399cf8a157d0ce2f

最后寻找一个 GCE 实例的外部 IP 地址，并将它连接到端口 8888，即 http://EXTERNAL_IP:8888/，从你的控制台键入类似的符号，现在你就拥有了一个可以在 GPU 上运行 TensorFlow 的 Jupyter notebook。

原文链接：https://medium.com/google-cloud/jupyter-tensorflow-nvidia-gpu-docker-google-compute-engine-4a146f085f17

机器之心整理

参与：李泽南、李亚洲
深度学习, 开发环境

原文发布于宽客论坛，点击阅读原文

风险提示及免责条款

市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！